多平台数据容灾系统的研究与设计*

基于对Windows和Linux平台卷管理系统的特性分析,提出一种基于卷复制的数据容灾系统模型,并论述了其系统结构、工作原理以及关键技术.该系统的主要特点是采用模块嵌入技术实现系统与平台的有机结合,同时支持多种复制模式以保证数据的一致性,通过加密、压缩传输以提高数据安全性并降低带宽要求,另外提供灾难恢复机制,保证了主数据系统在遭受灾难的情况下可以方便地迁移和回迁.理论和实验均证明,本数据容灾系统较好地保证了数据可靠性和可用性.     

基于PC的开放式数控系统的研究

本文论述了基于PC的开放式数控系统，重点对NC嵌入PC型开放式数控系统应用平台、NC和PC的通讯、应用软件的编制进行了研究，这是构建NC嵌入PC型开放式数控系统的关键问题。最后，开发了一个NC嵌入PC型开放式数控系统实例。     

HCP金属Mg，Ti，Zr的嵌入原子势

采用嵌入原子法，通过拟合Ｍｇ，Ｔｉ，Ｚｒ六方晶体的晶格常数，内聚能，弹性模量，空位形成能和双原子分子的键长、键能等物理参数，分别得到Ｍｇ，Ｔｉ，Ｚｒ等ｈｃｐ金属的嵌入原子势。用拟合所得的嵌入原子势计算具有相同原子体积的ｆｃｃ，ｂｃｃ结构的能量表明：ｈｃｐ结构的能量低于ｆｃｃ，ｂｃｃ结构的能量，这说明ｈｃｐ结构的势函数是稳定的。     

基于模糊聚类的LLE和SVM的人脸识别

针对传统的局部线性嵌入算法易受近邻点个数的影响,以及支持向量机的错分点过多对识别率产生的影响,提出了一种基于模糊聚类的局部线性嵌入和支持向量机的人脸识别方法。利用改进的算法对人脸库中的图像进行特征提取,然后采用支持向量机分类器对人脸进行训练和识别。实验表明,该方法提高了人脸的识别率。     

基于压缩感知的单样本人脸识别

提出一种基于压缩感知的单样本人脸识别方法,通过局部邻域嵌入非线性降维和稀疏系数的方法产生冗余样本,则新样本包含了多种姿态和多种表情。将所有的新样本作为训练样本,运用改进后的稀疏表征分类算法进行人脸图像的识别。在单样本情况下,基于ORL人脸库和FERET人脸库的实验证明,该方法比原稀疏表征方法在识别率上分别提高了15.53%和7.67%。与RSRC、SSRC、DMMA、I-DMMA等方法相比,该方法同样具有良好的识别性能。     

基于非负邻域嵌入和非局部正则化的单帧图像超分辨率重建算法

单帧图像超分辨率重建是指利用一幅低分辨率图像,通过相应的算法来获取一幅高分辨率图像的技术。提出了一种基于 非负邻域嵌入和 非局部正则化 的单帧图像超分辨率重建算法,以弥补传统邻域嵌入算法的不足。在训练阶段,首先对低分辨率图像预放大2倍,以保证在放大倍数较大时,高、低分辨率图像块之间的邻域关系也能得到较好的保持;在重建阶段,使用非负邻域嵌入来有效地解决近邻数的选取问题;最后利用图像块的非局部相似性构造非局部正则项对重建结果进行修正。实验结果表明,相对于传统算法,本方法的重建结果纹理丰富、边缘清晰。     

基于嵌入式Linux的远程抄表系统集中器的实现①

通过分析比较国内外各种现有远程抄表系统的优点和不足,结合当前计算机技术和通信技术的发展和作者的实践经验,实现一种基于S3C2440处理器和嵌入式Linux的设计方案;具体说明了该方案的系统架构,并详细介绍了集中器嵌入式软件实现的关键技术。     

核岭回归的邻域保持最大间隔分析的人脸识别

邻域保持嵌入是局部线性嵌入的线性近似,强调保持数据流形的局部结构.改进的最大间隔准则重视数据流形的判别和几何结构,提高了对数据的分类性能.文中提出的核岭回归的邻域保持最大间隔分析既保持流形的局部结构,又使不同类别的数据保持最大间隔,以此构建算法的目标函数.为了解决数据流形高度非线性化的问题,算法采用核岭回归计算特征空间的变换矩阵.先求解数据样本在核子空间中降维映射的结果,再解得核子空间.在标准人脸数据库上的实验表明该算法正确有效,并且识别性能优于普通的流形学习算法.     

交换超立方体网络的网络嵌入研究

本文主要研究超立方网和星型网嵌入交换超立方体网络的问题。首先,利用图形嵌入的方法,设计了超立方网到交换超立方体网络的嵌入映射,分析并证明了该嵌入映射所具有的评价性能。其次,给出了星型网到交换超立方体网络两种嵌入策略,也就是所谓的优化嵌入映射和奇偶嵌入映射,进而给出了具有更小的扩张率的星型网到另一种交换超立方体网络的嵌入方法。     

基于直接估计梯度思想的数据降维算法

高维非线性数据的降维处理对于计算机完成高复杂度的数据源分析是非常重要的。从拓扑学角度分析,维数约简的过程是挖掘嵌入在高维数据中的低维线性或非线性的流形。该文在局部嵌入思想的流形学习算法的基础上,提出直接估计梯度值的方法,从而达到局部线性误差逼近最小化,实现高维非线性数据的维数约简,并在Swiss roll曲线上采样测试取得了良好的降维效果。