电沉积Ni-W合金镀层的X射线光电子能谱分析

采用X射线光电子能谱（XPS）对电沉积Ni-W合金镀层表面膜进行了分析。研究结果表明，Ni-W合金镀层表面存在一层薄的氧化膜，而钨的氧化作用远大于镍，Ni-W合金镀层中W含量的提高对耐蚀性起决定作用。     

挖掘微阵列数据集中的最大局部保守基因聚类

提出了一种新的基因聚类模型LC-cluster(局部保守基因聚类).其思想来源于当前的bicluster模型和emerging模式,但有着本质的不同.一个基因的表达水平被称为局部保守,如果它只在所有给定条件中的一部分(而非全部)上保持相似的"丰度".一个LC-cluster中的样本可能对应着某种显型,其中的基因是与这种显型密切相关的候选基因.设计了两种有效的基于树的聚类算法FALCONER和E-FALCONER,来挖掘提出的LC-cluster.从多方面分析了该算法的性能,并将其用于真实表达数据集及人造数据集聚类.理论分析和实验结果表明:①算法能有效且高效地发现大量具有生物意义的局部保守基因聚类;②算法性能优于同类的基于穷举树的聚类算法.     

XML实现异构数据库间转换

网络数据库实现技术与传统数据库在设计结构和平台上的差异成为主要障碍,要想集成需要一种合适的数据模型和交换规范.XML是最佳的解决工具,在异构教据集成方面XML提供了相应的功能.     

自适应的有效非局部图像滤波

研究了基于预选择的非局部均值滤波方法,并指出已有方法在提取图像子块特征方面的不足,利用梯度域奇异值分解(SVD) 提出一种自适应的有效非局部滤波方法。该方法对基于预选择的非局部滤波方法的贡献主要有:1)是一种基于图像子块结构特征的鲁棒预选择方法;2)研究了相似集大小与滤波性能的关系;3)相似子块的自动选取;4)提出一种局部自适应的滤波参数选取方法,根据图像局部内容的不同确定滤波参数。此外,利用欧氏距离的对称性进一步提高运行速度。实验结果表明:本文方法滤波后的图像在主客观方面都优于原算法和其他快速方法,且运行速度较快,是一种有效的滤波方法。     

无参数无相关最大化判别边界算法

在人脸识别算法中,无参数局部保持投影(PFLPP)是一种有效的特征提取算法, 但忽略了异类近邻样本在分类中所起的作用,并且对于近邻的处理仅利用样本与总体均值的 距离关系来判断,因此并不能有效地确定近邻关系。基于此,提出一种无参数无相关最大化 判别边界算法,有效地利用了样本的类别信息,定义了无参数同类近邻样本的相似权值与异 类近邻样本的惩罚权值,样本邻域大小可根据类内平均余弦距离和类间余弦距离自适应确定, 为了进一步增强算法的性能,给出了具有不相关性的目标函数。UMIST 和 AR 人脸库上的实 验结果表明,该算法相对于不相关保局投影分析算法和 PFLPP 算法,具有运算量低、识别性 能高的优势。     

天津站交通枢纽后广场工程地下结构防水技术

介绍了天津站交通枢纽后广场地下主体结构采用盖挖逆作法施工对防水设防的要求,详细阐述了采用APF自粘卷材针对不同防水部位分别作满粘法施工和预铺反粘法施工的防水设计和工艺要求.     

完备的无参数近邻保持及最大化非近邻算法

无参数保持投影算法无需参数设置且识别性能稳定,但算法不能有效地保持样本的局部结构,且忽略了非局部样本所起的作用,而且存在着小样本(SSS)问题,为此提出了一种完备的无参数近邻保持及最大化非近邻算法。算法以样本间余弦距离0.5为分界点将样本分成近邻及非近邻样本,为了充分利用近邻样本及非近邻样本,分别构造了近邻散度矩阵及非近邻散度矩阵,因此算法的目标函数就是求取能够最小化近邻散度矩阵的同时,最大化非近邻散度矩阵的投影矩阵。对于目标函数的求解,可先将高维样本通过主成分分析(PCA)算法降至一个低维的子空间,并通过两个定理证明了这种处理方法没有损失任何有效的判别信息;然后将目标函数转换为差形式,从而有效地解决了小样本问题。在人脸库及掌纹库上的实验结果表明,与无参数局部保持投影算法相比,所提算法平均识别率更高,验证了算法的有效性。     

HDPE排水保护板在地下车库种植顶板工程中的应用

介绍了北京武夷花园小区部分地下车库种植顶板构造设计,重点对其中的排水保护板的性能和施工工艺作了详细阐述.     

一种有效融合多尺度特征的图像语义分割方法

卷积神经网络在高级计算机视觉任务中展现出强 大的特征学习能力,已经在图像语义 分割任务 中取得了显著的效果。然而,如何有效地利用多尺度的特征信息一直是个难点。本文提出一 种有效 融合多尺度特征的图像语义分割方法。该方法包含4个基础模块,分别为特征融合模块(feature fusion module,FFM)、空 间信息 模块(spatial information module,SIM)、全局池化模块(global pooling module,GPM)和边界细化模块(boundary refinement module,BRM)。FFM采用了注意力机制和残差结构,以提高 融合多 尺度特征的效率,SIM由卷积和平均池化组成,为模型提供额外的空间细节信息以 辅助定 位对象的边缘信息,GPM提取图像的全局信息,能够显著提高模型的性能,BRM以残差结构为核心,对特征图进行边界细化。本文在全卷积神经网络中添加4个基础模块, 从而有 效地利用多尺度的特征信息。在PASCAL VOC 2012数据集上的实验结 果表明该方法相比全卷积神 经网络的平均交并比提高了8.7%,在同一框架下与其他方法的对比结 果也验证了其性能的有效性。     

MFCC:一种高效的三维频繁闭项集挖掘算法

提出了一种新的三维频繁闭项集挖掘算法MFCC. 算法采用降维的思想,首先将三维数据集切片为若干个二维数据集,并应用适当的二维频繁闭项集挖掘算法进行处理,得出二维频繁闭项集结果;再通过对二维切片上的结果进行相交,并结合有效的削减规则,快速得到所有三维频繁闭项集.算法具有以下的优点:1) 可以根据不同数据集的特点选择最有效的二维频繁闭项集挖掘算法,具有很大的灵活性以及提高效率的潜力;2) 高效的削减规则能够削减掉所有不能产生三维频繁闭项集的分支,从而避免了对结果进行额外的封闭性检验.理论分析及实验表明,MFCC算法的性能优于同类算法.