基于信息元的教学资源组织系统设计与实现 *

以文本类型教学资源为研究对象,在领域知识可拓信息网模型和CELTS-3的基础上,阐述了基于信息元的教学资源组织系统设计与实现过程,包括信息特征元数据描述框架、特征词获取、信息元距离度量、信息元匹配规则以及匹配算法等.该系统通过有限的信息元描述无限的资源,实现了教学资源的高效组织,支持学习过程中资源自动重组.     

基于超市模型的网格资源分配方法研究*

针对网格资源管理中的资源分配问题,提出了一种基于超市模型的网格资源管理分配方法.该方法能够实现子资源的快速匹配,从而减少了网格管理开销,更高效地分配了稀缺资源.     

基于异构能源区块链的综合能源系统交易模型

综合能源系统是对电、气、热、冷能进行统一规划调度的综合系统,顺应了供给侧改革的趋势.目前综合能源系统的用户呈现个体化、分散化的趋势,传统的单向集中式输配电服务模式逐渐不适应这种趋势.基于区块链技术,设计了一种综合能源系统交易模型.采用异构能源区块链的结构模式,利用智能合约建立了基于价格约束的匹配拍卖机制,保障了清洁能源用户的供能优先级,并采用双重认证机制,保障了交易的可靠性.在实验环境下对所设计模型进行分析,仿真结果验证了所提综合能源系统交易模型的有效性和可行性.     

基于RBF神经网络的遗传算法在织物染色配色中的应用研究

本文提出一种基于RBF神经网络的遗传算法解决织物染色配色问题的模型,该模型以遗传算法为主,通过使用RBF神经网络建立遗传算法的适应度函数来共同解决织物染色配色问题。通过实验表明,使用基于RBF神经网络的遗传算法配色模型可以快速提供满足企业要求的染色配方。     

工艺参数对PP挤出发泡泡孔结构的影响

研究了螺杆转速、机头口模形状以及机头温度对挤出发泡聚丙烯(PP)泡孔结构的影响。结果表明：在挤出发泡过程中，一定配方、机头形状和温度下，螺杆转速存在最佳值；机头形状越有利于建立高压，制得的泡沫的泡孔越细密均匀且发泡倍率越高；机头口模温度在保证顺利挤出情况下．越低越有利于制得高发泡倍率的泡沫。     

2DPCA-SIFT:一种有效的局部特征描述方法

PCA-SIFT （Principal component analysis—scale invariant feature transform）方法通过对归一化梯度向量进行PCA降维,在保留特征不变性的同时,有效地降低了特征矢量的维数,从而提高了局部特征的匹配速度. 但PCA-SIFT中对本征向量空间的求解非常耗时,极大地限制了PCA-SIFT的灵活性与应用范围. 本文提出采用2DPCA对梯度向量块进行降维的特征描述方法. 该方法相比于PCA-SIFT,可以快速地求解本征空间. 实验结果表明:2DPCA-SIFT在多种图像变换匹配和图像检索实验中可以实现与PCA-SIFT相当的性能,并且从计算效率上看,2DPCA-SIFT具有更好的扩展性.     

一种改进的超宽条带噪声消除算法

针对高光谱遥感图像中的超宽条带噪声干扰现象,在深入研究高光谱图像特点和条带噪声产生机理的基础上,提出了一种新的基于最小序列值、小波变换和矩匹配相结合的滤波算法（OWM算法）。该算法主要包括灰度对比度处理、最小序列值处理、小波变换系数归零处理和矩匹配处理等四个步骤。用实际的高光谱图像进行了一系列的验证比较实验,获得了好的实验效果。实验结果表明OWM算法不仅能够有效滤除高光谱图像中的超宽条带噪声,而且还具有较好的普适性。     

自适应天线匹配低频RFID读写器设计

在工业现场、野外甚至水中,RFID读写器天线电特性参数将发生改变,导致阻抗不匹配和发射功率大幅下降,最终降低RFID读写器读写范围和效率。为了解决这个问题,构建了一个自适应天线匹配RFID读写器系统,该系统在基本读写器系统上增加了自适应电容匹配矩阵、正弦波均方根检测和模/数转换器。该系统通过依次配置电容矩阵,扫描天线发射信号幅度,检测出最佳匹配电容,实现天线阻抗的最佳匹配。通过实验表明,在一定范围内该系统能够实现自动的阻抗匹配,获取最大发射功率。     

Data-driven hair segmentation with isomorphic manifold inference

Hair segmentation is challenging due to the diverse appearance, irregular region boundary and the influence of complex background. To deal with this problem, we propose a novel data-driven method, named Isomorphic Manifold Inference (IMI). The IMI method assumes the coarse probability map and the binary segmentation map as a couple of isomorphic manifolds and tries to learn hair specific priors from manually labeled training images. For an input image, firstly, the method calculates a coarse probability map. Then it exploits regression techniques to obtain the relationship between the coarse probability map of the test image and those of training images. Finally, this relationship, i.e., a coefficient set, is transferred to the binary segmentation maps and a soft segmentation of the test image will be achieved by a linear combination of those binary maps. Further, we employ this soft segmentation as a shape cue and integrate it with color and texture cues into a unified segmentation framework. A better segmentation is achieved by the Graph Cuts optimization. Extensive experiments are conducted to validate effectiveness of the IMI method, compare contributions of different cues and investigate the generalization of IMI method. The results strongly encourage our method.