操作系统多任务应用模式实验开发

多个任务的并发执行是计算机操作系统的一个主要特征．为了满足Windows下分时多任务,或实时多任务应用系统的开发,给出通过C程序设计对操作系统中多任务并发执行设计模式开发,提出Windows下利用时钟中断方式进行多任务并发执行的方法。该模式实现系统内多任务在宏观上的“同时”运行,解决Windows环境下用户应用开发自己的分时,或实时多任务应用系统的一般方法和结构。     

单任务操作系统下的多任务内核

介绍编制多任务内核的方法,并借助Ｃ语言可调用ＤＯＳ中断的功能,以ＴｕｒｂｏＣ２．０为偏译工具,在ｄｏｓ系统下开发一个支持真正的、按时间片划分的多任务内核。     

实时多任务操作系统的开发与应用

介绍了适用于实时嵌入式系统的操作系统软件———IR-OS的开发及其在智能脱扣器系统中的应用。IR-OS采用了微内核结构设计,基于抢占式优先级调度,内核代码简洁,并提供良好的开发接口。将IR-OS作为实时嵌入式系统的开发和运行平台,不但克服了传统顺序结构设计所带来的代码结构复杂、可移植性差和功能扩展不方便的缺点,而且具有更好的实时性、稳定性和可靠性。     

微机多任务操作系统评述

近年来在微型机上出现了许多种多任务操作系统。这些系统各具特色,功能不同,应用领域也不同。本文对这些操作系统做了分类,并对其中主要的四种做了评述。评述的内容包括存储管理、多任务能力、用户接口、工作速度、兼容性和数据集成等六个方面。在结论部分指出每种多任务操作系统的主要特点和应用范围,可供读者选用操作系统时参考。     

多任务并发在试题库管理系统中的应用

提出了在具有较高要求的试题库管理系统中,采用多任务并发的设计思想,同时介绍了在并发系统实现中主要问题的实现方法。     

简析IRMX实时多任务操作系统

第一部分引言一个计算机系统可以分成单 CPU 系统,多 CPU 系统和网络系统,就单 CPU 系统来说,可分为单任务方式和多任务方式。单任务方式即对任务的处理顺序完成的;多任务方式即多个任务可以同时并行执行,同时共享一个 CPU。有许多操作系统可以满足多任务的处理要求。如 UNIX,OS/2,RMX 等都是属于多任务操作系统,对于多任务操作系统,又可分成分时多任     

实现多任务系统的方法

多任务系统可分为串行多任务系统和并行多任务系统,串行多任务系统可以用连续顺序执行和按时间表间隙执行两种方法来实现。并行多任务系统实现的基本条件是中断,但是这对于复杂的并行多任务系统来说实现起来就比较困难,一般根据要求可用直接中断服务、中断标志、修改中断返回指针等方法来实现。     

多任务与微机操作系统的发展

本文对多任务的实现与微机操作系统的发展做了较为详细的研究，重点叙述了ＤＯＳ、Ｗｉｎｄｏｗｓ３．ｘ、Ｗｉｎｄｏｗｓ９５与ＷｉｎｄｏｗｓＮＴ操作系统下多任务的实现方式。     

Multitask Bregman clustering

Traditional clustering methods deal with a single clustering task on a single data set. In some newly emerging applications, multiple similar clustering tasks are involved simultaneously. In this case, we not only desire a partition for each task, but also want to discover the relationship among clusters of different tasks. It is also expected that utilizing the relationship among tasks can improve the individual performance of each task. In this paper, we propose general approaches to extend a wide family of traditional clustering models/algorithms to multitask settings. We first generally formulate the multitask clustering as minimizing a loss function composed of a within-task loss and a task regularization. Then based on the general Bregman divergences, the within-task loss is defined as the average Bregman divergence from a data sample to its cluster centroid. And two types of task regularizations are proposed to encourage coherence among clustering results of tasks. Afterwards, we further provide a probabilistic interpretation to the proposed formulations from a viewpoint of joint density estimation. Finally, we propose alternate procedures to solve the induced optimization problems. In such procedures, the clustering models and the relationship among clusters of different tasks are updated alternately, and the two phases boost each other. Empirical results on several real data sets validate the effectiveness of the proposed approaches.     

一种支持多任务桌面环境的嵌入式系统解决方案

无论是在个人消费电子,还是在车载娱乐系统中,对支持多任务的嵌入式桌面环境的需求越来越迫切。友好的多任务支持为用户提供易用、方便的操作体验。一个健壮的嵌入式生态系统不仅要为用户的日常应用提供基本的桌面功能和应用,还要为开发者提供为该系统编写应用所需的工具和文档。通过守护线程和知名管道机制实现支持多任务的嵌入式桌面系统,并介绍了交互平台开发包的搭建。     

一种实时系统中的多任务可预测调度算法

通过研究实时系统中可能出现的任务类型,提出了一种实时系统任务模型和基于这个模型的多任务调度算法,分析了该算法下所有周期任务和非周期任务可调度的条件。该算法结合了DMS(Dcadlinc Monotonic Scheduling)和DD(Deadline Driven)算法,在保证系统中周期任务执行的前提下,也使非周期任务获得了,较好的响应时间。     

基于实时多任务操作系统的动力翼伞系统设计

为了确保动力翼伞控制器的多功能实现及其系统稳定运行，设计了一种基于实时操作系统μC/OS-III的动力翼伞控制系统。系统基于Cortex-M4内核的微控制器STM32F407IGT6和Cortex-M3内核的微控制器STM32F103VCT6硬件平台，采用μC/OS-III系统实现了飞行模式选择、GPS采集、控制量计算、地面站交互、舵机位置采集、横向控制、纵向控制和系统信息读写等任务。详细介绍了系统总体构成以及软硬件实现方法。实验表明，采用μC/OS-III对动力翼伞系统进行实时多任务管理，可以最大化利用CPU资源，提高系统的运行效率，增强系统的稳定性和实时性。     

嵌入式多任务操作系统中的任务间通信策略

简要介绍了一种嵌入式操作系统DeltaOS及嵌入式图形用户界面DeltaGUI的结构和特点,并着重分析了在DeltaOS中任务间通信的可靠方法。     

嵌入式Forth操作系统多任务空间复用算法

针对现有嵌入式Forth操作系统多任务空间无法复用且多任务管理仅支持任务创建的问题,提出一种基于Forth虚拟机架构的嵌入式操作系统多任务空间复用算法。将任务控制块作为空闲任务映像分区链表头结点,利用任务控制块中的链接地址变量维护系统删除的后台任务映像,且仅需修改一个用户变量指针即可实现任务映像空间的回收和重分配。实验结果表明,该算法在保证Forth系统稳定及其固有特性的同时,提高了Forth系统内存资源利用率,适用于资源有限的嵌入式环境。     

嵌入式多任务操作系统中的任务间通信策略

简要介绍了一种嵌入式操作系统DeltaOS及嵌入式图形用户界面DeltaGUI的结构和特点,并着重分析了在DeltaOS中任务间通信的可靠方法。     

Multitask dictionary learning and sparse representation based single-image super-resolution reconstruction

Recent researches have shown that the sparse representation based technology can lead to state of art super-resolution image reconstruction (SRIR) result. It relies on the idea that the low-resolution (LR) image patches can be regarded as down sampled version of high-resolution (HR) images, whose patches are assumed to have a sparser presentation with respect to a dictionary of prototype patches. In order to avoid a large training patches database and obtain more accurate recovery of HR images, in this paper we introduce the concept of examples-aided redundant dictionary learning into the single-image super-resolution reconstruction, and propose a multiple dictionaries learning scheme inspired by multitask learning. Compact redundant dictionaries are learned from samples classified by K-means clustering in order to provide each sample a more appropriate dictionary for image reconstruction. Compared with the available SRIR methods, the proposed method has the following characteristics: (1) introducing the example patches-aided dictionary learning in the sparse representation based SRIR, in order to reduce the intensive computation complexity brought by enormous dictionary, (2) using the multitask learning and prior from HR image examples to reconstruct similar HR images to obtain better reconstruction result and (3) adopting the offline dictionaries learning and online reconstruction, making a rapid reconstruction possible. Some experiments are taken on testing the proposed method on some natural images, and the results show that a small set of randomly chosen raw patches from training images and small number of atoms can produce good reconstruction result. Both the visual result and the numerical guidelines prove its superiority to some start-of-art SRIR methods.     

基于不同平台的后台通信程序的设计

串行通信是一种应用非常广泛的通信方式,在计算机应用中极其重要。但要实现可靠的串行通信, 特别是后台通信,又非常困难。本文针对ＤＯＳ和Ｗｉｎｄｏｗｓ两种平台,给出了后台通信程序的设计 技巧和调试方法     

基于级联多任务深度学习的卡口识别引擎研究

针对在将卡口非结构化视频图像数据转化为智能结构化信息的过程中存在环境的复杂性、需求的多样性、任务的关联性和识别的实时性等问题,提出了一种级联多任务深度学习网络的卡口识别引擎方法,其通过充分利用分割、检测、识别等任务之间的相互联系实现了高精度的、高效的、同步实时的卡口车辆多种基本信息的识别(车型、品牌、车系、车身颜色以及车牌等识别任务)。首先,利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从卡口道路复杂背景中提取出感兴趣区域(包括多车辆对象);然后,利用多任务深度学习网络对提取出来的车辆对象实现多层次的多任务识别。实验结果表明,提出的方法在识别精度和效率上都明显优于传统计算机视觉方法和现有的基于深度学习的识别引擎技术,该方法对车型、品牌、车系及车牌的识别与检测精度均达到98%以上,检测效率提升了1.6倍。