基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。     

软件无线电技术应用研究

针对软件无线电技术的基本概念、体系结构、实现的关键技术以及近期在软件无线电技术应用研究中的分析体会作了简要论述 ,对软件无线电技术的开发及应用前景进行了分析 ,并着力提倡今后对软件无线电技术的开发与利用。     

一种克服遗传算法早熟的参数调整及并行方法

遗传算法是一种自适应全局优化概率算法,容易产生早熟（过早收敛）现象,影响了问题的求解,本试图借助于多种群进货和种群间个体移植的概念,通过自适应控制参数的调整,利用移植并行的方法求出问题的最优解（或近似最优解）以使避免早熟,从而提高算法的搜索范围和效率。     

基于并行免疫遗传算法基因表达数据的动态模糊聚类

提出一种改进的并行免疫遗传算法, 通过在群体规模上引入“岛”的概念, 实现了可变的群体规模; 通过在适应度函数内引入免疫算子, 避免了算法过早收敛. 因此, 解决了寻优算法中局部收敛的困扰, 提高了获得全局最优解的几率. 把此算法应用于斯坦福大学酵母细胞周期表达数据库的数据进行共表达聚类, 并将实验结果与Spellman按照功能基因组学进行聚类所得结果进行了对比, 证明了所给算法在功能基因组 学聚类上的有效性.     

2000年数据库系统的前景与面临的挑战

简要地回顾了数据库系统的发展，讨论了数据库系统的现状，并从标准、性能、并行结构、数据库环境、联系等方面论述了数据库所面临的新的挑战，对２０００年数据库系统的前景进行了预测。     

求解一类线性问题的两种迭代算法的并行性能分析

讨论了针对求解线性问题Y=(A×B)Y+Φ     

面向虚拟产品设计的专家协同评审系统

利用计算机支持的协同工作（CSCW）技术，开发一个面向虚拟产品设计的专家协同评审系统，建造了一个三级体系结构的分布式协同开发环境，对系统的主要功能及工作流程作了介绍；并就实现专家协同工作的几个关键技术进行了探讨，实践证明，本系统对提高产品开发效率具有极为重要的意义。     

并行组合扩频超宽带系统的跳时多址接入性能

针对前期提出的并行组合扩频超宽带通信系统,采用跳时多址接入方式,通过分析文中系统的误码性能和多用户接入数量,对其多址性能进行研究.仿真结果表明:跳时多址接入方式的采用改善了并行组合扩频超宽带通信系统的多址性能,大幅提高了系统容量;在大信噪比环境中,该采用跳时多址接入的系统工作在5个干扰用户条件下的误码性能仍比在单用户条件下工作的传统超宽带通信系统有较大的提高.进一步分析了该多址系统可容纳的用户数量,认为较多用户干扰时可以考虑采用新的跳时码减少脉冲间发生碰撞的概率,以降低多用户干扰.     

基于PVM的m-Step Jacobi PCG方法网上并行求解有限元方程

针对基于PVM的桌面PC机联网而成的网络并行计算环境中,处理机的运算速度较快而处理机间的通信相对较慢,以及微机的内存有限的实际情况,从实用的角度出发,给出了基于PVM的网上求解有限元方程组的并行m-Step Jacob i PCG方法,该算法的矩阵和向量采用行元素相邻单元贡献法实现有限元总体刚度矩阵和荷载向量的并行计算与组装,分块储存在各处理机上,其处理机间通信较少。并在1-4台桌面PC机连接成的局域网,PVM3.4 on W indow2000,VC 6.0并行计算平台上编程对该算法进行了数值试验,得到了较理想的结果。     

电力系统负荷恢复优化的并行遗传算法实现

对电力系统的负荷恢复问题进行了研究.将该问题建模为一个多约束条件的组合优化问题,根据遗传算法特别适合求解大规模组合优化问题的特点,设计了一种粗粒度并行遗传算法来对此优化问题进行求解.在消息传递类并行软件开发环境提供的基于消息传递的并行虚拟环境下,采用master/slave的并行编程模式,有效地提高了算法的计算速度.将各种约束条件与目标函数融合在一起,建立一种序关系,来处理负荷恢复中的约束条件.求解过程满足系统的约束条件,不会出现系统的越限.算例结果表明,所提出的并行遗传算法不仅可以最大限度地恢复负荷,而且可有效提高算法的计算速度.