定型拼装木模在小高层洋房施工中的应用

传统木模的支模方式本身具有局限性,施工成形质量及实测实量成绩不尽如人意。为此,依托实际项目案例,阐述了定型拼装木模的施工工艺与操作要点,分析了实施效益,为类似多层、小高层、高层等建筑工程施工提供参考。     

基于局部复杂度和初级视觉特征的自底向上注意信息提取算法

借鉴心理学中有关视觉注意的研究成果,提出了一种新的自底向上的注意信息提取算法.自底向上的注意信息由图像中每个点对应区域的显著性构成,区域的尺度自适应于局部特征的复杂度.新的显著性度量标准综合考虑了局部复杂度、统计不相似和初级视觉特征这3个方面的特性.显著区域在特征空间和尺度空间中同时显著.获取的自底向上的注意信息具有旋转、平移、比例缩放不变性和一定的抗噪能力.以该算法为核心,构建了一个注意模型,将其应用于多幅自然图像的实验证明了算法的有效性.     

全局保持的流形学习算法对比研究

全局保持的流形学习算法主要是基于保持高维观测空间和内在低维流形的全局几何特性。详细比较了全局保持的典型流形学习算法的特点及其相互之间的联系,标明了它们的优点与缺陷。实验说明这些方法发现的内在维数和内在低维流形的差异。最后提出了一些新的流形学习研究方向。     

基于多层结构的短信息应用系统研究与实现

为促进复杂网络计算环境信息交换的准确性和高效性,提出了基于多层网络结构模型的解决方法.应用该方法在面向银行短信业务系统方案中,提出了主动服务与被动服务概念,进而实现了短信业务及其系统管理功能设计,并基于XML规范交易报文的消息交换,实现了关键网络通信功能算法.通过该系统的可靠运行,表明了基于多层结构设计的短信应用系统已成为银行复杂信息系统集成的灵活、重要组成部分.     

神经网络的层次化学习机制探讨

研究人工神经网络的信息处理机制是模拟人脑功能要解决的一个重要问题,在信息几何框架下,该机制可以通过研究信息系统的几何结构来讨论.本文提出了一种简化的模拟人类思维层次的层次化神经系统模型,并利用基于信息几何的神经场学习理论解释了不同层次的神经系统通过前馈和反馈连接进行动态交互作用的逼近学习机制,进而从整体宏观的角度对人脑学习机理以及概念形成给出了一个数学上的描述.     

基于推荐机制的网格资源匹配算法研究

针对网格计算环境下,参与计算用户和计算资源规模日益庞大,用户申请资源过程中所需的资源匹配过程逐步复杂化和大规模化,提出了一种基于推荐机制的网格资源匹配算法.以往的网格计算资源的匹配和调度算法需要在调度计算时遍历所有网格资源,而改进的基于SVD(奇异值分解)的协同过滤算法考虑了用户行为相关性和资源使用频度的相关性,通过用户对资源项的使用历史记录建立用户对资源的满意度评分体系,利用推荐机制给出用户推荐资源集以到达资源匹配的效果.从一个新的角度给出了解决大量资源匹配的方法.     

利用多尺度分析和编组的基于目标的注意计算模型

模拟生物视觉感知提出一种基于目标的注意计算模型,主要用到两个关键技术:多尺度分析和编组.用于多尺度分析的微分算子从原始图像中提取重要边缘,随后源于格式塔知觉组织规则的轮廓编组过程将边缘组织成感知目标.注意焦点按照各目标显著程度递减的顺序在目标间转移,目标显著程度由边缘重要性、区域对比度和轮廓闭合性共同决定.该模型考虑了目标的独立性和完整性,因此比基于空间的注意有更高的检测精度.多尺度分析为轮廓编组提供了候选边缘,从而提高了编组的效率.对多类自然图像的实验验证了该模型计算上的高效性和生物学上的合理性.     

沉积TiB2薄膜的电极真空绝缘性能实验研究

利用由一定结构的球面（阴极）－平板（阳极）组成的真空间隙,模拟特种电真空器件中电极间的微放电过程。用离子束辅助沉积（IBAD）法,在阴极球面上沉积出高结合强度的晶化TiB2薄膜。实验证明：在高达1000℃的温度下,相比不锈钢材料,薄膜表面几乎不被氧化;在单次脉冲高压作用下和经受数百次高能微粒子轰击后,仍呈现出弱放电特征,既提高了耐压能力,又降低了脉冲电源的动态负载。     

实现人工神经网络知识增殖能力的一种方法

具有知识增殖能力的神经学习系统是人工神经网络发展的一个重要方向,备受研究人员的关注．传统上对神经学习系统知识的增殖或重用研究偏重于对个体网络的改造,根据知识积累和继承的思想,引入自治神经网络(autonomous artificial neural network,AANN)的理念,以此作为构造知识可增殖神经学习系统的基础,利用群体网络的方法成功解决了神经学习系统的拓展和知识增殖问题．AANN和一般神经网络的区别在于其自治能力,采用AANN模块构造的神经学习系统,具有知识增殖能力,其可靠性、可拓展性和灵活性都得到提高．实验结果表明,该方法构造的群体网络系统可有效继承其模块所学习的知识．     

基于卷积神经网络的正则化方法

正则化方法是逆问题求解中经常使用的方法.准确的正则化模型在逆问题求解中具有重要作用.对于不同类型的图像和图像的不同区域,正则化方法的能量约束形式应当不同,但传统的L1,L2正则化方法均基于单一先验假设,对所有图像使用同一能量约束形式.针对传统正则化模型中单一先验假设的缺陷,提出了基于卷积神经网络的正则化方法,并将其应用于图像复原问题.该方法的创新之处在于将图像复原看作一个分类问题,利用卷积神经网络对图像子块的特征进行提取和分类,然后针对不同特征区域采用不同的先验形式进行正则化约束,使正则化方法不再局限于单一的先验假设.实验表明基于卷积神经网络的正则化方法的图像复原结果优于传统的单一先验假设模型.