开拓无线数据的企业用户市场

中国的移动通信事业近几年来得到了长足的发展，目前中国的手机用户数已经跃居世界第一位。中国移动和中国联通两大移动运营商的移动用户数量在2002年底就超过了2亿。移动运营商的主营业务还是以话音为主。但是移动用户的增长，并没有给移动运营商的业务收入带来成比例的增长。究其原因，一方面是移动通信市场的竞争激烈，致使话音业务的价格不断地下降。另一方面，目前增加的移动用户主要是一些低端用户，如储值卡用户。低端用户只能给移动运营商带来量的增长，却不能带来质的增长。移动运营商为这些用户提供移动通     

正确引导小灵通发展

从1998年浙江余杭诞生第一个小灵通用户到2003年北京开通小灵通短短五年,小灵通用户已将近2000万用户,这是世界上独一无二的现象,这也是组织此次论坛的原因和基础。小灵通所采用的技术PHS是20世纪90年代兴起的数字无绳系统中的一种,它踩着政策的边缘,定位于无线市话,以农村包围城市之势,获得快速的发展。小灵通在中国的成功发展说明在我国地域广阔、人口众多、经济发展状况和人民生活水平很不平衡的特殊国情下,蕴藏着相当规模的用户群和市场,他们希望以低廉的价格享用局部移动电话服务,用有限的价格,享受无线的服务。目前小灵通在我国已形…     

疫情防控下基于“互联网+”支撑的高职教师 自主专业发展策略研究

新冠疫情防控对高职院校正常的教学方式造成了冲击和影响,也为高职教师自主专业发展提供了新的契机。 以疫情期间高职教师大规模在线教学实践活动为研究对象,采用行动研究方法,边实践边总结,分析了疫情背景下教师自 主专业发展的影响因素,厘清了教师自主专业发展面临的机遇与挑战,提出了高职教师应不断强化自主发展和网络学习 意识,提升信息素养,在各种政策的支持下,充分利用“互联网+”提供的各类教育教学资源,不断提升专业发展水平。     

基于中心对齐多核学习的稀疏多元逻辑回归算法

稀疏多元逻辑回归(SMLR)作为一种广义的线性模型被广泛地应用于各种多分类任务场景中。SMLR通过将拉普拉斯先验引入多元逻辑回归(MLR)中使其解具有稀疏性,这使得该分类器可以在进行分类的过程中嵌入特征选择。为了使分类器能够解决非线性数据分类的问题,该文通过核技巧对SMLR进行核化扩充后得到了核稀疏多元逻辑回归(KSMLR)。KSMLR能够将非线性特征数据通过核函数映射到高维甚至无穷维的特征空间中,使其特征能够充分地表达并最终能进行有效的分类。此外,该文还利用了基于中心对齐的多核学习算法,通过不同的核函数对数据进行不同维度的映射,并用中心对齐相似度来灵活地选取多核学习权重系数,使得分类器具有更好的泛化能力。实验结果表明,该文提出的基于中心对齐多核学习的稀疏多元逻辑回归算法在分类的准确率指标上都优于目前常规的分类算法。     

准线仪检定规程

在经纬仪、水准仪等光学测仪器的检定规程中,均采用了以准线仪或准光管来对仪器进行调焦运行误差的检定,而到目前为止,国内尚无一个较为完整的准线仪检定规程以使用,为了使对准线仪的检定做到有法枳有,因此,制订一个统一的、可行的,有效的准线仪检定规程非常必要。     

移动运营商 如何应对OTT业务的冲击

面对OTT的冲击,移动运营商的主要收入来源(话音和消息)将继续下滑。但与此同时,OTT也需要调整目前的商业模式,这可能会削弱用户原来对OTT业务的感觉。移动运营商可以利用这一点,迅速决定应采取何种策略来应对OTT。     

结合音质特征和韵律特征的语音情感识别

为了提高语音情感的正确识别率,在情感语音韵律特征的基础上,提出情感语音音质特征的提取.结合音质特征参数和韵律特征参数,采用支持向量机分类器实现汉语普通话生气、高兴、悲伤和惊奇四种主要情感类型语音的情感识别.实验结果表明,语音音质特征参数和韵律特征参数相结合取得的情感平均正确识别率为88.1%,比单独使用韵律特征参数高出6%.可见,语音音质特征是一种较有效的情感特征参数.     

基于图像的线路板线宽测量系统的研制

为测量印刷线路板(PCB)上密集直线的线宽,构建了由CCD摄像机、视频采集卡、照明装置和PC机组成的光机电一体测量系统.该系统首先用矩形框获取包含被测线宽的局部图像,并进行相应的预处理;然后,采用扫描方法获取被测线宽的两边缘点集,进而采用最小二乘拟合、奇异点去除、再次拟合的方法获取两边缘直线方程;最后,利用去奇异点后的两边缘点集和两边缘直线方程计算得到直线的线宽.仿真和真实线宽测量实验结果表明,该系统具有较高的测量效率和精度,其重复测量精度优于2μm,已被多家PCB生产厂采用.     

一种基于Night-YOLOX的低照度目标检测方法

由于在低照度场景下获取的图像具有亮度弱、对比度低、噪声多和细节丢失等特点,使用现有的检测模型对低照度图像进行目标检测会出现定位不准确和分类错误,从而导致最终的检测精度偏低.针对以上现象,本文提出了一种基于Night-YOLOX的低照度目标检测方法 .该方法首先设计了一个低级特征聚集模块（Low-level Feature Gathering Module,LFGM）与主干网络合并.在低照度场景下捕获更多有效的低级特征有利于定位目标,该模块通过聚集浅层特征图中具有判别性的低级特征并送入高级特征图和深层卷积阶段中,以补偿在对低照度图像进行特征提取过程中边缘、轮廓和纹理等低级特征的缺失.然后,设计了一种注意力引导块（Attention Guidance Block,AGB）嵌入检测模型的颈部结构,从而减少低照度图像中噪声干扰的影响,引导检测模型推断出特征图中完整的对象区域范围并提取更多有用的对象特征信息,以提高目标分类的准确性.最后,在真实低照度图像数据集ExDark上进行实验,结果表明所提出的Night-YOLOX相比于其它主流的目标检测方法,在低照度场景下具有更好的检测性能.