基于终端测量的移动流媒体QoE评价方法与设计

针对在进行用户体验质量（Quality of Experience QoE）评价时获取数据困难的问题,建立一套在移动终端上获取用户体验数据的方法,来为QoE评价提供数据支持.目前,对于用户体验质量的研究大多都是在实验室环境下进行的,很少考虑到现实环境,导致研究具有局限性.通过设计运行在移动终端的应用程序,可以获取用户在真实环境下的主客观QoE数据,结合LivingLab理论,提出一种基于真实用户环境来研究QoE的方法.实际应用表明,该方法可以较好地评价用户体验质量.     

车牌字符分割算法的比较研究

字符分割是车牌照自动识别系统中的关键步骤，通过对比3种车牌字符的分割方法，即水平投影法、模板匹配法、聚类分析法，提出了一些新的观点。经过对不同背景、光照条件下采集到的车辆图像进行实验，可以较好地解决在复杂背景条件下车牌字符分割的问题。     

海水源热泵系统取水技术试验

为了提高海水源热泵系统的热源温度,提出采用海岸井取水系统．搭建海岸井取水试验台,进行抽水试验研究该系统的渗流换热特点．试验结果表明,渗流换热过程中含水层温度变化最大,含水层周围土壤层的温度变化有明显的衰减和滞后海水渗流与土壤换热后供水水温提高,且间歇供热过程可以缓解抽水过程中井水水温下降速度,从而为热泵机组提供一个具有相对稳定和较高温度的热源     

次生林斑块的边缘效应对鸟类分布格局的影响

2005~2006年鸟类的繁殖季节,在吉林省左家自然保护区确定了11块次生林斑块,对次生林斑块的边缘效应对鸟类分布格局的影响进行了研究.结果表明:11块样地面积在10.9~51.2 hm2之间,平均面积为24.8 hm2;鸟类主要分布在0~50和50~100 m两个距离梯度;不同梯度中鸟类的分布在年际间未发生较大波动(P0.05),不同距离梯度的鸟类分布差异很大,达到极显著水平(P=0.00);0~150 m为鸟类的主要分布区域,边缘距离为150 m,次生林斑块中边缘效应存在.     

增肌运动处方对偏瘦女大学生体质的影响

运用文献资料法、实验法对17名偏瘦女大学生进行增肌运动处方锻炼。实验采用中低强度的有氧运动和抗阻练习,每次锻炼时间为40 min ,运动频率设定为每周2次（周一和周三）,把心率控制在130～150 b／min ,实验连续实施16周。结果显示：偏瘦女大学生的心肺功能得到了有效的改善,其中心率、心指数和肺活量指标改善较大,对血压的影响不大;偏瘦女大学生的BM I、身体各围度和皮褶厚度得到了有效的改善,其中BM I、臂围（紧张）改善较大,而对皮褶厚度、身体的其他围度影响不大;身体素质指标中除了握力以外,其他的指标均得到有效改善。本研究提示,增肌运动处方能有效改善偏瘦女大学生的机能指标和素质指标,对提高偏瘦女大学生身体素质具有一定的积极效应。     

基于声发射检测的岩石材料非均质性评价与分类研究

对于深部岩石力学和地下工程而言，准确表征与评价岩石的非均质性，对于研究岩石在深部复杂环境下物理力学性质的变异性至关重要。由于岩石成分的复杂性和矿物分布的随机性，采用传统的图像观察方法难以准确的表述岩石的非均质性，因此，亟需寻找一种科学、实用的试验方法对岩石的非均质性进行表征评价。本文假设同种岩石具有相同的矿物几何特征及边界特征（即岩石的微观基质相同），岩石在破坏过程中强相矿物破坏的声发射信号相比于弱相矿物破坏的声发射信号较多。岩石巴西劈裂过程中轴线上的破裂可以近似的认为岩石内部强弱相矿物的依次破裂，通过统计不同应力阶段岩石的声发射信号特征可以间接的分析岩石内部强弱相矿物的差异性。基于此，通过定义岩石强弱相矿物占比及矿物空间分布的均匀性表征出了岩石的非均质性。之后选取不同特征变辉长岩和花岗岩验证了分析方法的科学性和实用性。最后，本文在岩石非均质性评价的基础上探究了岩石宏观力学参数与岩石非均质特征的相关性。单轴和三轴试验表明，岩石的峰值强度和弹性模量不仅仅与岩石强弱相矿物占比有关，也与岩石矿物空间分布的均匀性相关。     

基于深度学习的SSL VPN加密流量的分类识别

随着虚拟专用网技术的广泛使用，VPN加密流量的分类识别对于网络安全管理的重要性愈发明显，而传统流量分类技术在提取特征和关键协议字段时效率较低.因此，本文提出一种基于卷积神经网络的深度学习模型，用以实现SSL VPN加密流量的分类识别，并减少特征工程中的人力成本.首先，将流量区分为VPN加密流量和非VPN加密流量，并且确定出这两类流量所属的服务类型；然后对所有流量进行分类，识别出产生流量的应用类型.考虑到网络流量中存在的时序关系，采用一维卷积神经网络作为深度学习的模型，通过构建Pytorch的实验环境，采用ISCX2016数据集，实现对VPN加密流量的分类任务.通过参数优化，除数据量较小的数据类型外，应用识别的平均F1-score为91.73%,流量识别的平均F1-score为91.13%.实验结果表明，基于一维卷积神经网络的深度学习方法对于识别SSL VPN流量是可行和有效的.