2005国产服务器市场格局与眺望

2005年，国产服务器的发展正好走过了12个春秋。被IBM、HP、DELL和SUN等国际服务器厂商踩在脚下的日子已渐渐远去。然而在IT市场的冬天即将转暖的时候，跨国巨头的全线反攻使群雄崛起的国产服务器厂商迎来了最猛烈的寒风。在芯片、网络、IA架构、多核优化技术等诸多因素的作用下，究竟谁将成为2005年群雄割据的赢家?     

基于双向循环U-Net模型的脑卒中病灶分割方法

脑卒中具有极高致残率和致死率,研究脑卒中病变的自动识别和分割方法具有重要的临床意义。提出一种基于双向循环U-Net(BIRU-Net)模型的病灶分割方法。首先,引入循环神经网络结构,将改进的注意力卷积门递归单元(ACGRU)替代U-Net中的部分卷积层,使分割模型既适用于小规模标注的医学影像数据集,又具有长时记忆特性;其次,采用双路融合训练机制,将单一视面的正向、反向的切片数据同时输入BIRU-Net,并在模型前向传播过程实现双向特征融合,有效利用了切片序列的双向依赖特性。最后,将各单一视面的分割结果进行再融合,有效利用了数据的空间上下文信息。对于ATLAS数据集的实验结果表明,所提方法的DSC值达到了62.58%,与现阶段的其他方法相比,本文的方法能较为准确地分割出病灶区域。     

光通信中的直接检测OFDM技术

基于OptiSystem平台对光通信系统DD-OFDM模型进行了建模与仿真,说明了直接检测OFDM技术的工作原理．研究了在光纤链路中不同距离、不同色散系数的情况下色散对于整个直接检测正交频分复用系统解调的影响．采用色散补偿光纤的色散补偿方式,在300km传输链路上实现接收端信号质量的优化．分析接收端光的输入输出信噪比对于解调信号质量的影响,发现提高激光器输出功率和传输链路中放大器的增益,可以减少误码,提高接收端信号质量．     

雷达导引头指向误差对导弹制导的影响与对策

受相控阵天线指向误差和天线罩瞄准误差的共同影响,相控阵雷达导引头存在较严重的指向误差.当指向误差斜率超出一定范围时会造成导弹制导系统出现寄生回路振荡问题,影响系统的稳定性和制导精度,在高空尤为明显.对此,本文通过构建相控阵雷达导引头制导系统模型,分析了导引头指向误差斜率对导弹制导的影响以及产生寄生回路振荡的机理;为消除...     

"精讲多练"教学法在足球教学中的运用

依据素质教育的根本任务,从培养学生能力入手,对足球教学“精讲多练”的基本方法进行研究和探索,旨在培养学生的讲解、示范能力。     

基于超声解调信号多特征融合的轴承故障识别

针对当前振动监测对轴承初期微损状态监测难、精准度低的问题,提出了一种基于经验模态分解与多类熵值相结合的轴承状态监测方法,研究超声解调信号对故障诊断的可行性。首先将预处理后的超声解调信号进行经验模态分解得到若干本征模态分量,然后对各本征模态分量计算不同熵值特征,再将多特征融合后代入随机森林训练分类模型,利用混淆矩阵进行精度评价,最终对早期故障识别准确率高达97.92%。研究表明,超声解调信号对判别轴承早期故障效果更佳;经过多类熵值特征融合后,轴承状态分类具有更高的识别准确率。     

基于多智能体的电力软科学智能实验室研究

针对电力软科学研究的复杂性、不确定性,总结了电力软科学研究包括的类别,采用最新的信息集成标准、CORBA规范,基于多智能体技术,应用复杂适应系统理论与智能工程理论,提出了电力软科学智能实验室建设框架和开发思路,并详细讨论了其实现方式。该体系结构采用开放式信息集成技术,方便已有软件的集成和功能扩展,可以为其它行业的软科学实验平台的研究和实现提供参考。     

基于自适应进化粒子群算法的多目标优化方法

提出一种自适应进化粒子群优化算法(AEPSO),以提高多目标优化 PSO算法的性能.AEPSO算法把非支配排序技术、自适应惯性权重和特殊的变异操作引入到PSO算法中,来提高算法的全局搜索能力和粒子的多样性.与常用的整体加权方法来处理多目标优化问题不同,AEPSO算法采用非劣解排序来引导粒子的飞行,以改进算法的收敛性,同时采用特殊的变异操作防止早熟收敛并增加优化解的多样性.所提算法的有效性经过四种代表性benchmark函数进行验证,并与几种典型同类型算法进行比较.该算法已成功地用于合金材料的多目标优化设计.实验结果表明AEPSO算法能够较好地兼顾收敛精度与优化解的多样性,满足多目标优化设计的要求.     

半导体量子点/马约拉纳纳米线Aharonov-Bohm干涉仪中的热电效应

用非平衡格林函数方法对比研究了量子点与纳米线中的马约拉纳束缚态或另一个量子点中的常规费米子相互作用的两种系统中电导、热电势和热电优值因子的性质,发现不同结构中的物理量性质截然不同,可以用来探测马约拉纳束缚态的存在.计算结果说明,随着量子点与马约拉纳束缚态相互作用的增强,系统中的Fano效应减弱,电导呈现单个宽峰的结构,...     

复杂多源数据表征学习理论研究与应用

开放环境下复杂多源数据表征学习是机器学习理论高效解决实际任务的关键。目前的机器学习方法大多面向同源同分布数据,并不适用于开放环境下由多源数据融合而造成的复杂标签分布、样本分布以及多域分布等复杂数据表征学习问题。因此,本文提出面向信息安全方向的复杂多源数据特征信息的表征学习理论与方法。通过开展标签融合中相似信息共享与异构信息分离、跨源数据样本转换与语义关联知识迁移、强耦合下跨域与多源数据分布解耦等理论研究,实现开放环境复杂多源数据分布场景下表征学习基础理论创新与复杂多源信息应用系统验证。