基于Java EE技术的餐厅信息管理系统的设计与实现

本论文主要针对中小型饭店餐饮管理中出现的一些问题,使用Java EE技术,采用SSH框架,结合Oracle数据库,将其与计算机信息管理系统结合起来,实现把计算机用于餐饮企业管理,可在很大程度上提高管理者分析和决策的科学性,提高经营管职水平,带来更多的顾客,使企业取得更好的经济效益[1]。     

4种系统矩阵的建模方法在ASD-POCS算法中的比较

在ASD-POCS算法中,系统矩阵的建模方法对重建有一定的影响。本文设计并实现了4种系统矩阵建模方法：像素驱动,距离驱动,改进的距离驱动以及射线驱动,比较了它们的建模速度、建模精度以及在ASD-POCS算法中的收敛速度,同时比较了它们在有噪声的情况下对噪声的敏感程度。实验表明：距离驱动的建模速度最快;改进的距离驱动的建模精度最高,射线驱动在ASD-POCS算法中的收敛速度最快。     

基于Chambolle-Pock算法的TV重建方法研究

为实现CT稀疏视角下的投影图像重建,Sidky等设计了基于Chambolle-Pock(CP)算法,论文在此基础上实现了CP算法。仿真实验表明,与传统的滤波反投影算法相比,CP算法不存在伪影,在含噪情况下,CP算法具有较好的性能,可以实现稀疏角度下的高精度图像重建。同时,探讨了平衡因子的选取对重建精度的影响。     

改进ADMM-TV算法重建CT图像

将ADMM算法与TV算法结合,并在原始ADMM-TV算法的基础上进行了改进,提出基于ADMM-TV的改进算法,该改进算法能够在迭代过程中自适应地选取到更优的λ值,从而提高ADMM算法进行稀疏重建的成像质量。最后进行phantom图像的仿真实验,并将原始算法与改进算法在相同实验环境下进行对比,结果表明,改进算法能够实现更好的重建效果,并且能够有效提高图像信噪比,同时具有一定的抗噪能力。     

四种系统矩阵建模方法的比较

构建了像素驱动、距离驱动、改进的距离驱动和射线驱动四种系统矩阵建模方法,并将其运用于ADMM算法,比较了它们的建模速度、建模精度以及收敛速度,同时比较了它们在有噪声的情况下对噪声的敏感程度。实验表明:距离驱动的建模速度最快;改进的距离驱动的建模精度最高,射线驱动在ADMM算法中的收敛速度最快。     

GPU梯度自适应SART图像重建算法

针对SART迭代重建算法所需投影数据量大且迭代时间长的问题,将TV算法引入SART中,动态调节梯度步长来加速算法的收敛性能,实现用少量投影数据重建出高质量的图像。为加快算法的执行速度,将SART-TV算法在GPU上并行加速。用SART算法和SART-TV算法对Shepp-Logan模型重建,仿真实验表明:在采样数据相同的情况下,SART-TV算法较SART算法可以重建出更好的图像,且基于GPU的SART-TV算法的迭代时间明显低于基于CPU的SART-TV算法。     

一种加速ASD-POCS算法

为进一步提高ASD-POCS算法的图像重建速度,对ART部分的收敛因子进行改进,提高该算法的收敛速度,同时将改进的算法在GPU上进行加速以减少算法的迭代时间,并对Shepp-Logan模型进行重建,实验表明:在数据量相同且保证成像质量的前提下,基于GPU加速的改进ASD-POCS算法较基于CPU的ASD-POCS算法运行速度提高了近2倍,达到了加速的目的。