非齐次边界条件定解问题的一种齐次化函数形式

通过对非齐次边界条件的定解问题的讨论,引出了本文的论题,对非齐次边界条件定解问题的边界条件齐次化函数提出了一种比较一般和标准的形式,并提出了一个定理.对该定理进行了证明,证明了它的正确性.利用该定理可以非常方便地求解关于非齐次边界条件定解问题的齐次化函数.     

基于J2EE技术的可配置化系统的设计开发

科技项目在线申报已成为项目申报的主流方式.为适应新形势、新要求,原有的在线项目申报系统需要升级.文章介绍了基于J2EE技术的可配置化项目申报管理系统的开发、实现过程,对系统的需求分析、方案论证、系统设计、数据库设计、模块设计等环节进行详尽的分析和描述.该可配置化系统在处理大规模定制化的项目申报流程时具有适用性和可操作性.     

游戏化教学设计在高校课程中的实践研究

目前游戏化学习的研究主要集中于中小学,本研究是游戏化课程设计在高等教育中的探索,通过在高校课程中引入一系列游戏化元素,并观察学习者行为,利用网络系统日志及访谈法,分析学习者的游戏化参与行为,以及对学习过程和成绩的影响.研究发现资源积累、排行榜等游戏化元素容易被学习者接受,且游戏化元素使用频率与学习成绩存在正相关关系.     

融合显著信息的白色污染图像自动标注算法

针对传统方法无法精准获取目标信息,导致标注结果不精准的问题,提出融合显著信息的白色污染图像自动标注算法.运用RC算法提取显著性信息,融合物体级别先验信息,增强显著性的目标一致性.利用全变差范数对图像实施正则化约束,将运动模糊点扩散函数具备的稀疏性和连续平滑性应用在图像正则化约束分析中,获取图像底层特征信息,再根据FCM算法,得到各个模糊组的聚类中心,通过遗传算子消除聚类中心收敛至极值的现象,反复搜索获得最优解.根据Sim-MSVM建立多类支持向量机最后引入损失函数实施优化,获得SimMSVM的类判别函数,经过逐步运算,最终实现白色污染图像的自动标注.实验结果表明:所提算法具有较高适用性、有效性以及准确性.     

面向垂直行业的5G定制专网应用探讨

5G定制专网建设是5G网络发展的关键、是5G业务增长的核心,5G定制专网在各类园区（工厂、办公园区、港口、校园、医院）的部署应用,可提供可靠网络、数据安全、云网协同等服务,满足智慧工厂、智慧园区、智慧交通和智慧校园等的定制化网络服务需求。分析各类园区不同行业的5G定制专网部署需求、部署模式,分析并提出所面临的挑战,望为5G定制专网的应用提供参考。     

机器学习案例化教学方法研究

如何让学生正确理解机器学习理论、准确利用所学技术解决新问题,是机器学习课程教学的重点。提出一种由浅入深的案例化教学方法,设计综合案例实现机器学习全过程的融合,讲解每一个算法的理论知识和实现过程,并通过调整算法步骤、参数等,展示各个步骤、自变量和系数等对学习结果的影响。实践结果表明,该方法能够有效帮助学生理解理论知识,强化动手能力。     

当前大学计算机课程游戏化的探索

在如今的大学课程中,计算机课程变得越来越普及,不仅仅局限于计算机专业的学生学习这门课程,对于其他专业的学生计算机课程的相应学习和了解也是必要的。采用游戏化的手段进行计算机课程的开展是符合课程教育发展变化趋势的,而且通过游戏的娱乐性和自主性,很多学生愿意在游戏的过程中学习技能知识,这样的授课方式能够促进学生的学习效率和质量。课程游戏化是一种“在学中玩,在玩中学”的模式,其能最大限度上激发学生的学习积极性,鼓励学生积极参与到计算机课程教育中来,让原本枯燥的计算机教学富有发展生机和学生学习动力。但是不可否认的是,游戏化体系建设的过程中仍然会存在一定的问题,针对存在的问题具体分析,提出切实可行的意见和建议。     

基于自主学习与SCAD-Net正则化的回归模型

众多基因生物标志物选择方法常因研究样本较少而不能直接用于临床诊断.于是有学者提出整合不同基因表达数据同时保留生物信息完整性的方法.然而,由于存在批量效应,导致直接整合不同基因表达数据可能会增加新的系统误差.针对上述问题,提出一个融合自主学习与SCAD-Net正则化的分析框架.一方面,自主学习方法能够先从低噪声样本中学习出基础模型,然后再通过高噪声样本学习使得模型更加稳健,从而避免批量效应;另一方面,SCAD-Net正则化融合了基因表达数据与基因间的交互信息,可以实现更好的特征选择效果.不同情形下的模拟数据以及在乳腺癌细胞系数据集上的结果表明,基于自主学习与SCAD-Net正则化的回归模型在处理高维复杂网络数据集时具有更好的预测效果.     

基于深度学习的场景文本检测与识别

针对复杂场景下文本识别流程复杂繁琐、适应性差、准确度低等缺点,本文提出一种复杂场景下文本检测和识别的新方法.该方法由文本区域检测网络及文本识别网络构成,文本区域检测网络为改进的PSENet,将PSENet的骨干网络改为ResNeXt-101,在特征提取过程中加入可微二值化操作来优化分割网络,不仅简化了后处理,而且提高了文本检测的性能.将卷积神经网络和加入聚合交叉熵损失的长短时记忆网络组成文本识别网络,聚合交叉熵的引入提高了文本识别的准确性.本文在两个数据集上进行验证,实验结果表明,两个网络模型融合后准确率最高达到95.6％,优于改进之前的方法.该方法能有效地检测和识别任意文本实例,具有很好的实用性.     

基于全局稀疏梯度与低秩张量正则化的多源多波段图像融合方法

多模图像融合可有效提升多传感器系统的目标信息表征能力.然而,常用的图像融合方法只能融合两个模态传感器的信息.针对上述问题,充分利用多模图像空间与频谱信息的高阶相关性及其内在结构特性,基于图像域的非局部自相似特性,引入复合正则化方法,提出基于全局稀疏梯度与低秩张量正则化的多模图像融合方法,实现高光谱、多光谱和全色图像的同时融合.其中,多模图像的频谱信息使用全局稀疏梯度正则化方法,空间信息使用低秩张量正则化方法.上述复合正则化方法的优点在于可以有效对空间与频谱信息的内在结构特性进行建模,消除图像空间域的阶梯效应,减少伪频谱信息的引入.仿真实验验证了该方法的可行性和有效性.该方法为多传感器融合系统提供理论与技术支撑.