一种基于PID反馈控制的分时调度算法

近年来,在实时操作系统的研究中,已开始将反馈控制融人操作系统的任务调度,将这一想法与分时操作系统相结合,提出一种基于PID反馈控制的分时调度算法,它能根据任务对CPU带宽的个性化需求,并考虑开放的分时系统中CPU占用率的不确定动态变化特性,动态地分配CPU带宽,使CPU对任务集的处理效果始终处于最佳状态,性能分析实验结果表明,它不仅兼容传统的分时调度架构,还具有良好的动态、静态特性及鲁棒性,且引入的调度费用较低。     

MHNA:一种基于分子化服务的家庭网络体系结构模型

将分子化合思想与家庭网络相结合,提出了一种基于分子化服务的家庭网络体系结构模型MHNA。基于MHNA家庭网络体系结构模型,可以改变今天家电的简单物理互联为复杂逻辑互联,直至发生微粒度服务的组合“爆炸”,大大提升现有家电的功能效益。服务分子化后,在跨子网交互过程中会遇到一系列的新问题,文章阐述MHNA模型中对这些问题的解决方法。     

Java程序设计课程中混合教学模式的探讨

Java程序设计是计算机及相关专业的一门重要课程,传统的以教师为主导的教学模式难以激发学生的学习兴趣。本文提出一种结合翻转课堂、同伴教学和项目驱动的混合教学模式,并在北方工业大学Java程序设计课程的教学过程中应用,取得了良好的教学效果。     

基于纹理的三维书籍模型单侧页面提取方法

模型分割在实际工程中有重要的应用价值。针对三维书籍模型的点云分割,提出了 一种基于纹理的单侧书籍页面提取方法。对于获取的三维书籍模型以及散乱纹理图像,首先将模 型的散乱纹理转化为有序纹理,将像素值从RGB 空间转换到HSI 空间,根据H(色调)和I(亮度) 去掉模型背景点云;然后根据书脊线像素在有序纹理图像中的分布特性,计算纹理图像中的书脊 线,再利用最小二乘法拟合出书脊线的三维空间方程,进而求出分割左右页面的空间平面,最终 完成单侧页面的提取。实验结果表明,该方法针对三维书籍模型能够快速稳定地提取出单侧页面, 具有较高的准确性。     

基于Hopfield神经网络的板形预测控制模型

将Hopfield神经网络建模方法与预测控制思想相结合用于带钢板形自动控制,建立了基于Hopfield神经网络的板形的模型算法预测控制系统数学模型。模型经仿真验证表明能较好地跟踪目标值,并具有较强的抗干扰能力。     

基于逆向工程的扭曲文档图像恢复

为解决扭曲文本图片光学字符识别率低的问题,提出基于逆向工程的文档图像扭曲恢复算法。用三维扫描仪采集书本三维模型,运用OpenGL库打开obj文件,依次进行基于书籍平面的正向投影和基于离散点坐标值的拉伸校正,对由厚度造成的书籍文字的扭曲现象进行校正,产生展平书页的逆向效果。实验结果表明,该算法可有效提高OCR识别率。     

基于有界双调和权的人体局部网格变形方法

为了提高三维人体模型运动过程中的局部变形质量,提出了一种有界双调和权重 与双四元数混合蒙皮相结合的人体局部网格变形方法。首先将三维人体局部模型进行四面体化; 然后设置模型的骨骼控制单元;接下来通过拉普拉斯能量和最小化,并结合权重设置的边界约 束条件,计算各骨骼控制单元对人体局部模型内各顶点运动形变的有界双调和权;最后将三维 人体局部模型的各网格端点与骨骼控制单元混合绑定,并将各骨骼控制单元的运动参数转换为 双四元数,在双四元数运算空间结合有界双调和权,计算基于骨骼控制单元驱动的三维局部模 型的运动形变,从而完成运动状态下双四元数与有界双调和权相结合的混合蒙皮。实验表明, 该方法能使三维人体局部模型在运动时有较为平滑、自然的变形效果。     

文档图像二值化算法VFCM

为了提高基于拍摄方式的文档图像的二值化效果,降低光学字符识别(optical character recognition,OCR)系统的文字识别错误率,提出了一种全局阈值与局部阈值相结合的二值化算法-VFCM.该算法使用最大方差比方法产生全局阈值,使用FCM(Fuzzy C-Means)聚类方法产生局部阈值.这两种方法的结合能够较好地保留字符的笔画细节,并能有效地消除伪影.实验结果表明,该算法可以取得比较好的二值化效果,并能带来OCR系统识别率的有效提高.     

基于文本域分割和文本行检测的扭曲文档图像校正

针对由照相机拍摄的文档图像可能存在倾斜或扭曲变形而导致光学字符识别(OCR)软件不能正确识别的情况,图像的校正处理方法研究变得越来越有必要.文中,首先采用文本域分割将文本分割为多个连通域,每个连通域包含一个字,标记出连通域的上、下、左、右边界,通过这些边界的联系检测出文本行;其次根据文本行首个连通域检测出校正基准线;最后根据校正基线和垂直位移距离分别对文字进行位移而得到校正后的图像,从而可以被光学字符识别软件识别.     

基于ShuffleNet的运动迁移网络研究

介绍了一种基于ShuffleNet的运动迁移方法。该方法利用ShuffleNet作为静态编码器进行人体模型静态特征提取。ShuffleNet是一种轻量级卷积神经网络架构，其特点是通过在通道维度上进行信息混洗以减少参数量和计算量，从而实现高效的图像分类和目标检测。模型生成后采用逆向运动学进行足部轨迹纠正。实验结果证明，该方法能够有效地计算出具有良好视觉效果的运动模型。