基于模型设计的数字集群分组数据业务的实现

为解决数字集群通信系统中图像、视频等大数据业务的传输问题,深入分析数字集群空中接口协议栈的结构,重点研究分组数据业务提供者子网相关汇聚协议的结构和原理。基于模型设计方法设计该协议的相关功能模块,并进行编码实现。开发中使用IBM Rational Rhapsody这一基于UML建模的开发工具,使整个开发过程简洁而清晰。最后,通过对协议进行一致性测试,证明协议参数及流程符合数字集群通信系统协议标准。     

一种基于SOC技术的车载终端优化设计方案

介绍一种基于嵌入式技术的车载监控系统。通过对各种定位技术、无线通信技术研究比较论证,确定以SOC为核心处理器、GPS实现定位、GPRS无线网络为通信方式的解决方案。详细阐述车载终端的软硬件设计,并对系统性能测试结果做介绍。测试证明,该车载终端系统能够胜任车辆定位、跟踪监控等工作,而且系统具备盲区补偿的功能,扩展空间大,易于升级。     

基于组反馈融合机制的视频超分辨率模型

视频超分辨率（video super-resolution,VSR）的目的是利用多个相邻帧的信息来生成参考帧的高分辨率版本。现有的许多VSR工作都集中在如何有效地对齐相邻帧以更好地融合相邻帧信息,而很少在相邻帧信息融合这一重要步骤上进行研究。针对该问题,提出了基于组反馈融合机制的视频超分辩模型（GFFMVSR）。具体来说,在相邻帧对齐后,将对齐视频序列输入第一重时间注意力模块;然后,将序列分成几个小组,各小组依次通过组内融合模块实现初步融合。不同小组的融合结果经过第二重时间注意力模块;然后,各小组逐组输入反馈融合模块,利用反馈机制反馈融合不同组别的信息,最后将融合结果输出重建。经验证,该模型具有较强的信息融合能力,在客观评价指标和主观视觉效果上都优于现有的模型。     

基于“任务驱动的分组协作”教学模式在软件技术专业中的应用与实践

高职学院软件技术专业如何选择合适的教学模式,把知识融会贯通地应用到解决实际问题中去,保证学生零距离就业是急需解决的关键问题。本文主要针对这一问题,提出"任务驱动"和"分组协作"的教学模式,把"任务驱动"和"分组协作"进行有机的结合,这种教学模式是适合高职院校软件技术专业培养高端技能型专门人才的有效途径。     

酷玩你的通讯录

2012年一开年,每个人都憧憬着全新的生活,希望获得更异样的精彩。特别是在讲求个性的智能手机市场,每个人都渴望以最独特、最玄妙的应用体验给自己平淡的生活添些激情。这里,我就带你来玩转,我的最新发现——点心通讯录2.5.6最新版本。其全新炫丽的UI设计、更加顺畅的使用体验,革命性的界面和交互,让你的通讯录从此与众不同!     

基于CDIO的分组教学在《C语言程序设计》中的应用

结合过程考核办法,基于CDIO工程教育模式通过分组教学以实现分层教学,因材施教,扶优补差,分工与协作来完成教学内容,考核成绩合理反映学生的真实水平,既解决了课程难度大、学生编程能力不等的问题,又体现了学生的主体能动性,激发了学习热情,培养了学生自主探究、协作学习的能力,全面实施素质教育和适应社会需要的新型人才的培养。     

解析分组协作式学习在中职计算机教学中的应用

中等职业技术教育是全日制教育体系下非常重要的职业教学形式,知识经济时代的到来给中职素质教育工作的开展提出了较高的要求,计算机教学作为中职教学中重要的组成部分,教学质量影响着以人为本的素质教育工作的开展。文章在分析分组协作式学习的概念及在中职计算机教学中应用的必要性的基础上,重点阐述分组协作式学习在中职计算机教学中的应用。     

基于分组遗传算法的集成多样性增强及其应用

为了解决复杂工业过程的概念漂移问题,提高集成学习模型的泛化性能,基于分组遗传算法,提出一种用于提升基学习器间多样性的建模方法.该方法以在线极限学习机作为基学习器,根据基学习器在滑动窗口上的性能对其进行分组,并执行进化操作,同时引入基因流概念,增加了基学习器间的多样性,提高了集成算法在处理概念漂移数据流时的预测性能.最后使用合成数据集和真实数据集验证了所提算法的合理性与有效性.     

一种面向大规模URL过滤的多模式串匹配算法

对大量有害的URL进行过滤,是目前网络安全应用系统中所亟需的关键技术.使用经典的串匹配算法检测庞大的URL规则集,需要消耗大量的计算资源和存储资源,性能十分低下.该文设计了一种适合于大规模URL过滤的多模式串匹配算法——SOGOPT.该算法在经典的SOG算法基础上,针对URL规则的特点,提出了最优窗口选择、模式串分组规约这两种优化技术,大幅度提高了SOG算法的匹配速度,在大规模URL规则集上效果尤其显著.该文设计的算法非常适合于大规模(100万级)URL实时在线匹配的应用环境.     

解决高维优化问题的差分进化算法

针对高维优化问题难以解决并且优化耗费时间长的问题,提出了一种解决高维优化问题的差分进化算法。将协同进化思想引入到差分进化领域,采用一种由状态观测器和随机分组策略组成的协同进化方案。其中,状态观测器根据搜索状态反馈信息适时地调用随机分组策略重新分组;随机分组策略将高维优化问题分解为若干较低维的子问题,而后分别进化。该方案有效地增强了算法解决高维优化问题的搜索速度和搜索能力。经典型的实例测试,并与其他一流差分进化算法比较,实验结果表明:所提算法能有效地求解不同类型的高维优化问题,在搜索速度方面有明显提升,尤其对可分解的高维优化问题极具竞争力。