物联网技术在军事领域中的应用

为了进一步满足当今信息化战争中高精确性、高可靠性和高实时性的战场信息需要,文中通过分析物联网的概念,研究了物联网的定义、本质和特征。阐述了物联网的基本构架,展望了物联网在军事领域的典型应用,最后提出了对于军队物联网建设的几点思考。     

基于嵌入式Linux网路监控系统的设计

随着微处理器技术、计算机网络技术的进步,基于嵌入式Web的网络视频监控系统逐渐得到了人们的广泛关注。文章重点研究一种基于Web技术和嵌入式技术相结合的远程监控系统的设计方案,详细分析它的系统结构。在嵌入式Linux操作系统下使用boa作为Web服务器,通过编写CGI程序实现用户使用标准Web浏览器通过服务器站点进行对远程设备的在线访问、控制和管理的过程。     

实时汽车控制系统面向方面建模

在控制系统监控、系统先进控制和优化控制等实时控制系统中,随着数据量的增大,把卖时数据库整合到这些系统中是一种发展趋势。以汽车控制系统为例,运用ACCORD方法对该控制系统中的实时数据库建模。     

一种基于层次的无线传感器网络非均匀分簇路由协议

针对无线传感器网络中由于多跳通信方式导致的"热区"问题,本文提出一种基于层次的非均匀分簇路由协议。本协议先根据节点到达汇聚节点的距离对网络划分层次,然后在每个层次中通过基于权值的竞选方式产生簇头,在权值的选择上综合考虑了节点剩余能量和位置,最后构建多跳传输路由负责簇内和簇间的数据转发。仿真实验表明,本协议能有效地均衡网络负载和延长网络生命周期。     

基于JEE平台的公告通知管理系统的设计与实现

介绍企事业单位公告通知管理系统的开发。本系统基于JEE平台,使用JSP、Servlet、JavaBean技术实现,其功能主要是用户身份验证和公告通知管理。整个系统采用MVC设计模式,模型层采用JavaBean实现,视图层使用JSP实现,控制层采用Servlet实现。本系统的应用将有助于企事业单位管理水平的提高。     

医疗信息系统数据备份与恢复的研讨

医疗信息是病程记录、病例还原的重要载体,它记载了医疗行为的过程,便于查询和检索统计,保障医疗信息完整性、正确性和可用性显得至关重要,探讨了医疗信息的备份和恢复。     

不同浊度下的泥沙对水体镉、铅、砷去除的影响分析

针对流域突发性重金属污染,不同浊度下的泥沙对重金属有一定的去除效果。以浊度为指示指标,通过试验研究了常温(25 ℃)和低温(5 ℃)条件下浊度50～650 NTU(Nephelometric Turbidity Unit)范围内泥沙对重金属镉、铅、砷吸附去除的影响。试验结果表明:泥沙对重金属镉、铅、砷的去除效果为铅＞镉＞砷,其中铅的去除率达到99%。浊度与能处理达标的最高重金属浓度呈线性关系,常温下浊度与能处理达标的最高镉、铅、砷浓度关系曲线的相关系数分别为0.996、0.998、0.999,低温下其相关系数分别为0.999、0.996、0.998。常温较低温更利于泥沙对重金属镉、铅、砷的去除,能去除更高浓度的重金属,达到生活饮用水卫生标准。     

苏州市景观水体表观污染类型识别及特征指标筛选

为解决表观污染成因的问题,以苏州市区河网为主要研究对象,采集796个数据样本,对景观水体的表观污染类型进行划分界定,并通过对数据样本的统计分析,探究水体表观污染类型和水质指标之间的关系。结果表明:氧化还原电位、溶解氧、叶绿素a、高锰酸盐指数和浊度对不同污染类型的水体具有很好的区分度,可作为主要特征指标;景观水体可分为有机主导型、无机主导型、营养主导型和混合型4种表观污染类型;不同表观污染水体判别的优先次序为有机主导型、无机主导型、营养主导型、混合型。     

一种鲁棒性的少样本学习方法

少样本学习是目前机器学习研究领域的一个热点,它能在少量的标记样本中学习到较好的分类模型.但是,在噪声的不确定环境中,传统的少样本学习模型泛化能力弱.针对这一问题,提出一种鲁棒性的少样本学习方法RFSL(Robust Few-Shot Learning).首先,使用核密度估计(Kernel Density Estimation,KDE)和图像滤波(Image Filtering)方法在训练集中加入不同的随机噪声,形成多个不同噪声下的训练集,并分别生成支持集和查询集.其次,利用关系网络的关系模块通过训练集端到端地学习多个基分类器.最后,采用投票的方式对各基分类器的最末Sigmoid层非线性分类结果进行融合.实验结果表明,RFSL模型可促进小样本学习快速收敛,同时,与R-Net以及其他主流少样本学习方法相比,RFSL具有更高的分类准确率,更强的鲁棒性.     

基于BP神经网络的光伏阵列温度预测

针对现有太阳能光伏阵列仿真实验中因采用环境温度代替光伏组件温度而导致的光伏阵列建模不正确问题,指出应在光伏电池仿真模型中区分环境温度和组件的实际工作温度;分析了光伏组件温度与环境温度和输出功率的关系,给出了一种基于BP神经网络的光伏阵列组件温度预测方法,并将预测结果与实测结果进行比较,得出结论:该方法可有效预测光伏阵列组件温度,且采用前一天数据和前三天数据都有较好的预测效果,因此实际应用时可采用前一天的数据来预测当天的组件温度。