PET蓄光纤维的研制及性能研究

采用共混纺丝法制备了PET蓄光纤维,并对纤维的性能进行了研究。SEM分析表明,采用偶联剂可以有效地改善聚酯与蓄光粉体组成的共混体系的相容性,减小分散相颗粒的尺寸。预先将PET、蓄光粉体与偶联剂制备成母粒用于纺丝,可以明显提高体系的可纺性。同时,研究了蓄光粉体的含量对纤维力学性能和发光性能的影响。     

浅析高校计算机公共机房的管理与维护

随着经济的发展,计算机的应用在我国已是十分普遍。笔者多年在高校机房参与机房的维护和管理工作,对机房的维护和管理有了一定的经验。高校机房的维护和管理是一项比较烦琐的工作,包括计算机的硬件设备和软件的维护、机房室内环境的管理以及机房的管理规章制度的落实等。本篇论文主要是从计算机的各方面管理来讲述计算机的管理与维护,以便使得各个机房的管理落到实处。     

四旋翼无人机的旋翼空气动力学建模与仿真

针对四旋翼无人机在不同飞行状态与不同姿态角状态下如何提升飞行稳定性的问题,提出了通过调整俯仰角来提升飞行稳定性的方法.首先建立了四旋翼无人机的机体坐标系与地面坐标系,运用动量理论、涡流理论及叶素理论,对四旋翼无人机的旋翼进行动力学分析,得到桨叶叶素所受到的空气动力及力矩,然后建立了各个旋翼空气动力学系数与飞行稳定性系数的数学模型,并使用MATLAB进行了仿真,得出各个旋翼空气动力学系数在不同飞行状态下的变化情况.最后进行了实际飞行检测,得出四旋翼无人机在飞行过程中,俯仰角保持在[-5°,5°]内,能有效提高飞行稳定性.     

谱聚类欠取样下自编码网络不平衡数据挖掘

不平衡数据集的应用领域日益广泛,需求也越来越高,为提升整体数据集的分类准确率,以谱聚类欠取样为前提条件,构建一种自编码网络不平衡数据挖掘方法.把聚类问题转换成无向图多路径划分问题,通过无向图与标准化处理完成谱聚类,经过有选择地欠取样处理多数类数据集,获取分类边界偏移量,利用学习过程是无监督学习的自编码网络,升、降维数据,获取各维度隐藏特征,实现各层面的数据高效表示学习,根据最大均值差异与预设阈值的对比结果,调整自编码网络,基于得到的分类界面,完成不平衡数据挖掘.选用具有不同实际应用背景的UCI数据集,从中抽取10组数据作为测试集,经谱聚类欠取样处理与模拟实验,发现所提方法大幅提升少数类分类精度与整体挖掘性能,具有较好的适用性与可行性.     

基于SSD的小目标检测改进算法

目标检测算法因数据存在分辨率较低、噪声等干扰,不能有效利用特征图中目标的边缘纹理和语义信息,导致小目标检测效果较差。为此,本文提出一种基于SSD的小目标检测改进算法。首先,采用普通卷积和深度可分离卷积进行同步特征学习并融合,获得信息丰富的浅层特征。然后,在固有的5个尺度的特征层后添加通道和空间自适应权重分配网络,使得模型更关注通道和空间的重要特征信息。最后,将候选目标框进行非极大抑制筛选得到检测结果。通过将改进的方法与Faster RCNN、SSD等方法在VOC2007数据集上测试结果进行比较,该方法降低了小目标的误检率,提升了整体目标的精度,所提模型mAP达到了78.94%,比SSD网络提高了3.13%。     

面向上行流媒体的压缩感知视频流技术前沿

上行流媒体在军民融合领域展现出日益重要的新兴战略价值,压缩感知视频流技术体系在上行流媒体应用中具有前端功耗低、容错性好、适用信号广等独特优势,已成为当前可视通信研究的前沿与热点之一。本文从阐述上行流媒体的应用特征出发,从性能指标、并行分块计算成像、低复杂度视频编码、视频重构和语义质量评价等方面,分析了当前针对压缩感知视频流的基础理论与关键技术,对国内外相关的研究进展进行了探究与比较。面向上行流媒体的压缩感知视频流面临着观测效率难控、码流适配困难和重建质量较低等技术挑战。对压缩感知视频流的技术发展趋势进行展望,未来将通过前端与智能云端的分工协作,突破高效率的视频观测与语义质量导引视频重构等关键技术,进一步开拓压缩感知视频流在上行流媒体应用中的定量优势与演进途径。     

基于深度学习的内容推荐算法研究综述

推荐系统是学习用户偏好,实现个性化推荐的系统化应用技术,在商品购买、影音推荐、关联阅读等多领域得到了广泛的应用。近年来,随着多源异构数据的激增和深度学习的兴起,传统推荐算法中的表征学习模式逐步被深度学习代替。梳理推荐算法的背景和发展趋势,并给出内容推荐的算法思路及其优劣评价,分别介绍多层感知机、自动编码器、卷积神经网络以及循环神经网络等深度学习方法的网络结构和算法优势。从技术应用的视角综述深度学习在内容推荐中的应用现状与研究成果,对不同经典深度推荐算法进行分析与比较。在此基础上,指出深度学习在可解释性、学习效率等方面的不足,并对交叉领域学习、多任务学习、表征学习等未来研究方向进行展望。     

基于场景模态深度理解网络的单目图像深度理解

基于深度卷积神经网络的图像处理方法得到的单目深度图像质量远高于传统图像处理方法,但该方法对无用特征的训练易产生误差积累,且基于回归求解的连续深度距离预测精度较低,导致图像深度信息提取不精确、目标边缘模糊与图像细节缺失。提出一种应用于单目彩色图像的场景模态深度理解网络。建立以堆叠沙漏为主框架的网络模型,通过反复进行自下而上和自上而下的特征提取过程融合低层次纹理与高级语义特征,在每层网络训练中结合离散的深度标签和真实深度图像降低深度理解难度,插入误差修正子模块和极大似然译码优化子模块以准确提取深度特征。实验结果表明,该网络获取的深度信息更准确,其在NYUv2数据集上绝对相关误差较ACAN网络降低0.72%,在KITTI数据集上均方相关误差较GASDA网络降低41.28%,与DORN等深度网络相比,其预测的深度图像包含更多细节信息且目标轮廓更清晰。     

基于密集反馈网络的单幅图像超分辨率重建

基于深度学习的单幅图像超分辨率网络模型体积庞大,导致参数利用率低且难以部署,对中间层特征利用不充分。提出一种密集反馈注意力网络（DFAN）模型。在同一特征图中通过多尺度残差注意力模块（MRAB）提取不同尺度的深层特征,以增加特征的多样性。同时将每个MRAB的输出均作为同组中其他残差模块的输入,使各层之间的信息流最大化,从而减小训练难度。实验结果表明,相比VDSR、DRRN、MemNet等模型,DFAN模型具有较优的重建效果,其在重建放大倍数为4的Set5数据集上计算复杂度仅为VDSR模型的0.14倍左右,而峰值信噪比提高了0.57 dB。     

车联网中基于车辆行为预测的身份认证方案

车联网中传统基于密码学的身份认证方案可满足车辆身份认证的基本要求,但其作为静态防御机制不能有效解决车辆身份盗用和认证低时延问题。在基于移动边缘计算框架的软件定义车联网体系结构下,提出一种基于车辆行为预测的身份认证方案。在车辆历史行为数据的基础上,使用前缀树确定认证基站,采用决策树算法和多元非线性回归模型提前对车辆到达站点和时间进行预测,并通过对比车辆到达站点和时间的真实值与预测值实现车辆身份认证。实验结果表明,该方案利用软件定义网络的集中式全局控制能力和移动边缘计算的分布式计算能力对车辆身份认证任务进行管理和分配,可在保证较高车辆认证准确率的同时满足车联网的低时延需求。