基于Spider卷积的三维点云分类与分割网络

针对传统的卷积神经网络（CNN）不能直接处理点云数据，需先将点云数据转换为多视图或者体素化网格，导致过程复杂且点云识别精度低的问题，提出一种新型的点云分类与分割网络Linked-Spider CNN。首先，在Spider CNN基础上通过增加Spider卷积层数以获取点云深层次特征；其次，引入残差网络的思想在每层Spider卷积增加短连接构成残差块；然后，将每层残差块的输出特征进行拼接融合形成点云特征；最后，使用三层全连接层对点云特征进行分类或者利用多层卷积层对点云特征进行分割。在ModelNet40和ShapeNet Parts数据集上将所提网络与PointNet、PointNet++和Spider CNN等网络进行对比实验，实验结果表明，所提网络可以提高点云的分类精度和分割效果，说明该网络具有更快的收敛速度和更强的鲁棒性。     

基于异构分布式系统的实时容错调度算法

目前文献中研究的实时容错调度算法都是基于同构分布式系统，系统中的所有处理机完全相同。该文首先建立了一个基于异构分布式系统实时容错调度模型，异构分布式系统中的各个处理机均不相同。基于该异构分布式系统模型，该文引入了可靠性代价（reliability cost）概念，并提出两种静态实时容错调度算法（RTFTNO和RTFTRC）用于调度周期性实时容错任务。算法RTFTRC在调度任务时，尽量使系统的可靠性代价最小；而算法RTFTNO在调度实时任务时，没有考虑系统的可靠性代价。该文详细讨论了两种调度算法的性能。性能模拟实验分别比较了两个算法的可靠性代价，超时比率和可调度性；并研究了任务的计算时间与可靠性代价的关系以及调度长度阈值与最小处理机个数的关系。实验结果表明，算法RTFTRC的性能优于算法RTFTNO。     

浅谈企业标准化生产及YD/T799-2010标准对蓄电池制造与使用的指导作用

本文概述了标准化生产的意义,介绍了YD/T799-2010标准的修订情况,讨论了该标准在当前环保整治政策下及通信运营商飞速发展背景下对蓄电池的制造与使用的指导意义。     

保密专业课程设置及教材选用

保密专业是一门多学科交叉的新兴专业。文章根据广泛调研和论证的结果,结合本校专业人才培养的定位和要求,对保密专业的课程设置和教材选用提出一些建议和方案。     

双头镜像磁盘的实时调度算法及性能评价

本文对双头镜像磁盘系统模型进行实时扩展,并提出了三种实时调度算法：最早截止期优先算法（ＥＤＦ）,可满足的最早截止期优先算法（Ｆ－ＥＤＦ）和忽视超时限请求算法（ＩＧＭ－ＥＤＦ）．这三种算法充分考虑了Ｉ／Ｏ请求的截止期限,使双头镜像磁盘系统能更好地满足实时需求．在进行了性能模拟后,发现实时调度算法比非实时算法能更好地满足实时Ｉ／Ｏ请求的时限要求．三种实时调度算法中,适用于硬实时应用的ＩＧＭ－ＥＤＦ的性能最好,Ｆ－ＥＤＦ算法的性能次之,它适用于软实时环境．     

纳米银/ds-DNA/聚（3,4-乙烯基二氧噻吩）复合膜修饰电极的制备及应用于过氧化氢无酶传感器

在室温水相中,通过电化学方法在玻碳电极上先聚合了聚（3, 4-乙烯基二氧）噻吩（PEDOT）,然后又电沉积了双链DNA（ds-DNA）和银纳米粒子（Nano-Ag）,制备了Nano-Ag/ds-DNA/PEDOT复合膜修饰玻碳电极（GCE）。对该复合膜进行了表征,并研究了该复合膜修饰电极的电化学行为以及对过氧化氢（H2O2）的电催化还原。结果显示,施加工作电位为-0.3 V时,修饰电极对H2O2有着很好的电催化还原能力,达到稳态电流的响应时间小于5 s。因此,该修饰电极可作为无酶传感器用于对H2O2的快速检测。传感器的催化还原电流与H2O2浓度在10 μM-16 mM范围内呈现良好的线性关系,检出限为2.36 μM（S/N=3）。     

基于RGI的浮空器任务规划问题研究

侦察任务规划是浮空器军事应用中的重要问题,对于最大化满足侦察任务需求、提高浮空器资源利用率具有重要作用。针对浮空器侦察系统的任务规划问题,考虑任务需求约束、载荷约束等条件下,构建了浮空器连续侦察监视的混合整数规划模型,并采用贪婪随机插入(RGI)算法对模型进行了求解。该算法结合了贪婪算法和模拟退火算法的设计思想,既保留了一定贪婪特征又提高了跳出局部最优解的能力。最后通过一个多浮空器多目标的仿真实例验证了算法的有效性。     

B／S模式服务器集群系统的研究与应用

传统三层B／S模式Web应用系统在Web服务器和数据库服务器连接时,存在瓶颈问题。本文基于此问题给出了一种基于Web集群和数据库集群的负载均衡系统。试验结果表明该系统能较好的满足要求。     

异构数据库文件的转换

利用Ｄｅｌｐｈｉ提供的数据库应用支撑功能实现异构数据库自动转换的原理和方法。     

电力大数据下的短期电力负荷预测

电力产业是国民工业系统中重要的产业。在电网运行管理中,对于负荷预测具有非常重要的作用。更加准确的电力负荷预测可以为电网的安全稳定运行、实时进行电网负荷的调度提供了重要依据。特别是在经济方面,精确的电力负荷预测可以优化发、用电电网调度计划,合理调度和分配资源,从而起到使社会效益、经济效益最大化的作用。然而随着中国经济的飞速发展,对电力的需求不断增长,电力负荷本身受诸多因素以及政策影响比如日期、天气、气候、市场等其他因素,这些因素更大大加大了准确进行电力负荷预测的困难性。一直以来,人们一直都致力于提高电力负荷预测的准确性,人工神经网络算法具有泛化、学习能力强等优点,现在该算法已在电力负荷预测领域中得到了广泛应用,并且取得了良好的效果。近年来,人工神经网络领域取得重大突破,涌现出一个新的深度学习研究领域。文章就是基于最新发展的人工神经网络算法,结合实际地区电网数据研究了短期电力负荷预测的相关问题。