道路照明节能技术研究

主要阐述中间视觉条件下的道路照明节能技术.通过网络化智能化控制,实现灯具的遥测、遥控,提高灯具的自动化管理水平.考虑人眼视觉特性,通过选择绿色节能光源和灯具网络化智能化集中控制,达到道路照明节能目的.     

一种高效的同尺寸长方体的装箱算法

针对应用广泛的同尺寸长方体货品的装箱问题,本文运用分层装载方案,根据货品的长宽高采用三种不同的层高,利用动态规划算法分别计算三种层的最大装载量,再通过背包算法对层进行组合,得出装箱的最优方案。该算法复杂度低,装载方案简单。     

一种基于Impulse C的素域椭圆曲线点乘快速算法

针对大素数域椭圆加密点乘算法进行改进,在标准投影坐标系下分析固定基窗口NAF法,找出了制约此种方法的因素,通过对其基的灵活选用,并且加入滑动窗口,改进固定基窗口NAF法得到点乘运算的快速算法。利用Impulse C语言将改进前后的点乘算法函数进行并行优化编程实现,并将整个点乘运算的C代码生成高效的VHDL代码,利用StageMaster Explore对生成的VHDL代码进行分析。最后使用Xilinx ISE1 2.4对其进行综合仿真,在Xilinx Virtex-5 xc5vfx70t的硬件平台上实现了点乘算法的验证,验证结果表明本文的改进算法有效的提高了点乘运算的速度。     

基于Arduino/Android的蓝牙通信系统设计

针对当今安全监控系统的发展需求,以Arduino开发板和手持Android终端为研究重点,给出了包括Arduino开发板及板端程序,以及手持Android客户端程序的蓝牙通信系统设计方案,其中Arduino开发板端将采集到的温度数据通过蓝牙传送到手持Android客户端,并通过应用程序在手持终端上显示。测试表明,这种蓝牙通信系统能够为安全监控系统提供更加经济和安全的通信方式。     

三层BP神经网络隐层节点数确定方法探究

为探究三层BP神经网络最佳隐层节点数的确定方法,对现有经验公式法、试凑法和奇异值法等隐层节点确定方法与分块有效像素统计值、HOG和傅里叶变换等特征提取方法在2600个手写小写英文字母样本上仿真识别的效果进行对比分析.据此引入公式可信度的概念,并基于加权思想提出了一种新的确定隐层节点数的方法.结合标准正态函数的反函数对新方法权数的确定进行改进,仿真实验验证结果表明该方法测试识别率最高可达96.667%.     

一种高可靠的工业级星载计算机及其引导设计

传统星载计算机通常采用价格昂贵的高质量等级CPU和存储器芯片,用于保证系统的可靠性;因制造成本和研制周期等方面的限制,商业卫星计算机更倾向于采用商业现货器件(COTS),但其可靠性和安全性会随之降低;采用工业级SmartFusion2处理器芯片,提出一种低成本的星载计算机最小系统架构,并通过工业级存储器异构备份的方式,显著提高系统可靠性;在星载计算机软件设计中,应用软件会采用三模冗余的方式提高可靠性,但引导软件往往只有单份;为了避免引导软件的单节点故障效应,针对SmartFusio2星载计算机架构,提出一种基于多TMR副本的片外启动方法,此启动方法可进一步提高工业级星载计算机的可靠性和安全性,并成功用于多个型号商业卫星。     

基于网络的3DGIS可视化研究

自适应可视化大规模复杂的空间数据已成为三维地理信息系统(3DGIS)的研究热点.为了从服务器传输可视化信息到客户端,文中提出了结点——层数据模型来组织三维场景,该三维场景提供了有效的数据管理方式,包括空间索引和渐进传输算法.服务器根据顶点和三角形数目,对场景元素不是提供几个预先计算的细节层次,而是连续分辨率的表达.客户端根据硬件的性能对复杂三维场景自适应多分辨率可视化,满足多用户并发访问的要求.实验证明,文中的方法能有效地解决大规模复杂空间数据模型的快速可视化.     

联邦学习通信开销研究综述

为了解决数据共享需求与隐私保护要求之间不可调和的矛盾,联邦学习应运而生.联邦学习作为一种分布式机器学习,其中的参与方与中央服务器之间需要不断交换大量模型参数,而这造成了较大通信开销;同时,联邦学习越来越多地部署在通信带宽有限、电量有限的移动设备上,而有限的网络带宽和激增的客户端数量会使通信瓶颈加剧.针对联邦学习的通信瓶...     

基于级联加性噪声模型的因果结构学习算法

现有级联非线性加性噪声模型可解决隐藏中间变量的因果方向推断问题,然而对于包含隐变量和级联传递因果关系的因果网络学习存在全局结构搜索、等价类无法识别等问题。设计一种面向非时序观测数据的两阶段因果结构学习算法,第一阶段根据观测数据变量间的条件独立性,构建基本的因果网络骨架,第二阶段基于级联非线性加性噪声模型,通过比较骨架中每个相邻因果对在不同因果方向假设下的边缘似然度进行因果方向推断。实验结果表明,该算法在虚拟因果结构数据集的不同隐变量数量、平均入度、结构维度、样本数量下均表现突出,且在真实因果结构数据集中的F1值相比主流因果结构学习算法平均提升了51%,具有更高的准确率和更强的鲁棒性。     

基于时序隐变量模型的因果关系发现算法

为在基于隐变量模型的因果关系发现算法中综合考虑隐变量之间的瞬时性和延时性因果效应,构建以动态贝叶斯网络为基础的时序隐变量模型,提出对应的因果关系发现算法。使用因子分析的方法估计测量模型中的因子载荷矩阵,应用结构向量自回归模型估计自回归矩阵,利用数据的非高斯性依次学习模型中隐变量之间的瞬时效应矩阵与延时效应矩阵,构建时序隐变量模型的因果网络结构。实验结果验证了算法的有效性。