基于DSP的闭环光纤陀螺研究

提出了一种基于DSP的全数字闭环光纤陀螺设计方案。文中对该闭环光纤陀螺的A／D、D／A等部分间的时序逻辑进行了设计和实现。讨论一种通过反馈调整D／A的基准电压来实现对2π复位不准确的控制。给出几个重要参数的测定方法和实验结果。     

轻轻松松在线杀毒

在病毒横行,马儿随意吃草的年代,朋友们谈论最多的就要属系统破坏,病毒入侵了。即使个人安装了杀毒软件还不能升级,随着新的电脑病毒层出不穷,预防病毒就如同防火,重在未雨绸缪。针对这种现象,很多杀毒软件公司也相继推出了在线杀毒的功能。那让我们来了解一下在线杀毒吧。[编者按]     

1-(2-氯苯基)-5(4H)-四唑啉酮的合成研究

1 (2 氯苯基 ) 5 (4H) 四唑啉酮 (Ⅰ)可由 2 氯硝基苯经三步合成反应制得。首先 ,2 氯硝基苯经铁粉还原得 2 氯苯胺 (Ⅱ) ,Ⅱ与碳酸二 (三氯甲基 )酯反应得 2 氯苯基异氰酸酯 (Ⅲ ) ,Ⅲ在DMF溶剂中 ,无水三氯化铝催化下与叠氮钠缩合得Ⅰ。三步收率分别为 90 %、80 %、90 % ,总收率为 6 5 %(以邻氯硝基苯计 ) ,产品质量分数达 95 %。     

脉冲关断时间对电刷镀Ni/CNTs复合镀层组织及性能的影响*

采用脉冲电刷镀的方法,制备了镍/碳纳米管（Ni/CNTs）复合镀层.运用扫描电子显微镜（SEM）、X射线能谱分析仪（EDS）、透射电子显微镜（TEM）、球盘式磨损试验机、显微硬度计等分析与测试方法,研究了脉冲关断时间对Ni/CNT复合镀层的表面形貌、孔隙率、CNTs含量、显微硬度和耐磨性等的影响.结果表明：在直流电源下,由于导电性和准一维性碳纳米管的共沉积,复合镀层表面粗糙,孔隙率高.采用脉冲电源后,当脉冲关断时间增加至1 900μs时,复合镀层的表面平整度增加、孔隙率减小为1%、硬度增加为605 HV、磨损重量减小1/3.     

基于融合信息的癌症相关基因选择方法

基因表达数据的出现,为人类从分子生物学的角度研究和探索癌症的发病机理提供了广阔的前景,利用基因表达数据发现与癌症相关的基因对于癌症的诊断和治疗具有重要的意义。在过去的十几年里,已经有很多种计算方法被成功地用于从基因表达数据中找出与癌症相关的关键基因,然而,不同的方法从不同的角度刻画基因对不同类型样本的区分能力,它们选择出来的关键基因可能不一致,这将给医学解释和应用带来困扰。现提出一种融合的方法,即将基因在不同方面对样本的判别能力结合起来,首先计算每个基因的信息增益、全局判别能力和局部判别能力,再用它们的识别率进行加权,进而计算每个基因的综合判别能力,最后筛选出判别能力最高的基因子集作为关键基因子集。实验结果表明,此方法得到了比采用单独一种评价标准更好的识别效果。     

人脸特征的SIFT保护算法

人脸识别技术在门禁、视频监控等公共安全领域中的应用日益广泛,人脸特征数据的安全性和隐私性问题成为备受关注的焦点。提出一种基于SIFT的人脸特征安全保护新算法,首次将随机投影应用到对人脸特征数据的保护中。该算法首先利用SIFT特征对旋转、尺度缩放、光照变化等具有较好稳定性的特点,提取有较好鲁棒性的人脸数据;然后根据用户密钥对SIFT特征进行不可逆变换,生成具有可重建性的人脸特征模板数据,从而实现对人脸特征数据的保护。实验表明,该算法在CMU、AR和Feret人脸数据库中均取得较高的识别率,不仅对人脸特征数据具有保护作用,并且对姿势、遮挡和表情的变化具有较高的鲁棒性。     

蛋白质亚细胞定位预测的机器学习方法

蛋白质亚细胞定位与其功能密切相关.蛋白质在细胞中的正确定位是细胞系统高度有序运转的前提保障.研究细胞中蛋白质定位的机制和规律,预测蛋白质的亚细胞定位,时于了解蛋白质的性质和功能,了解蛋白质之间的相互作用,探索生命的规律和奥秘具有重要意义.基于机器学习方法的蛋白质亚细胞定位预测是生物信息学研究的热点之一.从数据集的建立、蛋白质序列特征刻画和蛋白质亚细胞定位预测算法3个方面,总结和评述了在过去十几年里机器学习方法在蛋白质亚细胞定位研究中的应用情况和取得的成果,分析了机器学习方法在蛋白质亚细胞定位预测方面存在的问题和面临的挑战,指出了蛋白质亚细胞定位研究的主要方向.     

基于视图互信息加权的多视图集成聚类算法

现有的多视图聚类算法往往缺乏对各视图可靠度的评估和对视图进行加权的能力,而一些具备视图加权的多视图聚类算法则通常依赖于特定目标函数的迭代优化,其目标函数的适用性及部分敏感超参数调优的合理性均对实际应用有显著影响。针对这些问题,提出一种基于视图互信息加权的多视图集成聚类（MEC-VMIW）算法,主要过程可分为两个阶段,即视图互加权阶段与多视图集成聚类阶段。在视图互信息加权阶段,对数据集进行多次随机降采样,以降低评估加权过程的问题规模,进而构建多视图降采样聚类集合,根据不同视图的聚类结果之间的多轮互评得到视图可靠度评估,并据此对视图进行加权;在多视图集成聚类阶段,对各个视图数据构建基聚类集合,并将多个基聚类集合加权建模至二部图结构,利用高效二部图分割算法得到最终多视图聚类结果。在若干个多视图数据集上的实验结果验证了所提出的多视图集成聚类算法的鲁棒聚类性能。     

基于多对多生成对抗网络的非对称跨域迁移行人再识别

无监督跨域迁移学习是行人再识别中一个非常重要的任务. 给定一个有标注的源域和一个没有标注的目标域, 无监督跨域迁移的关键点在于尽可能地把源域的知识迁移到目标域. 然而, 目前的跨域迁移方法忽略了域内各视角分布的差异性, 导致迁移效果不好. 针对这个缺陷, 本文提出了一个基于多视角的非对称跨域迁移学习的新问题. 为了实现这种非对称跨域迁移, 提出了一种基于多对多生成对抗网络(Many-to-many generative adversarial network, M2M-GAN)的迁移方法. 该方法嵌入了指定的源域视角标记和目标域视角标记作为引导信息, 并增加了视角分类器用于鉴别不同的视角分布, 从而使模型能自动针对不同的源域视角和目标域视角组合采取不同的迁移方式. 在行人再识别基准数据集Market1501、DukeMTMC-reID和MSMT17上, 实验验证了本文的方法能有效提升迁移效果, 达到更高的无监督跨域行人再识别准确率.