基于视频流连续性的快速运动目标检测方法*

提出了一种基于视频流连续性的快速运动目标检测算法。对于背景模型的建立,在原有像素归类背景重构算法的基础上,基于视频流的连续性,选择性使用训练阶段背景至少在50%的时间内可以被观测到的前提假设,提出了一种改进的快速背景重构算法,在准确建立背景模型的同时,有效地减少了运算时间。对于运动阴影的干扰,采用基于RGB色度比例的色度差分算法,能快速有效地去除运动阴影,最终实现运动目标的快速提取。实验结果证实了所提算法的有效性。     

动态可重构系统的CAN总线通信系统设计

针对动态可重构系统中的通信系统具有灵活性和可扩展性的特点,设计并实现了可重构系统中的CAN总线通信系统。CAN总线通信系统以SJA1000为总线控制器、PCA82C250为总线收发器,设计了硬件接口电路,采用Verilog HDL进行了软件设计。论文阐述了CAN总线软件设计的过程,并对软件程序在Modelsim中进行了仿真测试,仿真结果验证了CAN总线通信系统设计的正确性和合理性。     

多点视频会议中快速H.264视频合成方法

通过介绍几种持续出席模式的视频合成方法,以及分析H.264不能采用快速编码域合成方法的原因,深入研究了一种像素域和编码域相结合的混合合成方法,利用H.264标准的新特性,对解码图像帧的选择、合成图像帧的条带组分割、宏块编码参数的设置以及I集合的构造等问题进行了分析和改进,实验结果表明改进方法在降低计算复杂度和码率的同时视频质量约提高0.4-0.7dB.     

保局性数据域描述单类分类器

由于缺少对数据结构信息的考虑,现有的域描述型单类分类器得到的支撑面往往是次优解。因此,以支持向量数据描述((SVDD)算法为基础,通过一种简易的形式引入数据亲和因子以保持样本局部特性,提出保局性数据域描述分类器(LPDD),使成簇的数据作用被强化,而呈零星分布的数据影响力被削弱,引导分类支撑面自动靠近数据高密区而提高算法性能。此外,为适应大样本应用场合,采用序列最小优化算法进行模型参数调整。实验证明,所提算法无论在训练速率还是在分类性能上都优于SVDD。     

离散事件控制器综合与重构的研究

讨论了离散事件控制器快速综合与重构方面研究的意义以及存在的问题,介绍了基于改进的网重写系统的Petri网离散事件控制器快速综合与重构理论与方法的研究进展及其仿真系统开发。     

可重构片上系统设计流程中的动态重构问题研究

近年来,可重构片上系统已成为科学研究及嵌入式应用领域中应对复杂计算需求的有效技术解决方案.针对目前缺少一个从系统级设计到应用实现,统一、综合规划动态重构问题的系统设计流程,以及动态重构过程对系统设计人员不透明等问题,在系统设计层给出了一种过程级软硬件统一编程模型.在此框架内,设计人员通过调用已根据应用特性进行优化的软硬件协同函数,即可利用高级语言完成系统功能描述;在细节设计层提出了基于单位面积加速比的软硬件任务调度算法,实时管理动态可重构资源;在应用实现层,以可重构专用图形加速卡为原型系统,论述动态可重构系统实现中的关键技术.实验及测试结果验证了通过将动态重构问题置于整个系统设计流程中予以考虑,能够达到提升系统开发效率之目的.     

TMIS网络管理域划分的设计与分析

本论文以ＴＭＩＳ（ＴｒａｎｓｐｏｒｔａｔｉｏｎＭａｎａｇｅｍｅｎｔＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍ＊）网络管理域的设计与分析为背景，通过对ＴＭＩＳ网络管理域划分的理论分析和计算机仿真实验，给出了ＴＭＩＳ网络管理域划分的解决方案。     

具有期望容错域的前向掩蔽联想记忆模型的设计方法

联想记忆的综合问题是目前没有很好解决的难题.文中用作者提出的通用前馈网络和排序学习算法,提出了一种设计具有期望容错域的前向掩蔽联想记忆模型的方法.该方法一般性地解决了信息空间上联想记忆的综合难题,使设计出的联想记忆模型具有任意期望的记忆样本容错域.     

面向方面重构的研究与实现

重构是保留软件外部行为的同时重新组织代码的过程和一组技术,由于它在创建敏捷代码方面的实用价值而受到普遍欢迎。但是,目前的重构步骤只是将代码模块化为整洁的OO实现,不能很好得解决横切关注点引发的问题;面向方面编程（AOP）由于封装系统中的横切关注点的强大能力而日益受到关注,它使用了一种成为方面的新模块化单元。本文将AOP引入到重构中,协同地组合这两种技术来重构横切元素,研究面向方面重构的基本原理、所涉及的步骤以及一些常用技术。     

面向小样本约束的域适应分类算法

近年来,人工智能的相关应用被越来越细化到不同的应用场景,而对不同的应用场景都进行相应的数据收集,模型训练,模型调优等步骤需要消耗大量的时间精力会严重影响人工智能技术应用的效率.因此如何基于现有的成熟的训练过的模型迁移到其他应用场景是当前应用人工智能技术的关键问题.域适应算法主要研究将源域模型有效地迁移到目标域,这为上述问题提供了一个重要的解决思路.本文提出小样本对抗判别域适应算法,相对于无监督域适应算法能够在更严格的约束下-仅需要少量的目标域样本,在标准数据集上取得了优于对抗判别域适应算法(Adversarial Discriminative Domain Adaptation,ADDA)算法的表现,在单任务中最高提升幅度达16.9%.本文中,首先,提出了两种新的数据增强方法,以构建符合双域联合分布的图像以丰富样本多样性并填充特征空间,解决小样本约束下模型易过拟合到少量目标域样本的问题.接着,结合双域样本配对机制和ADDA算法,将以大量目标域样本为条件的无监督域适应算法改进为面向小样本约束的有监督域适应算法.在域适应过程中,引入类标签平滑损失来抑制过拟合现象,并结合度量学习中的最大平均...