基于蒙特卡洛方法的触发器聚类布局算法

针对触发器聚类的布局问题,提出了一种基于蒙特卡洛方法的触发器聚类布局算法。该方法的核心思想为设计合理的评分函数,并通过蒙特卡洛方法模拟触发器聚类在版图上的随机游走过程,获取样本,再通过评分函数评价样本质量,逐步地在可行域中搜索最优解。实验结果表明,相较于现有的方法,该方法在总线长与时序性能两方面,分别得到平均约9%与17%的改善与提升。此外,该方法具有较强的健壮性,适用于复杂度较高或者版图利用率较高的设计,并能够快速收敛,以较小的时间代价完成优化。     

蒸养温度效应及其对水泥基材料热伤损的影响＊

采用温度传感器测试了水泥基材料在标养和蒸养条件下温度的变化,结合X射线衍射(XRD)、扫描电子显微镜(SEM)、热重分析(TGA)及压汞(MIP)等方法,研究了水化产物和微结构的变化。结果表明,蒸养中试件表层首先开始升温,升温结束时表层温度比内部高约30℃;随后内部升温超过表层,恒温3h,内部温度比表层高约25℃。蒸养温度效应对水化产物的生成未产生较显著的影响,但对表层孔结构和微观形貌影响显著。蒸养结束时,试件表层的总孔隙率以及大于200nm的有害孔比例分别是内部的1.22倍和10.3倍;继续标养至28d时有效降低了总孔隙率,但大于200nm的有害孔比例仍为标养试件的1.6倍。     

A new methodology for Bayesian history matching using parallel interacting Markov chain Monte Carlo

This paper presents an innovative application of a new class of parallel interacting Markov chains Monte Carlo to solve the Bayesian history matching (BHM) problem. BHM consists of sampling a posterior distribution given by the Bayesian theorem. Markov chain Monte Carlo (MCMC) is well suited for sampling, in principle, any type of distribution; however the number of iteration required by the traditional single-chain MCMC can be prohibitive in BHM applications. Furthermore, history matching is typically a highly nonlinear inverse problem, which leads in very complex posterior distributions, characterized by many separated modes. Therefore, single chain can be trapped into a local mode. Parallel interacting chains is an interesting way to overcome this problem, as shown in this paper. In addition, we presented new approaches to define starting points for the parallel chains. For validation purposes, the proposed methodology is firstly applied in a simple but challenging cross section reservoir model with many modes in the posterior distribution. Afterwards, the application to a realistic case integrated to geostatistical modelling is also presented. The results showed that the combination of parallel interacting chain with the capabilities of distributed computing commonly available nowadays is very promising to solve the BHM problem.     

一种基于分层的人类动作识别和定位算法研究

人类动作识别在视频自动分析、视频检索等领域获得广泛应用,是目前的研究热点。然而现有的动作识别方法重点关注视频的非静态部分而忽略大部分静态部分,从而影响了动作识别和定位的效果。本文提出一种新的分层空间-时间分段表示法,以分层方式实现部位和整个身体的多分辨率表示,可用于运动识别和定位。该算法分为3个步骤。第一步,首先对每个视频帧进行分层分段,以得到一组分段树,每颗树是身体分段树的候选。第二步,利用视频的轮廓、接合对象结构、全局前景色等信息对候选分段树进行修剪。第三步,在时域上对剩余分段层的每个分段进行前向和后向跟踪。我们以难度较大的UCF-Sports和HighFive数据集为实验对象,对本文方法进行性能评估,实验结果表明,本文方法的性能要优于当前最新运动检测算法性能,运动定位性能与当前最新算法相当。     

一种用于无线自组网的移动互联协议研究

高效可靠的移动互联协议是高速无线自组织网络移动联网的基础。为解决分层分布式移动自组织网络（HD-MANET）中的传统移动IP协议与实际运用的需求之间存在的矛盾,提出一种移动互联协议。该协议基于抽象分层分布式的网络结构,将移动互联的共性和HD-MANET的特性结合在一起,很好地满足了典型HD-MANET的应用需求。通过OPNET的模拟实验证明,此网络协议大大降低了网络负担,减少了节点连接时的平均时耗。     

层次非负矩阵分解及在文本聚类中的应用

文本聚类的目标是把数据集中内容相似的文档归为一类,而使内容不同的文档分开。目前针对不同领域的需求,多种解决聚类问题的算法应运而生。然而,由于文本数据本身固有的复杂特点,如海量、高维、稀疏等,使得对海量文本数据的聚类仍然是一个棘手的问题。提出了层次非负矩阵分解聚类方法,该方法不但保留了非负矩阵分解的优点,如同步识别文档类别和找出类别本质特征,而且能够展现类别间的层次结构。这种类别层次结构在网页预览等应用中是非常有用的。在真实数据集20Newsgroups和Reuters-RCV1上的实验结果表明,层次非负矩阵分解相比已有的方法更有效。     

基于递阶综合评价模型的电力用户能效评估系统

针对电力用户能效评估,建立了基于递阶综合评价方法的能效评估系统,该系统将能效评估过程分解为三个层次,分别为基于G1群组判断的一级指标评估、基于熵权法的二级指标评估以及最终的综合评估,充分结合主客观评价信息,克服传统单一赋权法局限性,因而能有效地运用到电力用户能效评估的日常工作中。     

独立学院公共计算机基础课程教学改革探索

首先对独立学院公共计算机基础课程的现状和问题进行了分析,问题主要包括学生的计算机水平参差不齐、教学效率低、学生解决实际问题的能力差等。然后针对上述问题,提出了教学改革方案,包括开展分类分层次教学,改革教学方法,还要提升教师队伍的素质,提高学生的学习兴趣等等。