带以太网接口的GSM无线数据传输系统设计与实现

较为全面地介绍了当前远程监控系统的应用现状,并对现有传输系统的特点进行了分析和研究。在此基础上,提出了适用于远程监控系统的、基于GSM的无线数据传输系统的总体架构及设计方案,详细介绍了带有以太网接口的、基于GSM的无线数据传输系统的硬件电路与软件设计与实现方法。该系统适用于各种远程监测监控系统,对提高远程监控的数据传输效率和降低监控系统的运营成本具有重要意义。     

无线传感器网络中d-Hop 2-连通容错支配集的分布式构造算法

无线传感器网络随节点移动组成自我维持的自组织系统,采用连通支配集的虚拟骨干技术可使平面网络系统层次化而简化节点路由、管理和维护。但大规模无线传感器网络的连通支配集节点数目依然庞大,d-hop连通支配集可以大大减小支配集节点数目。另外,由于存在节点失效、链路断裂等无线特性,虚拟骨干网需要具备一定的容错性。在单位圆盘图网络模型中为构建精简且具有容错能力的虚拟骨干网,提出d-hop 2-连通支配集的分布式构造算法,先构造d-hop独立支配集后再连通形成d-hop 2-连通支配集。并从理论和仿真上对算法的复杂度、近似比和算法性能作了进一步探讨和验证。     

计算机专业CAD课程的深化实践

在现行的社会技术人才的高度需求下,CAD课程的教学任务更显得意义重大。探讨如何提高教学效率．培养学生的技术应用能力、职业实践能力和创新能力,缩短计算机专业学生cAI）技术应用与单位需求的差距而进行相应的有效实用教学。     

Visual Basic 6.0动态数据报表设计

论述了采用SQL语言、数据环境和Excel表格实现动态数据报表设计的几种方法和技巧,它们对解决类似问题具有普遍的借鉴意义和价值。     

稀疏差分网络和多监督哈希用于高效图像检索

针对基于深度哈希的图像检索中卷积神经网络（CNN）特征提取效率较低和特征相关性利用不充分的问题,提出一种融合稀疏差分网络和多监督哈希的新方法SDNMSH（sparse difference networks and multi-supervised hashing）,并将其用于高效图像检索。SDNMSH以成对的图像作为训练输入,通过精心设计的稀疏差分卷积神经网络和一个监督哈希函数来指导哈希码学习。稀疏差分卷积神经网络由稀疏差分卷积层和普通卷积层组成。稀疏差分卷积层能够快速提取丰富的特征信息,从而实现整个网络的高效特征提取。同时,为了更加充分地利用语义信息和特征的成对相关性,以促进网络提取的特征信息能够更加有效地转换为具有区分性的哈希码、进而实现SDNMSH的高效图像检索,采用一种多监督哈希（MSH）函数,并为此设计了一个目标函数。在MNIST、CIFAR-10和NUS-WIDE三个广泛使用的数据集上进行了大量的对比实验,实验结果表明,与其他先进的深度哈希方法相比,SDNMSH取得了较好的检索性能。     

多民族地区水电开发“六位一体”征地移民工作协调机制

乌弄龙、里底水电站地处云南多民族地区,建管局创新建设征地移民安置工作方式,实践中把地方政府、项目业主、移民综合设计、移民综合监理、工程施工单位及地方百姓纳入协调工作机制,创建"六位一体"移民工作协调机制,建成移民和谐稳定的"多民族地区窗口"工程。里底水电站移民安置工作已通过验收,社会稳定。     

古黄河宿迁段水生态现状及生态评价

通过2019年春、夏、秋、冬4次对古黄河宿迁段的水生态调查和评价来了解该河段面临的生态环境问题.通过Shannon-Wiener多样性指数评价,判断浮游植物、浮游动物、着生藻类和底栖动物污染水平.     

妫水河入官厅水库水污染成因及减排措施评估

为保障妫水河入官厅水库入流水质达标,分析水质成因,分步制订水质改善措施。采用MIKE21耦合植物作用的Ecolab生态水质模型,对妫水河下游入官厅水库断面至东大桥断面、支流三里河水域进行模拟。通过对丰水期和枯水期监测数据及模拟结果进行分析,流域上游来流水量及水质、区间污染源及河流湿地等自净作用是影响官厅水库入流水质的主要原因,其中:妫水河入流污染负荷对水库入流水质贡献率最大,丰枯水期氨氮、总磷和总氮的贡献率分别为18.32%～45.76%、9.31%～31.17%和29.34%～67.56%;区间入河污染源氨氮、总磷和总氮削减率分别为19.41%、31.31%和24.94%;丰枯水期河道自净对氨氮、总磷和总氮削减率分别为44.85%～61.29%、51.40%～77.92%和8.40%～23.06%。为改善官厅水库入流水质,在流经城市区的妫水河下游及三里河修建了河流湿地公园,对区域污染源进行截污,使得入库水质可达到Ⅲ类水。为长远确保官厅水库的水质,控制来流水质和加强流域治理是关键,同时营造岸带湿地,对水质改善有积极的作用。研究结果及方法可为水库污染防治及负荷量削减提供理论依据。     

众筹项目推荐:面向隐式反馈的深度学习协同过滤

目前,在推荐系统研究中,用户的隐式反馈,以及极度稀疏的数据,已成为影响协同过滤推荐效果的主要问题.针对这一现象,本文提出了深度学习协同过滤算法,先利用卷积神经网络,对用户-项目矩阵的隐层特征进行学习,再结合协同过滤,对用户-项目的交互信息进行建模,并将两种特征融合预测推荐列表.以众筹平台的数据为实验对象,比较模型中各参数对推荐效果的影响,并设计与基线方法的对比实验.实验结果表明:均匀采集负反馈,并在一定卷积层数的网络中,数据稀疏度越高,效果越好;对比基线方法,本文提出的算法在公开数据集(Yahoo!Movie)上取得了最好的推荐结果.本文提出的算法有助于提高众筹平台的融资成功率,同时也丰富了推荐系统的研究体系.