快速成形激光二极管能量源研究

针对现有激光快速成形系统使用气体激光器存在的缺点,研究使用激光二极管(LD)的新型能量源来代替气体激光器.对LD的光束特性和准直扩束技术进行了分析、研究,并对其聚焦后的焦斑功率密度、成形中的扫描速度等参数进行计算与分析.LD新型能量源寿命长、工作可靠,且体积小易于实现装置小型化,有利于提高成形精度和质量,有利于拓宽成形材料范围.     

翻转课堂在C语言中的教学研究与探索

为了培养软件技术的实践型人才,树立以学生为本的教学理念,文章创新了"C语言程序设计"课程的教学模式,采用了翻转课堂的实践教学模式,改进了现有的教学方法,激励学生主动学习该门课程,提高学生的实践技术能力。     

Oracle数据库与C++Builder的连接方法

讨论了Oracle数据库和客户端开发工具C Builder的连接方法.利用Net8建立了服务器端和客户端的连接.通过SQLLinks专用接口和ODBC通用接口两种方法配置数据库别名.实现了Oracle数据库和客户端开发工具C Builder的连接.     

Oracle数据库辅助数据字典的实现

给出了数据字典的基本定义 ,指出了其意义 ,描述了辅助数据字典的实现 ,给出了实现方法 ,从软件设计的角度给出了实用程序 ,实现了数据字典的功能 ,使数据管理员能方便地了解数据库表的有关结构。     

读写器可移动的RFID高效认证协议

无线射频识别(RFID)对后端数据库的搜索效率低,且读写器的移动性差。针对该问题,基于ElGamal重加密算法,提出一种读写器可离线工作的RFID安全协议,利用GNY逻辑证明该协议的安全性。理论分析结果表明,其能抵抗重传攻击、去同步化攻击、假冒攻击、针对标签的隐私攻击,减少后端数据库的搜索次数,降低Hash计算量,提高执行效率。     

基于空洞卷积的医学图像超分辨率重建算法

为解决现有医学图像超分辨率重建中存在的图像细节模糊、全局信息利用不充分等问题,提出一种基于空洞卷积与改进的混合注意力机制的医学图像超分辨率重建算法。首先,将深度可分离卷积与空洞卷积相结合,使用不同大小的感受野对图像进行不同尺度的特征提取,从而增强特征表达能力;其次,引入边缘通道注意力机制,在提取图像高频特征的同时融合边缘信息,从而提高模型的重建精度;再次,混合L1损失与感知损失函数作为整体损失函数,使重建后的图像效果更符合人类视觉感观。实验结果表明,在放大因子为3时,与基于卷积神经网络的图像超分辨率（SRCNN）算法、VDSR(Very Deep convolutional networks Super-Resolution)相比,所提算法的峰值信噪比（PSNR）平均提高了11.29%与7.85%;结构相似性（SSIM）平均提高了5.25%和2.44%。可见,所提算法能增强医学图像的效果与纹理特征,且对图像整体结构还原更加完整。     

融合残差模块的U-Net肺结节检测算法

为解决现有肺结节检测模型精度低、漏诊率和误诊率高等问题,提出融合残差模块的肺结节检测算法.候选结节检测阶段,提出残差U-Net (residual U-Net,RU Net)分割网络,将改进的残差网络(residual network,ResNet)模块与UNet结构融合,提升模型特征提取能力;加入改进的损失函数解决数据类别不均衡问题,提高检测敏感度.假阳性减少阶段,采用三维卷积神经网络(3D CNN)用于候选结节分类,充分获得结节空间信息,达到降低假阳性的目的.实验结果表明,该算法能够准确并高效地分割和检测肺结节.     

模糊层次分析法在高校教师评价中的应用

针对高校教师评价问题中隐性工作难评价的问题,采用模糊层次分析模型对教师评价问题进行研究。在指标层中划分量化指标和隐性指标两部分。量化指标的计算结合分值和模糊互补判断矩阵,隐性指标则采用模糊互补判断矩阵和调查表。目标层是结合量化指标和隐性指标做出结论,解决了教师隐性工作评估问题。     

跨模态融合的双注意力脑肿瘤分割算法

针对脑肿瘤多模态信息融合不充分以及肿瘤区域细节信息丢失等问题,提出了一种跨模态融合的双注意力脑肿瘤图像分割网络(CFDA-Net).在编码器-解码器的基础结构上,首先在编码器分支采用密集块与大内核注意力并行的新卷积块,可以使全局和局部信息有效融合且可以防止反向传播时梯度消失的问题;其次在编码器的第2、3和4层的左侧加入多模态深度融合模块,有效地利用不同模态间的互补信息;然后在解码器分支使用Shuffle Attention注意力将特征图分组处理后再聚合,其中分组的子特征一分为二地获取空间与通道的重要注意特征.最后使用二进制交叉熵(binary cross entropy, BCE)、Dice Loss与L2 Loss组成新的混合损失函数,缓解了脑肿瘤数据的类别不平衡问题,进一步提升分割性能.在BraTS2019脑肿瘤数据集上的实验结果表明,该模型在整体肿瘤区域、肿瘤核心区域和肿瘤增强区域的平均Dice系数值分别为0.887、0.892和0.815.与其他先进的分割方法 ADHDC-Net、SDS-MSA-Net等相比,该模型在肿瘤核心区域和增强区域具有更好的分割效果.