侧围外板成形工艺分析及改进

针对某侧围外板进行模具结构优化，通过对门槛、C柱及尾灯口区域的缺陷进行分析，在设计与调试环节提出相应的改进措施，解决了成形侧围外板的缺陷问题，提高了成形质量，最终提升了企业的市场竞争力。     

用μCLinux开发嵌入式应用

μCLinux以其出色的性能在嵌入式系统中得到了广泛的应用.本文针对μCLinux的特性、μCLinux与标准Linux的区别、软硬件开发平台的构建进行了探讨.并给出了一个基于局域网的μCLinux的开发模式.     

基于趋势点状态模型的时间序列预测算法

针对传统的时间序列线性预测算法对时间序列的线性程度要求高,而非线性方法一般建模复杂且计算量大,提出了一种基于趋势点状态模型的时间序列预测算法.该算法无须考虑时间序列是否具有显著线性特征,通过序列间耦合度挖掘时间序列上的相似子序列,找出相对应的相似序列趋势点,建立趋势点状态模型并求出预测值.算法建模简单,复杂度较低.通过模拟实验,结果表明该算法性能良好,尤其对具有周期性的时间序列预测精度很高.     

基于CNN-LSTM的活动识别方法

在识别活动时,传统的循环神经网络RNN识别方法不考虑传感器活动数据之间依赖性强的问题,导致识别准确率降低。为了提高识别准确率,解决活动数据依赖性强的问题,用长短期记忆网络LSTM进行活动识别,LSTM在考虑当前点输入的同时考虑先前点的输出,能够保持数据之间的强依赖性。但是,LSTM在处理传感器活动数据的特征提取方面时间效率不高,而卷积神经网络CNN能共享卷积核,且可以从杂乱无章的数据中提取出明显特征向量。提出一种基于CNN-LSTM的活动识别方法CLAR,利用CNN能够很好地提取出活动序列数据中的特征向量,并将提取出的特征向量作为LSTM的输入,利用LSTM门限之间的相互作用进行活动识别,使得依赖性很强的活动数据成为活动识别的优势,进而提高活动识别的准确率和时间效率。实验表明,CLAR方法的识别准确率比单一神经网络活动识别方法的准确率提高了9%,时间平均缩短了10%。     

关系数据库性能优化研究

效率是数据库开发中经常遇到的问题，数据库性能的优劣将直接关系到软件的运行效率。为了提高数据库产品的性能，对影响关系数据库性能的一些主要因素进行了阐述。结合实际给出了数据库性能优化的一些建议并用实验数据证明之。分析和比较了不同设计方案可能对数据库性能的影响，提出了目前关于数据库性能优化的问题是没有通用方案的观点。     

网络工程专业创新性实践课程体系构建与实施

为提升大学生的创新能力,培养创新人才,高等教育要坚持走以质量提升为核心、以提高实践能力为重点的内涵式发展道路。文章通过分析和研究网络工程专业的实践课程体系的构建,提出以培养目标为驱动,构建实践课程教学体系,以创新能力培养为核心,完善实践课程教学机制的观点,提出通过打造实践课程教学团队、立体化建设实验平台、按目标分解的单元模块化教学等具体的实施措施来完成实践课程教学目标的方法。     

基于云理论的煤矿安全监测数据关联规则挖掘

本文主要研究如何运用关联规则来评价巷道瓦斯危险源的风险程度,作为分析煤矿事故危险源的补充.文章在云模型的基础上,针对煤矿安全监测数据的特点,提出一种基于云理论的属性空间软划分模型,然后在此基础上对Apriori算法进行了改进,提出适用于对煤矿安全监测数据进行关联规则挖掘的算法.最后通过实例测试,验证了改进算法的有效性.     

数据挖掘系统结构的研究

介绍了典型的数据挖掘体系结构,然后分析其中存在的一些不足和主要问题.针对这些问题,主要选定存储数据挖掘结果的方向进行研究,提出了改进的数据挖掘体系结构,并对它的特点进行了分析.这种新结构为数据挖掘结果的共享及数据挖掘效率的提高提供了一种新的途径.     

整合SSL协议的Java RMI的研究与设计

Java RMI机制是分布式技术的一种理想解决方案,其目标是使得网络中任意节点上的应用都可以透明的访问存在于网络上的其它节点上的远程对象.但是默认的RMI机制并不提供认证和加密传输,其安全机制还存在一定隐患.介绍了JavaRMI机制的运行机理,详细阐述了整合SSL协议的Java RMI的方案,设计了整合SSL协议的安全RMI接口,并通过实例的设计与运行,验证了其可行性.     

多视图对比增强的异质图结构学习方法

异质图神经网络作为一种异质图表示学习的方法,可以有效地抽取异质图中的复杂结构与语义信息,在节点分类和连接预测任务上取得了优异的表现,为知识图谱的表示与分析提供了有力的支撑.现有的异质图由于存在一定的噪声交互或缺失部分交互,导致异质图神经网络在节点聚合、更新时融入错误的邻域特征信息,从而影响模型的整体性能.为解决该问题,提出了多视图对比增强的异质图结构学习模型.该模型首先利用元路径保持异质图中的语义信息,并通过计算每条元路径下节点之间特征相似度生成相似度图,将其与元路径图融合,实现对图结构的优化.通过将相似度图与元路径图作为不同视图进行多视图对比,实现无监督信息的情况下优化图结构,摆脱对监督信号的依赖.最后,为解决神经网络模型在训练初期学习能力不足、生成的图结构中往往存在错误交互的问题,设计了一个渐进式的图结构融合方法.通过将元路径图和相似度图递增地加权相加,改变图结构融合过程中相似度图所占的比例,在抑制了因模型学习能力弱引入过多的错误交互的同时,达到了用相似度图中的交互抑制原有干扰交互或补全缺失交互的目的,实现了对异质图结构的优化.选择节点分类与节点聚类作为图结构学习的验证任务,在4种...