基于樽海鞘群优化差分进化算法的实验室预约模型

为了提高实验室预约工作的效率，采用动态差分进化算法进行预约方案生成，并通过樽海鞘群算法对动态差分进化算法进行改进，从而增强方案对不同预约规模的适应度。首先，输入实验室设备、实验室时间、预约者申请使用记录等样本特征，构建多个预约样本个体。然后，建立动态差分进化算法实验室预约模型，以实验项目满足度作为适应度。通过交叉和选择操作不断更新个体适应度，并采用樽海鞘群算法对差分进化算法的缩放因子进行优化求解。通过樽海鞘个体的领导者和跟随者在设定运动范围内的位置更新来获得最优缩放因子。最后，采用最优缩放因子对应的动态差分进化算法进行实验室预约方案求解，输出最优受益面指标预约解。实例仿真结果表明，通过合理设置樽海鞘群算法参数，在不同预约者规模情况下，基于樽海鞘群改进的动态差分进化算法均能够获得较高受益面指标的预约方案。     

教学资源网络型分布式存储与管理研究

随着信息时代的来临,学校的数字资源数量有了大幅度的增加,这就对学习的数据存储传输系统提出了更高的要求。该文建立一个基于网格技术的教学资源网格型分布式存储管理系统,这个系统有助于实现学校之间的教学资源共享,保障信息在传输过程中的安全性与保密性,减少教学信息在传输过程中丢失或传输延时的问题。     

基于改进卷积神经网络的遥感图像目标检测方法

为了提高遥感目标检测的稳健性和准确性，基于低层特征检测器，增加了1个改进型卷积神经网络(CNN)框架。首先，利用支持向量回归(SVR)对遥感目标进行初步分类，将检测出的目标信息作为CNN框架的输入。然后，对CNN框架进行优化，通过模块扩展的方式纳入更深的模块。为了使得分类器对亮度变化具有更好的稳健性，在特征向量分类之前增加正则化层(RL)。同时，为了提升目标检测的准确性，增加1个欧拉变换层(ETL),作为类别间的分离度量。使用来自CIFAR-10和MNIST数据集中的图像，与定向梯度边缘直方图(E-HOG)方法、基于生成式对抗网络(GAN)的检测方法、基于二值与浮点数混用方法的语义分割网络(MBU-Net)相比较，仿真结果表明：该文方法的精度和F1得分更高，且标准偏差也更低；该文方法的运行时间接近于一般CNN方法；利用该文方法在测试集的卫星图像中进行目标建筑物检测，模块化CNN可以与基于特征的算法实现互补。