基于Charm算法挖掘基因表达保序子序列

保序子序列（OPSS）是基因表达数据重要的定性测度双聚类方法，通常将基因实数表达值排序后替换成相应的列标签，OPSS的部分行在部分列下同升同降。提出一种基于Charm算法的保序子序列挖掘方法 Charm＿Seq，将Charm由频繁闭合项集挖掘改造为频繁闭合序列挖掘，充分利用了Charm高效的Itemset-Tidset前缀搜索树数据结构。在人工和实际基因表达数据集上进行实验，实验结果验证了该方法的高效性和有效性。     

仿真技术在“电力电子技术”教学中的应用

针对本科院校“电力电子技术”课堂教学中学生学习难度大以及学习兴趣不高的问题，将仿真技术引入教学中，通过三种仿真软件对理论知识的应用进行分析和比较，一方面激发学生学习兴趣，提高课堂学习效率；另一方面在课堂上能够通过计算机仿真软件验证课堂所学理论知识，以替代课后硬件实验，降低教育成本，方便学生学习。经过多年的实践证明，在课堂教学中，引入仿真技术，在教研教改以及学生人才培养方面取得了丰硕的成果，因此它是一种可行而且比较高效的信息化教学方法。     

跨层协同注意和通道分组注意的细粒度图像分类

细粒度图像分类的主要挑战在于类间的高度相似性和类内的差异性. 现有的研究多数基于深层的特征而忽略了浅层细节信息, 然而深层的语义特征由于多次卷积和池化操作往往会丢失大量的细节信息. 为了更好地整合浅层和深层的信息, 提出了基于跨层协同注意和通道分组注意的细粒度图像分类方法. 首先, 通过ResNet50加载预训练模型作为骨干网络提取特征, 由最后3个阶段提取的特征以3个分支的形式输出, 每一个分支的特征通过跨层的方式与其余两个分支的特征计算协同注意并交互融合, 其中最后一个阶段的特征经过通道分组注意模块以增强语义特征的学习能力. 模型训练可以高效地以端到端的方式在没有边界框和注释的情况下进行训练, 实验结果表明, 该算法在3个常用细粒度图像数据集CUB-200-2011、Stanford Cars和FGVC-Aircraft上的准确率分别达到了89.5%、94.8%和94.7%.     

天牛须搜索算法实现小波滤波器直接频域逼近

针对频域法构造小波滤波器方法较少、稳定性无法保证、逼近精度不高等问题,基于天牛须搜索算法提出了一种小波滤波器直接频域逼近方法。首先根据小波滤波器电路的基本要求设计逼近有理式,然后加入电路实现所需的稳定性、正实性和初值为零的约束条件,建立小波滤波器逼近的频域优化模型。再以高斯小波和Marr小波为例,使用天牛须搜索算法求解频域逼近的数学模型得到滤波器有理式参数。在时域和频域上分别将该方法和其他频域方法进行对比,仿真和计算结果表明在相同条件下,频域逼近法具有更优的效果,五阶高斯小波和七阶Marr小波的逼近均方误差仅为3.446 8×10~(-4)和7.346 2×10~(-4)。     

具有副本抑制能力的多跳无线网络路由协议

针对多跳无线网络中机会路由的副本传输问题,提出一种新的机会路由协议。提出的策略不再简单采用单跳广播的方式转发数据,而是通过节点间的距离确定转发开销,再让数据包携带下一跳候选节点信息并根据候选节点的ACK选择下一跳节点,从而保证了每个数据包只有一个候选节点进行转发。仿真结果显示,提出的方案能减少不必要的传输行为,有效改善了网络吞吐率。     

自适应小生态遗传算法的理论分析和加速技术

提出了联赛选择和相似个体概率替换的自适应小生态遗传算法，建立了小生态生长的动力学模型．平衡态理论分析和仿其实验表明，概率联赛小生态技术选择能够形成和维持稳定的子种群．提出了种群聚类分割和单纯形搜索的并行局部搜索算于，定性地分析了其搜索性能．对复杂多峰问题的优化结果表明，结合概率联赛选择和并行局部搜索算子的小生态遗传算法不但能够快速可靠地收敛到全局最优解，且能并行地搜索到多个局部最优解，其收敛速度和全局收敛可靠性均显著地优于简单遗传算法和其它小生态方法．     

序的分类预测在进化算法中的应用

昂贵优化问题的求解往往伴随着计算成本灾难, 为了减少目标函数的真实评估次数, 将序预测方法用于进化算法中候选解的选取. 通过分类预测直接得到候选解的相对优劣关系, 避免了对目标函数建立精确代理模型的需求, 并且设计了序样本集约简方法, 以降低序样本集的冗余性, 提高序预测模型的训练效率. 接下来, 将序预测与遗传算法相结合. 序预测辅助遗传算法在昂贵优化测试函数上的仿真实验表明, 序预测方法可有效降低求解昂贵优化问题时的计算成本.     

基于深度帧差卷积神经网络的运动目标检测方法研究

复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络（Deep Difference Convolutional Neural Network,DFDCNN）.DFDCNN由DifferenceNet和AppearanceNet组成,不需要后处理就可以预测分割前景像素.DifferenceNet具有孪生Encoder-Decoder结构,用于学习两个连续帧之间的变化,从输入（t帧和t+1帧）中获取时序信息;AppearanceNet用于从输入（t帧）中提取空间信息,并与时序信息融合;同时,通过多尺度特征图融合和逐步上采样来保留多尺度空间信息,以提高网络对小目标的敏感性.在公开标准数据集CDnet2014和I2R上的实验结果表明：DFDCNN不仅在动态背景、光照变化和阴影存在的复杂场景中具有更好的检测性能,而且在小目标存在的场景中也具有较好的检测效果.     

新能源电厂的可重构高透明度光通信技术

随着新能源技术的迅猛发展,使得数据光通信呈现出一种爆炸式增长态势,因此其安全性、可靠性、管理方式等都成为在电力光通信网管理工作中急需考虑的问题,并需要优化相应的新能源电厂光通信并网的管理方式。本文提出了一种高透明度、可重构性的波长转换方案,并提出了最优驱动条件。通过理论推导、仿真模拟和实验分析,验证了该驱动条件可以使波长转换具有最高转换效率和误比特率性能,同时验证了该波长方案可以动态可控地调整转换波长的频率,对转换信号几乎没有波形损伤等优点。     

计算机教学跨学科人才培养势在必行

跨学科人才培养是适应现代科学技术发展趋势和社会经济发展需要的一种重要的教育理念与模式,其目的是培养具有复合型的知识、能力和素质的创新型人才。我们从三个方面阐述计算机教学跨学科人才培养的必要性。