多媒体教学课件开发中的关键技术

本就多媒体教学课件开发过程中几个关键技术进行了探讨，提出了设计过程中应注意的一些问题和应遵循的原则，以此来保证多媒体教学课件开发的质量和性能。     

一种针对类别不平衡的代价敏感集成算法

现实世界中的数据挖掘经常涉及从类别分布不平衡的数据集学习,少数类的数量相比于其他类较少.从包含少数类的数据集中学习,通常会产生偏向于多数类的预测分类器,但对少数类的预测精度较差.针对少数类学习提出一种新的集成算法Cost-SMOTEBoost,该算法是SMOTE算法和AdaCost算法的结合.通过实验表明,Cost-SMOTEBoost算法在不降低精确率的情况下提高了召回率,从而提高了在分布不平衡数据集上的表现.     

基于LoFTR算法的图像拼接算法研究与实现

针对传统算法图像匹配准方法提取特征点不精确、鲁棒性低、低纹理下很难识别到特征点等问题。本文提出一种新的局部图像特征匹配方法,替代传统的顺序执行图像特征检测,描述和匹配的步骤。首先在原图像提取分辨率为1/8的粗略特征,然后平铺为一维向量,并为其添加位置编码,将组合结果输入到Transformers模块中的自注意力层和交叉注意力层,最后输入可微分匹配层后得到置信矩阵,为该矩阵设置阈值和相互最近标准,从而得到粗略的匹配预测。其次是在精细层次上细化良好的匹配,在建立精匹配之后,通过变换矩阵到统一的坐标下,实现图像重叠区域对齐,最后通过加权平局融合算法对图像进行融合,实现对图像的无缝拼接。本文使用Transformers中的自注意力层和交叉注意力层来获取图像的特征描述符。实验结果表明,在特征点提取方面,LoFTR算法比传统的SIFT算法,无论在低纹理区域还是纹理比较丰富的区域提取的都更精确,同时使用此方法得到的拼接效果比传统经典算法拼接的效果更好。     

众包室内定位系统中基于多维尺度变换的接收信号强度平滑理论

基于WLAN指纹的定位方法具有成本低、可用性好等优点,近年来越来越受到人们的关注。为了实现室内定位系统的快速部署,通常采用众包技术替代传统部署方法。在离线阶段建立radio map时,由于利用众包技术采集的RSS数据量大大减少,使得RSS数据中的噪声和采集误差无法得到有效抑制,造成建立的radio map精度较低,定位误差增大。针对该问题,本文提出了一种基于多维尺度变换（Multidimensional Scaling, MDS）算法的RSS平滑理论。利用相邻位置RSS数据之间的相关性,在每个位置推断出一个最优RSS值,从而实现抑制噪声和消除采集误差的作用,最终得到更平滑的radio map,提高定位精度。实验结果表明,采用MDS方法达到了预期的目标。基于WLAN指纹的定位方法具有成本低、可用性好等优点,近年来越来越受到人们的关注。为了实现室内定位系统的快速部署,通常采用众包技术替代传统部署方法。在离线阶段建立radio map时,由于利用众包技术采集的RSS数据量大大减少,使得RSS数据中的噪声和采集误差无法得到有效抑制,造成建立的radio map精度较低,定位误差增大。针对该问题,本文提出了一种基于多维尺度变换（Multidimensional Scaling, MDS）算法的RSS平滑理论。利用相邻位置RSS数据之间的相关性,在每个位置推断出一个最优RSS值,从而实现抑制噪声和消除采集误差的作用,最终得到更平滑的radio map,提高定位精度。实验结果表明,采用MDS方法达到了预期的目标。基于WLAN指纹的定位方法具有成本低、可用性好等优点,近年来越来越受到人们的关注。为了实现室内定位系统的快速部署,通常采用众包技术替代传统部署方法。在离线阶段建立radio map时,由于利用众包技术采集的RSS数据量大大减少,使得RSS数据中的噪声和采集误差无法得到有效抑制,造成建立的radio map精度较低,定位误差增大。针对该问题,本文提出了一种基于多维尺度变换（Multidimensional Scaling, MDS）算法的RSS平滑理论。利用相邻位置RSS数据之间的相关性,在每个位置推断出一个最优RSS值,从而实现抑制噪声和消除采集误差的作用,最终得到更平滑的radio map,提高定位精度。实验结果表明,采用MDS方法达到了预期的目标。     

面向主体的软件开发方法

基于主体的软件开发方法是一种新的、功能强大的解决大规模软件工程问题的方法．对象和主体在很多方面有共同点，从工程的角度可以把面向主体看作面向对象的一种特例，但是相对于对象而言，主体是一个粒度更大、智能性更高、具有一定自主性的实体，在异构环境下更能体现出面向主体编程方法的优越性．     

基于对角折叠位运算的图像置乱方法

为提高数字图像在传输中的安全性,将空间位置信息和空域灰度信息相结合,提出了一种数字图像置乱算法,该方法首先将图像矩阵偶数行、列元素互换,并逆序排列偶数行元素,从位置上初步置乱图像;然后将图像矩阵沿两条主对角线折叠对应像素异或后,对得到图像分块,对每一子块进行相同的对角折叠位异或操作,进而对图像进行灰度空间的置乱;最后再将图像矩阵奇数行、列元素互换后,奇数行元素逆序排列,加大置乱程度.初步实验结果表明,该方法置乱效果明显优于Arnold法、Hilbert法、基于最高有效位及混沌系统的置乱方法.     

基于深度卷积神经网络的无序蛋白质功能模体的识别

针对目前实验方法识别天然无序蛋白质中的功能模体耗时费力、难度大,而传统计算机辅助识别方法过于依赖人工挑选特征且准确度低等问题,提出一种利用深度卷积神经网络预测功能模体位置的方法;该方法直接将蛋白质序列作为输入,通过计算对应的位置特异性打分矩阵和3组氨基酸指数特征,将序列映射到数值矩阵中,模型自行抽取特征并自动识别功能模体的隐性序列模式来进行预测。结果表明:当使用相同数据集进行训练和测试时,本文中提出的方法的性能明显优于其他传统的识别算法,在验证集上的感受性曲线下的面积(AUC)值达到0.708,在测试集上的AUC值达到0.760,说明深度卷积神经网络能够有效地识别功能模体的隐性序列模式;该方法也可以用于其他聚集型蛋白质功能位点的识别。     

基于正态分布的距离保持哈希图像检索方法

针对图像检索任务中部分监督学习部署困难,以及一般无监督学习没有利用监督信息导致检索性能劣化的问题,提出一种基于正态分布的距离保持哈希的无监督框架,使生成的哈希码保持图像的原始距离关系,在检索结果中尽可能保留相似的图像;距离保持哈希使用正态分布框架约束生成的连续码保持原始特征的距离关系,将图像的语义信息尽可能保留到哈希码...     

一种面向数据密集型计算环境的聚类算法

针对数据密集型计算环境下数据具有海量、分布、异构、高速变化等特点,分析传统的基于密度的分布式聚类(Density Base Distributed Clustering,DBDC)算法,借助MapReduce编程模型,提出一种新的分布式聚类算法,采用局部和全局的方式处理海量、异构数据,解决具有以上特点的数据密集型计算环境下数据的分析挖掘问题。得出算法的复杂度为O((nlog2n)/p),实验验证在数据量与节点数变化时算法具有较高的稳定性和可伸缩性,与原算法对比该算法具有较高的准确度。     

基于卷积神经网络的图像识别算法研究

针对卷积神经网络在自然图像识别上的局限性,提出一种适用于自然图像识别的卷积神经网络算法,使其在自然图像识别的准确率和速度上取得更好的效果.首先利用MAPREDUCE实现算法的并行化,并利用GPU技术对该算法进行加速;再次利用多区域的逻辑回归计算方法提高图像识别的准确率.在实验环境下验证了改进算法的正确性和有效性.