35CrMoCe稀土钢离子硫氮碳复合渗特性研究

采用金相显微镜，Ｘ射线衍射仪，透明电子显微镜，扫描电子显微镜等仪器分析对比３５ＣｒＭｏ钢和３５ＣｒＭｏＣｅ钢离子硫氮碳复合渗特性，探讨了稀土铈和加速离子硫氮碳复合渗的原因，研究结果表明，两种钢的复合渗层均由硫化物层，氮碳化物层的扩展层构成；稀土铈显著地提高了渗层深度，铈具有细化组织的作用，提供了更多可供氮碳原子扩散的通道。     

主动推送模式下的情报需求预测模型

针对主动推送模式下的情报需求预测问题,提出了基于案例推理的解决方案。设计了进行情报需求预测案例分析的工作流程,建立了案例属性描述模型;应用最近邻法进行案例的相似度评价,并通过信息增益的计算确定每个属性的权值,获得相似案例(集);提出了方案调整和推理策略。     

数据挖掘课程案例教学研究

数据挖掘是一门交叉性学科,是情报学专业的重要课程之一。它主要介绍数据挖掘的基本概念、原理、方法和技术,涉及多个学科和算法因而教学难度较大。由于数据挖掘学科交叉性强涉及的挖掘方法和相关算法多并繁杂,造成学生对数据挖掘的整体工作流程缺乏了解形成“不识庐山真面目只缘身在此山中”现象。文中以时间序列服装销售额预测挖掘项目为教学案例让学生首先掌握数据挖掘的标准流程,重点讲解用到的相关挖掘方法和算法及其在实际挖掘环境中的开发方法,达到“会当I临绝顶一览众山小”的教学目标。通过教学实践教学效果良好。     

视觉技术在YP19装封箱机中的设计与应用

介绍视觉技术在YP19装封箱机的装箱过程中的应用,简述视觉技术系统的基本组成、工作原理及软件设计。     

基于ESTA构建逆向推理专家系统

介绍专家系统工具ESTA和逆向推理机制的基本概念,阐述使用ESTA构建逆向推理专家系统的基本方法。     

深入浅出讲解“Windows程序设计—Visual C++”课程

针对Windows程序设计——Visual C++课程涉及知识面广、实践性强、复杂难学的特点,分析了该课程难点之所在及传统教学过程中存在的问题,并从教学内容、教学方法和模式等方面采取了一些改革措施。实践证明,改革措施能够激发学生的编程兴趣,提高学生自主学习的能力,使学生较快进入状态,提高教学质量。     

基于工作流与Agent技术的选课系统研究

将工作流技术与Agent技术相结合用于选课系统的研究,充分利用工作流灵活性、软件重用和异构软件的集成特点,发挥Agent技术自组织、自学习和协同分配任务的能力.将多Agent工作流管理系统进行实例应用,设计了一个智能选课系统模型,协调系统中不同角色人员的不同活动,尽量避免冲突,使选课系统更加科学化、高效化、智能化和安全化.     

基于多模态推理图神经网络的场景文本视觉问答模型

文本阅读能力差和视觉推理能力不足是现有视觉问答(visual question answering, VQA)模型效果不好的主要原因,针对以上问题,设计了一个基于图神经网络的多模态推理(multi-modal reasoning graph neural network, MRGNN)模型。利用图像中多种形式的信息帮助理解场景文本内容,将场景文本图片分别预处理成视觉对象图和文本图的形式,并且在问题自注意力模块下过滤多余的信息;使用加入注意力的聚合器完善子图之间相互的节点特征,从而融合不同模态之间的信息,更新后的节点利用不同模态的上下文信息为答疑模块提供了更好的功能。在ST-VQA和TextVQA数据集上验证了有效性,实验结果表明,相比较此任务的一些其他模型,MRGNN模型在此任务上有明显的提升。     

基于标签推理和注意力融合的多标签文本分类方法

目前许多多标签文本分类方法主要关注文档表示,而丢失了大量标签相关的语义信息,导致分类效果不理想。针对以上问题,提出一种基于标签推理和注意力融合的分类方法,挖掘文档中与标签相关的特征以及相似标签之间的相关性,学习标签信息进行标签推理,同时采用注意力机制自学习地融合文档表示和标签表示,最终完成多标签分类任务。在AAPD和RCV1-V2数据集上进行实例验证,该方法的F1值分别达到了0.732和0.887,与其他最新方法相比其准确度均有提升,实验结果证明了标签推理和注意力融合策略的有效性。     

Ontological reasoning in the design space exploration of advanced cyber–physical systems

Cyber–physical systems are becoming increasingly complex. In these advanced systems, the different engineering domains involved in the design process become more and more intertwined. Therefore, a traditional (sequential) design process becomes inefficient in finding good design options. Instead, an integrated approach is needed where parameters in multiple different engineering domains can be chosen, evaluated, and optimized to achieve a good overall solution. However, in such an approach, the combined design space becomes vast. As such, methods are needed to mitigate this problem.In this paper, we show a method for systematically capturing and updating domain knowledge in the context of a co-design process involving different engineering domains, i.e. control and embedded. We rely on ontologies to reason about the relationships between parameters in the different domains. This allows us to derive a stepwise design space exploration workflow where this domain knowledge is used to quickly reduce the design space to a subset of likely good candidates. We illustrate our approach by applying it to the design space exploration process for an advanced electric motor control system and its deployment on embedded hardware.