如何在纸制品加工过程中运用新的标签技术

<正>如今,世界上无论哪个国家和地区都对无线射频标签技术(RFID)感到振奋,并且预期这种技术即将得到蓬勃发展。在本文中,我们将讨论在如今的纸制品加工过程中,哪些方面适合运用RFID标签。 RFID标签也被称为是“智能标     

新型智能标签不久将会投放市场

近日，作为庞大的CCL标签集团欧洲发展战略项目副主管兼FINAT不千胶标签印刷机世界贸易协会董事会成员的Paul Jarvis表示：不久的将来将出现新一代的不干胶标签——新型智能标签。这种新型标签的功能多样，并且，会逐渐成为人们日常生活中不可或缺的产品。     

伊士曼2种新型聚酯

伊士曼化工公司推出2个聚酯牌号。一个是制品像玻璃那样引人注目且质轻、耐破碎，牌号为Glas sPolymer EB062的材料；另一个新牌号为Embrace High Yield是收缩标签用共聚聚酯。     

基于RFID技术的婴儿监护系统的设计

RFID以无线射频方式实现多目标、运动目标的识别,在各领域各行业显示了巨大的应用前景。本文介绍一种利用RFID技术设计的婴儿监护系统,该系统根据结合了有源RFID设计的智能防盗标签和部署的专用网络,运用数据库技术和数据分析技术,确定婴儿位置,确保母婴配对,自动记录婴儿护理状况,并联动了门闸报警机制。     

浏览标签看不清 插件帮你认

上网浏览时,总是没关闭一个页面就去看另一个页面,想找之前看的页面时才发现,所有的标签已经缩小得很厉害了,完全无法看清标签的标题是什么。其实,只要安装一个插件就可以很方便地看到你打开的所有标签。     

SWT搭建仿Eclipse框架界面

以Eclipse3.7.1为集成开发平台,通过设计一个仿Eclipse风格的个性化标签类,应用Java的SWT图形库,开发一个仿Eclipse框架界面,并为个性化标签添加事件处理,框架界面有广泛的应用需求。     

一种具有平衡标签预测能力的在线哈希算法

针对传统离线哈希算法训练模型耗时、占用内存大和不易更新模型的问题,以及现实图像集的标签存在大量损失的现象,提出了一种能够平衡标签预测的在线哈希算法（BLPOH）。BLPOH通过标签预测模块生成预测标签,并融合残缺的真实标签,能够有效缓解因标签损失导致的模型性能下降。观察到标签存在分布不平衡现象,提出标签类别相似性平衡算法并应用于标签预测模块,提升标签预测的准确性。将旧数据的信息加入哈希函数的在线更新过程,提升模型对旧数据的兼容性。通过在两个广泛使用的数据集上进行实验,并和一些当前先进的算法进行对比,结果证实了BLPOH的优越性。     

基于标签推理和注意力融合的多标签文本分类方法

目前许多多标签文本分类方法主要关注文档表示,而丢失了大量标签相关的语义信息,导致分类效果不理想。针对以上问题,提出一种基于标签推理和注意力融合的分类方法,挖掘文档中与标签相关的特征以及相似标签之间的相关性,学习标签信息进行标签推理,同时采用注意力机制自学习地融合文档表示和标签表示,最终完成多标签分类任务。在AAPD和RCV1-V2数据集上进行实例验证,该方法的F1值分别达到了0.732和0.887,与其他最新方法相比其准确度均有提升,实验结果证明了标签推理和注意力融合策略的有效性。     

一种基于图卷积网络的文本多标签学习方法

多标签学习广泛应用于文本分类、标签推荐、主题标注等.最近,基于深度学习技术的多标签学习受到广泛关注,针对如何在多标签学习中有效挖掘并利用高阶标签关系的问题,提出一种基于图卷积网络探究标签高阶关系的模型TMLLGCN.该模型采用GCN的映射函数从数据驱动的标签表示中生成对象分类器挖掘标签高阶关系.首先,采用深度学习方法提取文本特征,然后以数据驱动方式获得基础标签关联表示矩阵,为更好地建模高阶关系及提高模型效果,在基础标签关联表示矩阵上考虑未标记标签集对已知标签集的影响进行标签补全,并以此相关性矩阵指导GCN中标签节点之间的信息传播,最后将提取的文本特征应用到学习高阶标签关系的图卷积网络分类器进行端到端训练,综合标签关联和特征信息作为最终的预测结果.在实际多标签数据集上的实验结果表明,提出的模型能够有效建模标签高阶关系且提升了多标签学习的效果.     

基于排序损失的ECC多标签代码异味检测方法

代码异味是由糟糕的代码或设计问题引起的一种软件特征,严重影响了软件系统的可靠性和可维护性.在软件系统中,一段代码元素可能同时受到多种代码异味的影响,使得软件质量明显下降.多标签分类适用该情况,将高共现的多个代码异味置于同一标签组,可以更好地考虑代码异味的相关性,但现有的多标签代码异味检测方法未考虑同一段代码元素中多种代码异味检测顺序的影响.对此,提出了一种基于排序损失的集成分类器链(ensemble of classifier chains,ECC)多标签代码异味检测方法,该方法选择随机森林作为基础分类器并采取多次迭代ECC的方式,以排序损失最小化为目标,选择一个较优的标签序列集,优化代码异味检测顺序问题,模拟其生成机理,检测一段代码元素是否同时存在长方法长参数列表、复杂类消息链或消息链过大类这3组代码异味.实验采用9个评价指标,结果表明所提出的检测方法优于现有的多标签代码异味检测方法,F1平均值达97.16%.