基于微信平台的孕幼健康问题设计与实现

针对孕幼人群设计了基于微信平台的移动学习系统,根据微信公众号的特点实现了微信平台自动答疑和内容推送功能。该系统的开发模式选用B/S架构模式,选择Django框架作为开发框架。该系统能够为用户提供快捷方便的自动答疑服务,根据用户需求智能回复;内容推送功能利用协同过滤与基于内容的推荐算法组合的个性化推荐算法实现,解决用户面对海量的信息内容引起的信息过载问题,定时合理推送用户感兴趣的内容。实验结果表明,该算法推荐精度明显高于传统推荐算法,以微信公众号为载体的学习系统贴合大众利用网络信息获取知识的习惯和阅读方式,也提高了微信平台的综合效用。     

弱纹理环境双目视觉稠密视差鲁棒估计方法

精确稠密视差估计是立体视觉系统恢复观测场景三维信息的关键。从立体视觉在机器人环境感知的实际应用角度出发,提出了对于弱纹理、阴影和遮挡等关键影响因素,具有良好鲁棒性、精度和处理速度的稠密视差图估计算法。针对弱纹理、阴影和深度不连续的问题,设计了基于灰度相似度概率的置信度传播算法,结合视差平滑约束,以期实现较高精度的视差初值快速估计。由视差级数定义的消息向量通过异向平行迭代进行传播,消息向量包含表征像素点灰度相似性和平滑性的能量信息,通过全局能量函数的迭代收敛,快速获得视差初始估计。根据独立连通区域通常具有相似纹理特征和视差一致性的先验知识,提出了基于Mean-Shift聚类分割算法和参数空间投票自适应视差近似面估计算法,进行稠密视差的精细优化估计。利用具有不同弱纹理特征的5组标准测试图像、4组室内环境实际图像、4组室外环境实际图像和4组月面模拟特殊光照环境的实际环境图像进行了测试实验,实验结果表明了本文算法的良好鲁棒性和有效性。     

数据预处理对LSTM网络大气污染预测精度分析

大气污染物浓度数据具有时序性和非线性的特点,针对时间序列数据中的异常值和缺失值问题,进行异常值和缺失值预处理对长短时记忆神经网络(LSTM)预测精度的影响分析.利用箱线图法判别数据序列中的异常值,以均值替换法、回归插补法和多重插补法进行缺失值的预处理,分别利用原始数据序列和不同预处理方法得到的数据序列,对多变量输入LSTM神经网络的大气污染物预测精度进行对比分析.实验结果表明,三种预处理方法均可明显改善LSTM模型的预测精度,多重插补法精度最高.     

基于Spring Boot的云端数据监控管理与可视化应用系统

为了实现对存储在云端空气质量数据的管理与实时可视化展示,构建了一个基于Spring Boot的云端数据监控与可视化系统.系统为B/S架构,采用Spring Boot框架搭建后端微服务实例,使系统的配置与监控变得简单.Vue.js框架实现前端页面开发.使用Axios插件封装的Ajax技术来实现数据交互,实现前后端连接与逻辑交互同时,减少服务器开销与响应.本系统通过云端数据库可以查询到11种空气成分信息,包括：PM_1.0、PM_2.5、PM₁₀、CO、CO₂、NO、NO₂、O₃、SO₂、甲醛、TVOC,除此之外还监测包括温度、湿度、风速、坐标,时间等其他相关属性.实现了数据监控下载、报警管理、百度地图可视化多个功能.程序将部署在阿里云端,方便用户远程访问web项目.其中Spring Boot框架与Vue的结合实现了系统的前后端分离,使系统具有良好的稳定性、实时性与高效性.