基于SOA的数字化校园应用模式的研究

通过对SOA（面向服务构架）技术原理及特点的分析,提出了一种基于SOA架构的数字化校园应用模式。该模式采用开放式标准协议和服务之间定义的良好的接口及规范,根据实际需求通过网络对松散耦合的粗粒度应用进行分布式部署、组合和应用,有效的解决了高校传统校园平台存在“信息孤岛”等问题,对数字化校园建设有一定参考价值。     

基于.net的统计图绘制方法研究

随着人们对统计数据进行直观分析和共享的需求,网络环境下统计图表的绘制成为研究的焦点.市面上有一些图表绘制代码库,功能齐全,但费用昂贵.通过对.NET环境下三种免费的绘图方式OWC、Open Flash Chart和SVG进行研究,介绍了这三种方式涉及的绘图关键技术,并对其优缺点进行了比较.     

基于神经网络的汽车车型图像自动识别系统的设计与实现

利用计算机视觉、模式识别等理论方法,结合先进的神经网络技术开展了汽车车型图像自动识别的研究工作,在车型的有效特征提取与分类识别方面进行了深入的理论方法研究,并提出了一种利用前向三层神经网络及计算机视觉技术对汽车车型图像进行自动识别与分类的具体方法.     

基于Hadoop的校园云存储系统的研究

针对海量数据的存储问题,传统方法一般是通过购置更多数量的服务器来提升计算和存储能力,存在硬件成本高,存储效率低等缺点。通过对Hadoop框架和MapReduce编程模型等云计算核心技术的分析和研究,提出了一种基于Hadoop框架的海量数据存储模型,并在此模型的基础上,设计并实现了基于Hadoop的校园云存储系统。经过实验验证,该系统有效地解决了在校园办公、教学和科研过程中遇到的海量数据存储管理问题,具有开发成本低、处理速度较快、运行稳定、易于扩展等特点。     

深度学习在地震初至拾取中的应用综述

随着计算机硬件技术的不断提高,人工智能技术在各个行业的广泛应用,地震学界开始探索用深度学习算法处理地震初至波数据,为初至波的拾取研究提供了崭新的方向。为了解决传统地震波初至拾取方法对低信噪比资料拾取精度较低、算法鲁棒性较差等缺点,提高地震初至拾取速度和效率,减少耗费的人力以及人为拾取所产生的误差,该文系统地介绍了地震事件初至波拾取的常用传统方法,详细地阐述了深度学习领域内各种经典神经网络模型在地震初至波拾取中应用现状。通过实例对比分析卷积神经网络、深度信念网络、生成对抗神经网络和深度递归神经网络等模型在地震初至波拾取中的应用效果,讨论总结了深度学习在地震初至波拾取领域内应用存在问题和应用前景,为今后地震初至拾取研究提供新的思路。