用TMS320C25与PC机构成的并行计算机系统

ＴＭＳ３２０Ｃ２５是一种高性能数字信号处理器。本文介绍了一种用ＴＭＳ３２０Ｃ２５与ＰＣ机构成的主从结构并行计算机系统。该系统的特点是将ＴＭＳ３２０Ｃ２５高速数字信号处理系统作为ＰＣ机的插件板，直接插入ＰＣ机的扩展槽中，利用双口ＲＡＭ实现ＴＭＳ３２０Ｃ２５与ＰＣ机之间的相互通讯。它能适用于高速数字信号处理、图形／图像处理、语音处理等。文中详细论述了系统的工作原理、硬年龄件结构，包括总体设计、接口设计     

一种高性能数字信号处理器TMS320C25

ＴＭＳ３２０Ｃ２５是一种高性能数字信号处理器。本文将介绍ＴＭＳ３２０Ｃ２５的内部结构、存储器组织、系统组成及应用。     

基于时空轨迹的移动对象汇聚模式挖掘算法

移动对象的聚集模式是时空轨迹模式挖掘中的重要课题,它研究移动对象群体在多个连续时刻中的空间聚集问题。现有的聚集模式基于共现模式进行定义,挖掘结果中夹杂大量非运动的聚集群体,严重影响模式挖掘的效果。为了解决此问题,本文提出了基于群体运动过程建模的汇聚模式。该模式定义从群体运动形态出发进行设计,准确识别向心运动的移动群体,有效排除非聚集类型运动群体的干扰。本文设计并实现了汇聚模式挖掘（Converging pattern mining,CPM）算法,该算法首先定位密度峰值点,确定候选的汇聚中心区域,然后依次识别每个时刻的汇聚群体,按照群体汇聚的持续性要求识别汇聚模式。基于真实轨迹数据进行实验,结果验证了本文提出的CPM算法在挖掘效果和算法效率的有效性。     

一种基于线面包含关系的GML空间聚类算法

针对目前大多数空间聚类算法主要是针对关系数据且没有考虑空间拓扑关系相似性的问题,对基于空间拓扑关系的空间聚类方法进行研究.提出了一种基于线面包含关系的GML(geography markup language)空间聚类算法SCGML-LRI(spatial clustering in GML data based on line region inclusion relations).算法将GML文档中线面空间对象的包含关系作为空间对象相似性度量准则,并用CLOPE算法对空间对象进行聚类.实验结果表明:算法SCGML-LRI能实现GML数据的空间聚类,并具有较高的效率.     

一种处理混合型属性的无监督异常入侵检测方法

针对目前入侵检测技术训练时处理类别型数据能力欠缺、误报率高的问题,提出一种处理混合型属性的无监督异常入侵检测方法,定义了类别型属性各取值之间的差异度,使得在对训练集进行无监督学习、生成检测模型过程中,能够同时有效地处理数值型属性和类别型属性．理论分析表明所定义的类别型属性值差异度既保留了类别型属性各取值之间的本质特征．同时也没有改变数据集的原始维数．实验中采用了网络入侵检测数据集KDD-CUP-99来训练模型．实验结果表明,采用的混合型属性处理方法进行聚类所建立的入侵检测模型,与现有方法相比,检测率高．     

面向垂直划分数据库的隐私保护分布式聚类算法

针对垂直划分的分布式数据库提出了一种基于隐私保护的分布式聚类算法PPDC-VP,该算法基于K-Means的思想实现分布式聚类,并且聚类过程中应用扰乱技术保护本站点真实信息不被传送到其它站点,从而达到隐私保护的目的.理论分析和实验结果表明PPDC-VP算法是有效的.     

多媒体CAI课件的创作方法

CAI是计算机辅助教学(Computer Aided Instructon)的简称,是一种利用计算机进行辅助教学的崭新教学方式。它以计算机为媒介,通过计算机与学生之间的交互作用达到教学目的。CAI的兴起是在教育领域中实施信息革命最具代表性的     

WAP证券交易系统中间件结构及安全性策略

WAP(Wireless Application Protocal)技术应用于证券交易时．要保证证券交易能正常进行,必须解决信息传输的迅速有效与安全性问题．利用中间件技术实现多营业部资源共享．通过专用中间件使各营业部均能开展移动证券交易．而股民却不需改变其操作,实现其操作的一致性．对集中式交易的券商．信息采用轮转法使中间件负载均衡,对非集中式交易的券商,根据券商标志进行信息转发到相应的中间件,并采取密文传送方法成功解决了WAP证券交易软件的安全有效性问题．     

基于深度学习的视频异常检测研究综述

视频异常检测涉及概率统计、机器学习和深度学习等方法.文中旨在综合作者课题组研究成果和其它前沿科研工作,聚焦于基于深度学习的视频异常检测方法,全面探讨该领域的背景、挑战与解决方案.综合领域内的大多数相关论文,对其进行系统分析,以期为学者提供现阶段研究进展的基础认知.对基于深度学习的视频异常检测方法进行分类、分析,总结各类方法的网络模型选择,详细介绍常用数据集和性能评价指标,以性能对比突显各类方法的优势,并对视频异常检测领域的未来研究方向和应用场景进行深入探讨和展望.     

基于时空依赖关系和特征融合的弱监督视频异常检测

弱监督视频异常检测由于抗干扰性强、数据标注要求低,成为视频异常事件检测研究的热点。在现有的工作中,大多数弱监督视频异常检测方法认为各个视频段独立同分布,单独判断每个视频段是否异常,忽略了视频段间的时空依赖关系。为此,提出了一种基于时空依赖关系和特征融合的弱监督视频异常检测方法,在保留视频段原始特征的同时,使用视频段之间的索引距离和特征相似程度拟合视频段的时间和空间依赖关系,构建视频段的关系特征。通过融合原始特征和关系特征,更好地表达视频的动态特性和时序关系。在UCF-Crime和ShanghaiTech两个基准数据集上进行了大量实验,实验结果表明所提方法的AUC指标优于其他方法,AUC值分别达到了80.1%和94.6%。