基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。     

基于SDN的电力数据中心网络架构研究

为建设能源互联网,充分应用“大云物移智”等现代信息技术,文章从SDN网络架构模型出发,根据不同类型流量,将云数据中心网络划分为3张相互隔离的网络,即业务网、存储网和管理网,然后详细阐述了3张网的设计方案,并给出了一个从传统数据中心向云数据中心发展的演进步骤,为搭建适应快速增长的业务需求的云数据中心提供了思路。     

响应面法优化甘薯脆片干燥工艺

为探究甘薯脆片热泵干燥最佳工艺,在单因素试验基础上,以烘干温度、烘干时间、切片厚度、汽漂时间为影响因素,以含油率及感官评分为响应值,用Box-Behnken试验设计建立响应面分析模型。结果表明,甘薯脆片烘干最佳工艺为:烘干温度74℃、切片厚度2.7 mm、汽漂时间3 min,烘干时间为3.5 h,在此优化条件下,甘薯脆片油炸后感官评分为88.75分,含油率为7.84%,在此条件下得到的产品色香味俱全。     

High reliable real-time bandwidth scheduling for virtual machines with hidden Markov predicting in telehealth platform

Reliable and high-performance resource scheduling for Virtual Machines (VMs) in cloud can guarantee the efficiency of remote rescue with telehealth system. When a local disaster, e.g. earthquake and tsunami, happens in a densely populated area, the surging health care demand leads to the increasing workload in Data Centers (DCs) by storing and delivering a mass of patients’ information and real-time physiology signals. However, the current self-adaptive scheduling methods cannot provide a high-accuracy recognizing of the two conditions: urgency or normal, which would procrastinate the system into a high-performance status, while the best rescue time is lost. In this paper, we propose a Primary Node-based architecture for typical telehealth service on cloud, which takes into account both storage and delivery efficiency. We also design a novel algorithm to predicting and allocating the future bandwidth of all VMs in the telehealth service context. This method is able to dynamically adjust each parameter of a Hidden Markov Model (HMM) through collecting the historical information of the bandwidth workload. After we predict the future bandwidth consumption of VMs, a high-performance scheduling method is used to adjust the bandwidth to each VM for health care service. The simulation results prove that this algorithm provides a high-accurate prediction, which guides the allocating module to make decision before the request burst comes. Nevertheless, our algorithm improves the reliability of telehealth services for storing and delivering patients’ information among DCs.     

The Lise Meitner-Minerva Center for Computational Quantum Chemistry: 18 Years of Israeli-German Collaboration

We tell the story of the Lise Meitner-Minerva Center, its establishment and activities, its members and their scientific activity, and its instrumental role in weaving intense relationships with the theoretical community in Germany, and in amalgamating the Israeli community of computational quantum chemistry into a national center that enjoys a high international reputation.     

基于优化初始聚类中心的K中心点算法

针对K中心点算法的初始聚类中心可能过于临近、代表性不足、稳定性差等问题，提出一种改进的K中心点算法。将样本集间的平均距离与样本间的平均距离的比值作为样本的密度参数，精简了高密度点集合中候选代表点的数量，采用最大距离乘积法选择密度较大且距离较远的K个样本作为初始聚类中心，兼顾聚类中心的代表性和分散性。在UCI数据集上的实验结果表明，与传统K中心点算法和其他2种改进聚类算法相比，新提出的算法不仅聚类结果更加准确，同时也具有更快的收敛速度和更高的稳定性。     

结合优化支持向量机与K-means++的工控系统入侵检测方法

针对工业控制系统传统单一检测算法模型对不同攻击类型检测率和检测速度不佳的问题，提出一种优化支持向量机和K-means++算法结合的入侵检测模型。首先利用主成分分析法（PCA）对原始数据集进行预处理，消除其相关性；其次在粒子群优化（PSO）算法的基础上加入自适应变异过程避免在训练的过程中陷入局部最优解；然后利用自适应变异粒子群优化（AMPSO）算法优化支持向量机的核函数和惩罚参数；最后利用密度中心法改进K-means算法与优化后的支持向量机组合成入侵检测模型，从而实现工业控制系统的异常检测。实验结果表明，所提方法在检测速度和对各类攻击的检测率上得到明显提升。     

多先验融合的图像显著性目标检测算法

为了更加准确地检测出图像中的显著性目标，提出了多先验融合的显著性目标检测算法。针对传统中心先验对偏离图像中心的显著性目标会出现检测失效的情况，提出在多颜色空间下求显著性目标的最小凸包交集来确定目标的大致位置，以凸包区域中心计算中心先验。同时通过融合策略将凸包区域中心先验、颜色对比先验和背景先验融合并集成到特征矩阵中。最后通过低秩矩阵恢复模型生成结果显著图。在公开数据集MSRA1000和ESSCD上的仿真实验结果表明，MPLRR能够得到清晰高亮的显著性目标视觉效果图，同时F，AUC，MAE等评价指标也比现有的许多方法有明显提升。