基于直接交交变换技术的单相有源滤波器分析

应用逆变技术的传统有源滤波器需要采用电解电容器组进行储能,具有体积大、价格高且可靠性低等缺点。针对这一问题,文中研究了一种无需直流储能单元的单相交交型有源滤波器。介绍了基于偶次谐波调制技术的无功和谐波综合补偿原理,采用傅里叶级数法和数据拟合方法得到了占空比中各偶次调制项与补偿电流中各奇次分量之间的频率、数量对应关系。针对偶次调制波耦合控制的问题,提出了一种解耦调制策略,使得系统补偿精度和稳定性提高,设计了单相综合补偿方案,仿真和实验结果验证了理论分析的正确性和所提方案的可行性。     

基于Spark Streaming的视频大数据并行处理方法

视频设备被广泛应用于公共区域、智能交通和工业生产等许多领域,其产生的视频数据具有体量巨大、速度极快、价值稀疏和完全非结构化等大数据典型特征。为了进一步提高视频大数据的处理性能,提出了一种基于Spark Streaming的视频大数据并行处理方法,设计了基于Spark Streaming的视频大数据并行处理框架,针对帧间无关分析算法和帧间相关分析算法分别给出了并行化策略,前者利用数据并行机制将去冗余后的视频帧映射到不同节点并行处理,后者利用流水线并行机制将分析算法的各个算子根据依赖关系映射到不同节点并行处理;结合实际应用对并行处理框架和并行化策略进行了评价,设计了电梯乘客数并行检测算法和电梯门异常并行检测算法,当节点数增加到16个时,电梯乘客数检测算法的性能加速比为615%,电梯门异常检测的性能加速比为253%。     

基于游程特征的选票符号识别方法

选票符号识别是基于图像理解的计票系统的关键技术,为提高选票符号识别的正确率,提出了一种基于游程特征的选票符号识别方法。首先给出了选票符号游程特征的定义,构建了选票符号的游程判定模型;然后利用三叉树结构描述了游程区域之间的相对位置关系;此外,通过游程区域的合并实现了噪声环境下主游程区域的提取,并对歧义符号的处理方法进行了研究;最后,实验结果表明,游程特征能够准确描述选票符号的几何特征,所给出的算法细分能力强,识别正确率高,比基于模板匹配的算法的正确率提高了6.07%。     

基于功能需求的软件产品族构件化设计研究

以软件产品族为背景,以改善软件开发的效率和效果为目标,对面向软件产品族的软件开发与定制过程进行了研究;提出一种根据基于功能需求的功能相关性量化准则,根据软件系统功能元之间的相关程度从不相关到紧密依次分为5个等级,依次定义量化值为:0.1,0.3,0.5,0.7和0.9,进而对功能元两两之间的相关性根据功能相关性量化准则构建相关性矩阵,并运用聚类算法获得构件划分结果,实现构件提取;并分析了软件产品族构件化集成配置机制,提出了基于功能构件-业务构件映射机制的框架结构;最后结合证书管理信息系统进行实例分析.     

具备隐形协商空间的服务连续双向拍卖策略研究

针对Web服务市场化交易中,买卖双方单一报价交易成功率低的难点,提出了具备隐形协商空间的服务连续双向拍卖策略,定义了由交易双方的成本、报价形成的买卖方报价协商空间,根据不同的服务供需环境,对议价采用不同的快速协商模式。模拟实验表明,该策略提高了服务交易成功率,又使得服务交易双方由传统单一固定的收益转变为根据市场环境获得区间内可变的收益,客观上有利于指导服务双方根据市场变化调整服务报价。     

一种基于XML的自组织运算灾害评估模型研究

笔者在灾害评估的研究背景下提出了一种基于XML的自组织运算灾害评估模型，利用XML来对评估模型进行描述，通过对运算类和数据查询类的命名定义来实现模型在评估运算和数据采集上的可扩展性．模型能够筛选和提取海量灾害数据并通过对计算过程的控制，实现对灾害的定量评估，同时结合评估指标库实现对灾害的定性评估．最后给出了模型系统的结构层次，对模型系统进行了实现并阐述了模型的生成和解析机制．     

非结构化表格文档数据抽取与组织模型研究

针对现有文档数据抽取方法无法抽取多值属性且灵活性不高的问题,提出了一种面向非结构化表格文档的数据抽取方法与组织模型.在分析文档结构特征和数据流特征的基础上,定义了数据流生成基本规则,给出了一个基于规则的数据抽取流程,包括逻辑结构抽取、文档预处理、数据抽取和数据组织等主要步骤,设计实现了单值区域与多值区域数据抽取算法;从文档中抽取的数据被组织成适合于MapReduce分析的结构化数据模型,该模型能够为大数据分析提供模型支持.实验结果表明：该抽取方法具有较高的准确率与召回率,数据组织模型也能够有效地支持大数据分析.     

MSPoint：基于多尺度分布分数的点云去噪网络

激光扫描仪等设备直接收集到的原始点云通常会受到噪声的影响，这会影响后续的处理，如三维重建、语义分割等，因此点云去噪算法尤为重要。现有的点云去噪网络大多以噪声点与干净点的距离作为目标函数进行迭代训练，这可能导致点云聚集与异常值。针对以上问题，提出一种基于多尺度点云分布分数（即点云对数概率函数的梯度）的新型去噪网络multiscale score point(MSPoint)。MSPoint网络主要由两部分组成：特征提取模块和位移预测模块。在特征提取模块中输入点云的邻域，通过对数据添加多尺度噪声扰动加强MSPoint的抗噪性能，使提取到的特征具有更强的表达能力。位移预测模块根据分数估计单元预测的分数迭代学习噪声点的位移。在公开数据集上的实验结果表明，相比现有的方法，MSPoint有着更好的去噪效果以及更强的鲁棒性。