基于QT的跨平台网络通信的设计与实现

本文介绍了使用心跳信号来保持网络自动重连的方法,并使用优秀的跨平台QT C＋＋库实现,使得本模型可用于任何操作系统平台下,不仅提高了网络的可靠性,更大大提高了程序移植性.是服务器与客户端之间网络通信的一种良好的解决方案.     

木粉／低密度聚乙烯复合材料的发泡研究

用模压法制备木粉／低密度聚乙烯发泡材料。通过差示量热扫描分析,考察了纯偶氮二甲酰胺(AC)及与 ZnO共混物、纯NaHCO3及与柠檬酸(L)共混物的热分解特性,探讨了发泡剂AC、NaHCO3、柠檬酸、交联剂过氧化二异丙苯等对材料力学性能的影响,并在扫描电镜下观察了材料断面的微观形态。结果表明:采用放热发泡剂和复合发泡剂都能使复合材料密度下降20％左右,发泡后材料的冲击性能为发泡前体系的1．5倍左右;复合发泡剂的发泡效果优于单放热发泡剂的效果。     

无线射频识别技术（RFID）及其在物联网中的应用

随着物联网知识的普及,以及其技术的广泛推广应用,物联网被越来越多的人所关注。本文介绍了物联网及其关键技术RFID,并结合RFID在物联网的实际应用,并对其未来的发展作出了展望。     

基于C#的《面向对象程序设计》教学改革实践与研究——面向项目的OOP课程教学

针对面向对象程序设计课程提出了面向项目的教学方法.文章首先分析了该课程的现状,然后阐述了面向项目的教学设计,重点讨论了教学阶段、教学内容设计、项目安排等问题.为高等院校软件学院的<面向对象程序设计>课程提供了实践依据.     

浅论新形势下高职院校校园文化与企业文化的对接路径

高职院校校园文化和企业文化对接,有利于实现高职院校和企业相互促进.文章通过剖析高职院校与企业文化对接存在的问题,探讨了高职院校校园文化与企业丈化对接的具体路径.     

由传统网络安全向现代安全网络发展的几点思考

网络安全是现代安全工作的重要组成部分之一,相对来说,网络安全非常虚拟化。很多人对网络安全并没有一个直观的感受,而且大部分人认为网络并不是安全的,它不像保险柜那样具体,也不像政策条文那样明确。"棱镜门"事件加深了人们对网络安全的思考,并且开始由传统网络安全向现代安全网络发展。另一方面,过去的保密方法和安全监控方式,也需要得到较大的改变,我们要从内到外的实现现代安全网络,建立一个强大的保障体系和维护体系。     

一种基于SRT-8算法的SIMD浮点除法器的设计与实现

在科学计算、数字信号处理、通信和图像处理等应用中,除法运算是常用的基本操作之一。基于SRT 8除法算法,设计一个SIMD结构的IEEE 754标准浮点除法器,在同一硬件平台上能够实现双精度浮点除法和两个并行的单精度浮点除法。通过优化SRT 8迭代除法结构,提出商选择和余数加法的并行处理,并采用商数字存储技术降低迭代除法的计算延时,提高频率。同时,采用复用策略减少硬件资源开销,节省面积。实验表明,在40nm工艺下,本设计综合cell面积为18601.9681 μm2,运行频率可达2.5GHz,相对传统的SRT 8实现关键延迟减少了23.81%。     

煅烧炉炉头大盖改造

<正> 一、炉头大盖的构造及使用情况蒸汽煅烧炉炉头大盖上有36个φ116的孔,孔内通有36根φ114的蒸汽管,孔与管之间采用填料密封,材料为铜丝石棉盘根。我厂已投产的两台φ2,500×27,000蒸汽煅烧炉使用三个月就发现炉头大盖变形(向外凸),一年后,凸出平面35～40公厘,圆周上用手紧固大盖与炉体法兰的48     

基于多重差异特征网络的街景变化检测

街景变化检测对于自然灾害破坏和城市发展变化的研究起着重要作用.其主要目标是将成对的输入图片中变化的区域标注出来,其实质是二分类的语义分割问题.不同时间拍摄的街景图片可能受到如光线、天气、背景噪声、视角误差等诸多干扰因素的影响,这给传统的变化检测方法带来挑战.针对该问题,提出了一种新的神经网络模型(Multiple Difference Features Network,MDFNet).该模型首先使用孪生网络提取成对输入图片的不同深度特征,并使用差异模块对相同深度特征计算差异,以此有效获得不同尺度的变化信息;然后通过JPU模块融合多重差异特征,在不损失细节信息的情况下提取其深层语义信息;最后使用金字塔池化模块结合全局和局部信息生成二分类的变化检测图像.在PCD数据集上的GSV和TSUNAMI部分分别采用5折交叉验证法对模型进行实验,实验结果表明,MDFNet获得了0.787和0.862的F-score,相比排名第二的DOF-CDNet方法,其值提高了约11.9％和2.9％,同时其能够更精准地分割变化细节.因此,所提模型可以有效应对干扰,对于复杂场景也具备优秀的检测能力.     

基于行列解耦采样的轻量车道线检测模型

随着深度学习的发展,基于深度卷积神经网络的车道线检测模型在自动驾驶系统和高级辅助驾驶系统中得到了广泛的应用.这些模型虽然有较高的精度,但通常计算量大且运行速度慢.为了解决该问题,提出了一种车道线检测任务专用的轻量神经网络模型.首先,提出了一种行列解耦采样的卷积模块,该模块利用图像中车道线区域的行列可分解性对传统的残差卷积模块进行了合理的优化.其次,利用深度可分离卷积技术进一步降低行列解耦采样卷积模块的计算量.此外,还设计了一种金字塔空洞卷积模块来增加模型的感受野.在CULane数据集上的实验的结果表明,文中提出的轻量车道线检测模型与之前最好的SCNN模型相比,浮点计算量降低了95.2％,F1分数提高了1.0％,在保持较高精度的前提下显著降低了车道线检测模型的计算量.