面向农业特定领域软件体系结构适应性模式的研究与设计*

面向农业领域软件体系结构适应性模式支持农业领域应用的领域分析模型、领域设计模型以及农业领域应用系统的生成,并表现出对农业领域变化能提供良好的自动性支持,体现所谓高层感知性、适应性和自动性。为支持这种软件开发过程模型,提出一种资源-规则-分析模型,并给出一个虚拟机架构的支撑体系。作为一个实例,在开源开发环境下对小麦生长模拟与管理决策支持系统原型进行开发和运用。     

一种WSN中的三层多维事件协作检测算法

提出了一种适用于无线传感器网络的三层多维事件协作检测算法。传感器节点通过计算均值向量序列的相似度发现异常,并通过投票机制确认事件发生。簇头节点根据边界向量序列的相似度,利用改进的K均值聚类算法对多维事件数据进行分类和合并。汇聚节点利用事件属性数据的概率分布,匹配检测出事件的类型。理论分析和仿真试验的结果表明:与传统集中式的事件检测算法相比,该算法能在噪声干扰下提高对多维事件的检测精度,降低算法的通信量和计算复杂度,延长网络的生存时间。     

一种双权重参数的RFID防碰撞Q值算法研究

标签防碰撞算法是RFID技术研究的热点,也是高强度、大规模应用的关键。在研究了EPC-C1G2标准防碰撞机制中推荐的Q值调整算法的特点后,针对其不足,提出了一种双参数的Q值调整算法——ODWQA,详细阐述了算法的思想、运算流程和关键参数确定方法。在ODWQA算法中,将单一的调整参数c分解为两个权重参数c1和c2,分别对应着碰撞和空闲两种情况,用来调控碰撞时隙和空闲时隙的个数。接着通过实验分析,确定了在不同Q值条件下权重参数c1和c2的最优取值。最后对ODWQA算法进行了仿真测试,结果表明,该算法能够有效减少碰撞时隙的个数,增大系统的吞吐率,降低标签的识别时延。     

工艺语言汉英自动翻译系统研究与开发

分析了国内外机器翻译的研究现状 ,针对工艺语言的特点 ,提出了一种综合的自动翻译方法 ,把基于规则的机器翻译 (RBMT)和基于模板的机器翻译 (PBMT)集成起来 ,取两者之所长 ,进行工艺语言的汉英自动翻译 ,并在实际工程中得到了应用 ,取得很好的效果     

利用半自动化方式创建MES领域本体的框架研究

在研究了MES领域知识和汉语处理特点的基础上,提出了一种利用半自动化方式,由领域专家和软件系统相结合,通过交互迭代来创建MES领域本体的方法,并提出了MES领域本体半自动创建系统框架,同时给出了MESOnto系统各部分的算法和工作原理,最后利用该系统提取了一个领域本体作为示例对系统进行了验证.     

层次式本体模型的领域分析与设计方法的研究

本体是研究客观事物的系统化表达,即研究主观认识与客观存在之间的关系。在知识工程中,主要研究如何描述知识更加准确,使其更加贴近知识的本来面目。本文提出层次式本体模型,按照知识的通用程度,将本体划分为建模元数据层、顶层本体层和子领域本体层,各层的元素之间具有清晰的、明确的语义关系,从而具有更加丰富和强大的知识表达和建模能力。在领域工程中,层次式本体模型可以用于领域知识建模,并在领域分析和领域设计之间建立规则联系。本文以MES领域为背景,应用上述方法作研究。     

词袋模型在蛋白质亚细胞定位预测中的应用

运用词袋模型结合传统的蛋白质特征提取算法提取蛋白质序列特征,采用K-means算法构建字典,计算获得蛋白质序列的词袋特征,最终将提取的特征值送入SVM多类分类器,对数据集中蛋白质的亚细胞位置进行预测,在一定程度上提高了亚细胞定位预测的准确率。     

基于双空闲因子的RFID防碰撞算法研究

为进一步提高标签的识别速度,在研究了几种典型的DFSA算法基础上,提出了一种双空闲因子参数的RFID防碰撞算法—DIFP,详细阐述了算法的思想、运算流程和关键参数的确定方法。DIFP算法不仅可以通过时隙预览、检测和消除空闲时隙,最大限度减少空闲时隙的开销,同时根据空闲率,对帧中的碰撞时隙立即进行相应处理,避免读写器对标签的多次操作,提高标签的识别速度。仿真结果表明,与标准QA算法相比,DIFP算法识别时延缩短了19%,识别速度提高了10%。     

Hadoop平台中MapReduce调度算法研究

MapReduce是一种新型的并行计算框架,在计算速度,容错性,可靠性等方面具有优势,因此得到了广泛的商业应用与科学研究。而调度算法作为MapReduce的核心组成部分,它的优劣成为了直接影响MapReduce性能的关键因素,因而得到了很大的关注。在介绍和分析MapReduce并行计算模型的基础上,介绍了几种相关的模型改进,并基于Hadoop平台,重点研究了MapReduce的常用调度算法及改进算法。通过对比分析,就MapReduce未来的发展进行了进一步的探讨,为其调度算法的改进提供有效的方法。     

多尺度U网络实现番茄叶部病斑分割与识别

随着深度学习技术的迅速发展,卷积神经网络成为研究植物叶部病害识别与病斑分割的主流方法.针对番茄叶部病斑大小不一、形状不规则、病斑分割需要大量像素级标记等问题,文中提出一种多尺度U网络,以同时实现番茄叶部病斑分割与病害识别.在病害特征提取阶段采用多尺度残差模块组合不同尺寸的感受野来提取病害特征,以适应病斑大小和形状的动态变化.引入CB模块(Classifier and Bridge)将病害特征提取阶段与病斑分割阶段连接,对病害特征进行分类,并根据分类结果反向映射出特定类的激活图,此激活图包含特定类别病斑的关键信息.在分割阶段采用上采样与卷积相结合的方法对特定类的激活图进行反卷积,利用跳跃连接方式将反卷积特征与低层特征融合,以补充更多的图像细节信息,获取病斑分割的灰度图.为了使分割的病斑定位更加精确,利用少量像素级标记,对每个像素点采用二分类交叉熵损失函数进行监督训练,同时更好地引导特征提取网络关注病斑部位.利用原始测试集与模拟噪声和光照强度的干扰测试集分别验证模型的病斑分割与病害分类性能.在原始测试样本集上多尺度U网络的平均像素准确率、平均交并比和频权交并比分别达到了86.15％,75.25％和90.27％;在降低30％亮度和添加椒盐噪声的干扰测试集上,模型的识别准确率分别为95.10％和99.20％.实验结果表明,所提方法可以实现番茄叶部病斑分割与识别效果的共同提升.