机械结构对称性实例设计知识挖掘方法研究

针对机械结构对称性实例中存在着大量的设计知识,利用多维模糊数据挖掘的方法从结构对称性实例中挖掘了设计知识,用以指导结构对称性在机械产品结构设计中的科学应用。提出了根据设计需求结合隶属函数特征对实例数据库中待挖掘的数据模糊化处理,借助关联规则挖掘方法 Apriori算法对预处理后的数据库进行了挖掘。挖掘出了结构对称性和产品功能区间、性能区间及约束区间之间的模糊关联规则。结果表明:通过对结构对称性实例进行数据挖掘,建立结构对称性在机械系统中实用的设计知识,是以后进一步研究机械结构对称性应用规律和应用方法的坚实基础。     

一种融合FPGA和ISS技术的软硬件协同验证方法

建立了一种基于硬件加速器FPGA 和指令集模拟器ISS对嵌入式系统功能进行软硬件协同验证的方法。针对此方法的实现,分析了协同验证过程中软硬件交互技术,并给出总线功能模型BFM结构及其实现方法。经实例验证分析表明,基于FPGA和ISS的协同验证方法,在对嵌入式应用系统验证中与其他几种常用方法比较具有较明显的优势。     

基于AlexNet网络的服装风格识别分析

将深度学习引入机器学习使人工智能的研究上了一个新的台阶,深度学习的建模与表征能力强大,在图像处理领域有着非常重要的作用,这为服装风格分类提供了发展机会.为了进一步得到服装图片的风格信息,对原始训练集进行图片增广,扩增数据集,同时通过训练AlexNet卷积神经网络模型,对扩充数据集进行服装风格分类,从而提高服装风格识别精...     

基于ARM的嵌入式系统教学

根据嵌入式系统的特点,分析嵌入式系统教学中存在的问题。结合教学改革与实践,分别从教学方法、教材调整、实践教学、兴趣培养等进行探讨,将实际的项目融合到课堂教学中,使教学内容接近工程实践,以便提高学生理论联系实践的能力。     

一种改进的全覆盖路径规划算法

全覆盖路径规划在现实生活中具有很广泛的应用,本文针对已存在的全覆盖路径规划算法中的内螺旋算法进行改进,提出带有优先级的内螺旋算法PISC算法。在算法中加入行走优先级,并采用回溯法解决清扫机器人进入的死角问题,优化机器人的清扫路径,最后在Visual C+〖KG-*3〗+6.0编程环境下进行算法仿真。实验结果表明,清扫机器人能有效地避开障碍物,在自由区域顺利行走,提高了清扫机器人的清扫效率,减少了机器人清扫的重复路径。     

QBF问题中隐蔽集的求解过程

隐蔽集作为QBF问题的重要结构之一,能使QBF这一难求解问题变得更加简单. QBF问题中隐蔽集的求解相当复杂且难以理解. 为了使读者更好的理解QBF问题中隐蔽集的求解过程,本文对QBF问题中隐蔽集的求解过程进行深入研究,结合实例计算变量的深度、选择符合条件的变量X并计算其对应的三角依赖变量集D_ψ^Δ（x）,根据B=B∪{x}=x和ψ''=ψ-D_ψ^Δ（x）的思想求解出问题的隐蔽集,希望本文能为该领域的相关研究人员提供一定的参考.     

一种室内清扫机器人路径规划算法

清扫机器人作为服务机器人领域中的一个新产品已成为人们家庭当中的重要一员,全覆盖路径规划问题是其重要技术之一。提出一种新的路径规划算法,该算法对室内环境进行栅格模型建模,生成一个无向完全图G,对图 G 采用深度优先搜索和广度优先搜索,并应用拓扑排序动态更新图 G,生成最短全覆盖规划路径,最后用生成树来验证该算法的有效性和可行性。     

海洋石油钻井平台设备管理现状及改进方法

随着当前我国科学技术的不断创新,推进了我国对于能源使用需求量的不断增加,这就需要通过海洋的石油资源勘探技术,有效地提高对海洋石油的开采和利用,在海洋石油开采的过程中,钻井平台是整个开采工作的重要的基础,同时也是保证海洋开采工作顺利实施的关键,其钻井平台具有一定的稳定性和灵活性.由于平台作业较为特殊,同时远离陆地,就需要...     

嵌入式Linux按键驱动程序开发

文中主要阐述了Linux驱动程序的基本概念以及字符设备、块设备和网络设备的特点.通过键盘驱动实例论述了如何设计和编写模块化的驱动程序,并解释键盘驱动程序的关键代码.最后归纳了开发嵌入式Linux设备驱动程序的核心思想.     

基于拉普拉斯回归主动学习的大数据流分类算法

实时数据流中标记样本所占比例较小,并且存在大量的噪声数据和冗余数据,导致数据流的实时分类准确率较低。针对这种情况,提出基于拉普拉斯回归主动学习的大数据流分类算法。为分类器设计相对支持度差异函数作为分类的决策方法,通过阈值判断当前数据流的标记样本量。设计基于约束规则的半监督主动学习算法,从无标记样本集选择信息量最丰富的样本。采用拉普拉斯正则最小二乘回归模型作为半监督学习的回归模型,迭代地扩展数据流的标记样本量。仿真结果表明,该算法有效地提高了数据流的分类准确率,并且满足实时性的需求。