机械镀锌过程中先导金属的研究

通过多次试验观察，借助于扫描电子显微镜，结合物理化学、电化学的基础理论知识，对机械镀锌过程中先导金属进行了研究。分析了先导金属在镀层中的分布以及先导金属对机械镀锌形层过程的影响。结果表明机械镀锌过程中的确有先导金属存在，在机械镀锌过程的不同阶段，有着不同的金属起着先导金属的作用。先导金属可以促进机械镀锌镀层的结合强度。     

用于压缩感知的DMD控制系统设计

基于数字光处理(DLP)的数字微镜器件(DMD)灰度控制主要针对视频应用,故帧频较低,只有约60～120 Hz,而用DMD实现的伯努利矩阵作为压缩感知测量矩阵,是0-1二值矩阵,不需要灰度控制,且帧频要求通常在数千帧每秒.研制了基于Xilinx公司Virtex-5 FPGA的DMD控制系统来实现伯努利矩阵,系统由随机数发生器(RNG)、DDR2 SDRAM控制器、DMD控制器等模块组成.随机数发生器产生的随机数存储在DDR2 SDRAM中,实现与DMD的高速数据传输.经验证,该系统可实现二值高速显示,帧频可达到2 kHz.     

基于生理振动分析的手机用户身份识别

为保护手机用户的个人信息,对用户进行身份识别认证,提出一种生物识别方法。利用智能手机内置的传感器,采集人体的生理振动信息;通过对采集数据进行去重力等预处理,提取均值、方差、能量、峰度、偏度等特征指标,利用z‐score方法进行标准化处理;进行分类器设计,得出分类器的查准率、误检率等评价指标。分析60组不同用户的生理振动数据,分析结果表明,该分类器的查准率最高可达98?33％。     

基于Word文档的数据隐藏方法

在分析当前数据隐藏与恢复相关技术研究基础上,参照微软官方最新公布的复合文档存储规范,从利用载体Word文档现有空间中未真正使用部分和适度扩展新空间两条思路出发,设计一种利用Word文档作载体隐藏秘密信息的解决方案,包括在文字、各种嵌入式对象及其相应控制结构数据中隐藏信息。实践表明,隐藏数据后的载体文档可以被正常拷贝和使用电子邮件传送,根据需要隐藏的信息随机选择使用该方案,被隐藏信息更不容易被侦测出来,被二次编辑后被隐藏信息一般不会被破坏,鲁棒性不错,具有一定的实用价值。     

误差分级变论域模糊控制在电机软启动的应用

针对一般模糊控制在异步电动机软启动应用时出现的启动不平稳和调整时间长的问题,分析了误差分级变论域模糊控制理论,设计了误差分级模块和S函数选择模块,搭建了基于误差分级变论域模糊控制电机软启动的整体仿真系统,实现了在电流误差不同的时刻选择不同论域的模糊规则来调整电机输入电压的目的.仿真对比实验表明:误差分级变论域模糊控制在电动机软启动过程中的控制效果优于一般模糊控制,能够使启动平稳并缩短调整时间.     

基于LBP的眼睛开闭检测方法

在基于机器视觉的疲劳驾驶预警系统中通过驾驶人员眼睛的状态来判断其是否疲劳是最直接和有效的途径,对眼睛的开与闭这两个基本状态的检测是判断疲劳的一个关键技术.针对红外视频人脸图像序列,提出一种基于LBP纹理检测算子的快速准确人眼开闭检测方法.该方法首先精确提取眼睛区域,然后利用对光照具有鲁棒性的LBP纹理检测算子检测眼睛区域纹理并计算其二阶矩、熵和边际分布二阶矩作为特征向量,最后使用SVM对特征向量进行分类以达到开闭检测的目的.大量实验结果表明,该方法不仅具有较高的检测准度,而且能完全满足实时要求.     

海量教育资源中小文件的存储研究

Hadoop作为成熟的分布式云平台,能提供可靠高效的存储服务,常用来解决大文件的存储问题,但在处理海量小文件时效率显著降低。提出了基于Hadoop的海量教育资源中小文件的存储优化方案,即利用教育资源小文件间的关联关系,将小文件合并成大文件以减少文件数量,并用索引机制访问小文件及元数据缓存和关联小文件预取机制来提高文件的读取效率。实验证明,以上方法提高了Hadoop文件系统对小文件的存取效率。     

大数据环境下MES作业计划与调度能力云服务化研究

云制造技术给制造企业带来机遇的同时,也为其制造执行系统MES的设计与实现带来了新的挑战。为了解决单件小批MES中作业计划与调度优化问题,首先设计了一个从作业计划静态制定,到作业执行情况实时监控与主动感知,再到异常事件智能响应,最后到作业调度动态调节的闭环体系结构。接着针对异常信息实时获取与异常事件发现、异常事件智能化处理以及作业计划与调度优化算法计算能力服务化三个子问题,依次进行了问题分析并给出了技术解决方案。最后,以哈尔滨电机厂为案例对象,综合利用IEC/ISO 62264标准、大数据分析与挖掘方法以及由虚拟化、服务化和SOA等组成的云计算技术实现了单件小批MES作业计划与调度综合优化系统,验证了上述理论与方法的有效性。     

Multi-label classification via learning a unified object-label graph with sparse representation

Automatic annotation is an essential technique for effectively handling and organizing Web objects (e.g., Web pages), which have experienced an unprecedented growth over the last few years. Automatic annotation is usually formulated as a multi-label classification problem. Unfortunately, labeled data are often time-consuming and expensive to obtain. Web data also accommodate much richer feature space. This calls for new semi-supervised approaches that are less demanding on labeled data to be effective in classification. In this paper, we propose a graph-based semi-supervised learning approach that leverages random walks and ? ₁ sparse reconstruction on a mixed object-label graph with both attribute and structure information for effective multi-label classification. The mixed graph contains an object-affinity subgraph, a label-correlation subgraph, and object-label edges with adaptive weight assignments indicating the assignment relationships. The object-affinity subgraph is constructed using ? ₁ sparse graph reconstruction with extracted structural meta-text, while the label-correlation subgraph captures pairwise correlations among labels via linear combination of their co-occurrence similarity and kernel-based similarity. A random walk with adaptive weight assignment is then performed on the constructed mixed graph to infer probabilistic assignment relationships between labels and objects. Extensive experiments on real Yahoo! Web datasets demonstrate the effectiveness of our approach.