自动人脸跟踪方法研究

针对实时视频监控领域中传统的Camshift算法不能自动跟踪人脸和容易受到肤色相近遮挡等问题,首先采用Adaboost算法实现了人脸的自动检测,同时对于跟踪丢失等情形,通过贪心预测和卡尔曼预测对跟踪偏差进行实时改进,并比较两种算法的优缺点。实验表明前者对跟踪的准确性有较大提高,后者具有较好的实时性,在相近肤色遮挡时仍能实现正确跟踪,并对侧脸也有较好的效果,算法具有较好的鲁棒性。     

煤矿工作面无线全覆盖通信系统设计

根据煤矿工作面无线通信的需求,分析了现有工作面有线通信和无线通信技术的优缺点,提出了一种基于无线网状网和ZigBee技术的煤矿工作面无线全覆盖通信系统设计方案,并介绍了综合基站和WiFi网关的设计。测试结果表明,该系统能够满足工作面数据、语音、视频等不同信息的无线传输需求,实现了工作面无线信号的全覆盖。     

自动化综采工作面概念探讨

介绍了国内自动化综采工作面的技术现状,并将综采工作面的设备分为生产设备、辅助设备、测控系统;针对目前业内工作面名称混乱的情况,认为"自动化综采工作面"的命名比较恰当;提出了自动化综采工作面技术可划分为综采工作面局部自动化、综采工作面半自动化、综采工作面全自动化、综采工作面智能自动化4个等级并给出了具体特征;介绍了自动化综采工作面的发展途径,指出把自动化综采工作面看成是一台可以自动行走、自动割煤、自动支护、自动装煤、自动运煤的大型机器更符合实用要求。     

多总线接口信号处理SoC虚拟验证平台的实现

多总线接口信号处理SoC芯片是以信号处理DSP为核心集成了多个总线接口的片上系统,该SoC涉及的总线协议众多,验证复杂、工作量大,验证将是该SoC芯片开发的瓶颈。为了缩短多总线接口信号处理SoC芯片的开发周期,提高该SoC芯片的一次流片成功率,必须采用更为可靠和有效的验证方案。以SoC验证流程及方法为指导,重点介绍了多总线接口信号处理SoC虚拟验证平台的构建和具体实施。验证结果表明,该验证平台能高效、全面验证芯片功能,提高了芯片验证效率,缩短了整个芯片开发周期,为芯片的成功投片提供了可靠保障。     

基于流形学习的整体正交稀疏保留鉴别分析

稀疏保留投影是一种有效的特征提取方法,但是其主要关注样本间的全局稀疏重构关系,并且得到的投影变换通常不是正交的。在实际应用中,图像数据往往处于高维空间中的一种低维流形中,正交性一直被认为有利于提高鉴别能力。文中以有监督学习的方式在稀疏保留投影中引入了流形结构保留,并使得投影空间正交,从而提出了一种新的特征提取方法,即基于流形学习的整体正交稀疏保留鉴别分析（MLHOSDA）。在人脸和掌纹图像数据库的实验结果表明此方法具有较好的识别效果。     

恒压供水系统的调试及验证

介绍恒压供水系统的调试及验证.     

面板堆石坝面板顺坡向挤压破坏机理的试验研究

本文针对面板堆石坝面板顺坡向挤压破坏的钢筋压曲凸起问题开展了试验研究,采用了配有单根立筋的混凝土柱受压试验来模拟面板顺坡向的挤压破坏。试验结果证实了以往研究中无箍筋钢筋混凝土立柱抗压强度低于素混凝土柱、且钢筋保护层厚度越小强度越低的推测。与素混凝土柱相比,保护层厚5 cm钢筋混凝土柱的强度降低约10％。根据试验的破坏荷载结果,通过已有理论解反推出了立柱的侧向支撑刚度k,对于保护层厚5 cm和8 cm立柱k值相应为0.841 N·mm^-2和1.032 N·mm^-2。经过试验结果分析,发现钢筋混凝土立柱各截面不服从应变平面假设,受压中钢筋没有同混凝土一起协调变形,钢筋与混凝土之间相互作用强烈。本研究结果再次说明,限制钢筋的侧向变形是防止面板顺坡向挤压破坏的根本措施。应开展可模拟混凝土中钢筋压曲的挤压破坏数值模拟研究,为这些措施的量化设计提供依据。     

基于安全协议代码的形式化辅助建模研究

随着安全协议形式化分析技术的不断发展,利用工具自动验证虽已得到实现,但建模环节仍需依赖专业人员手工建模,难度大且成本高,限制了此技术的进一步推广。为了提高建模的自动化程度,提出了依据安全协议代码进行形式化模型辅助生成的方案。首先,使用污点分析获取协议的通信流程,并且记录密码学原语操作;然后,根据通信流程之间的序列关系构建协议通信状态机;最终,根据目前主流的安全协议形式化分析工具Tamarin的模型语法生成形式化模型。实验结果表明,此方案可以生成形式化模型中的关键部分,提高了形式化建模的自动化程度,为形式化分析技术的推广作出贡献。     

高性能MCU的FPGA原型验证系统研究与平台实现

本文研究并实现了一种基于Cortex-A7核的高性能MCU在FPGA原型阶段的验证平台。该设计研究可以针对高性能MCU芯片或其FPGA原型验证阶段的软硬件验证环境快速搭建,通过交互式、软硬件协同的方式对MCU芯片各个模块功能进行实时、可靠的功能验证。高效的FPGA原型验证可以提高MCU研发速度、缩短验证时间、提高验证效率、及时发现芯片设计的缺陷、缩短芯片研发周期。     

A multimodal-Siamese Neural Network (mSNN) for person verification using signatures and EEG

Signatures have long been considered to be one of the most accepted and practical means of user verification, despite being vulnerable to skilled forgers. In contrast, EEG signals have more recently been shown to be more difficult to replicate, and to provide better biometric information in response to known a stimulus. In this paper, we propose combining these two biometric traits using a multimodal Siamese Neural Network (mSNN) for improved user verification. The proposed mSNN network learns discriminative temporal and spatial features from the EEG signals using an EEG encoder and from the offline signatures using an image encoder. Features of the two encoders are fused into a common feature space for further processing. A Siamese network then employs a distance metric based on the similarity and dissimilarity of the input features to produce the verification results. The proposed model is evaluated on a dataset of 70 users, comprised of 1400 unique samples. The novel mSNN model achieves a 98.57% classification accuracy with a 99.29% True Positive Rate (TPR) and False Acceptance Rate (FAR) of 2.14%, outperforming the current state-of-the-art by 12.86% (in absolute terms). This proposed network architecture may also be applicable to the fusion of other neurological data sources to build robust biometric verification or diagnostic systems with limited data size.