基于FSCD-CNN的深度图像快速帧内预测模式选择算法

针对3D-HEVC的多视点视频加深度图的编码格式和四叉树编码结构所带来的编码复杂度问题,提出了一种深度图像快速帧内预测模式选择算法。首先,从深度视频序列中以最优的深度图最大编码单元（largest coding unit,LCU）划分深度为标签获取训练集;其次,构建了适用于LCU的Cu深度快速选择卷积神经网络（fast selecting Cu’s depth-convolutionalneural network,FSCD-CNN）;最后,对深度图LCU进行划分深度预测,跳过部分编码模式决策,实现最佳LCU划分。实验结果表明,与相关文献对比,所提算法在保持了编码性能的同时平均减少了15%的编码时间,实验验证了其有效性和可靠性。     

扩容器选择数学模型建立及仿真实现

为了解决手工设计时,工作效率低、无法保证发电机组的安全和经济运行等问题,建立了扩容器选择数学模型,并采用Visual Basic 6.0开发扩容器选择计算机系统. 在系统中使用ActiveX数据对象通过OLE DB Provider访问数据库服务器中的数据,具有对基础数据的管理功能. 利用扩容器选择计算机系统可以做到操作简单,减少人为造成的误差,提高设计效率.     

分布式测控系统的服务元网络体系结构

针对传统分层网络体系结构所存在的弊端进行了分析，在此基础上介绍了新一代网络体系结构方面的研究现状。结合分布式测控系统的体系结构随网络体系结构变化的特点，提出了结合服务元网络体系结构的分布式测控系统体系结构。对其中的服务功能元素和服务元模型进行了描述，并给出了基于服务元的分布式测控系统微通信元系统构架。分布式测控系统的服务元网络体系结构具有高效、简洁、可扩展和容易实现的特点。     

贝尔凹陷含油气系统划分及特征

根据含油气系统划分的基本方法,海拉尔盆地贝尔凹陷可以划出3个含油气系统,即铜钵庙组含油气系统、南屯组含油气系统、大磨拐河组含油气系统.3个含油气系统的关键时刻趋于一致,均为伊敏组末期.油气运聚单元的划分有利于认识盆地内油气的分布聚集规律,根据油气运移分隔槽及隔挡条件,可将铜钵庙组含油气系统划分为2个油气运聚单元,南屯组含油气系统划分为6个油气运聚单元,大磨拐河组含油气系统划分为3个油气运聚单元.     

浅析职务侵占罪及其立法完善

职务侵占罪是1997年刑法新规定的一种犯罪.从其历史的演变,犯罪构成特征,与侵占罪、贪污罪及挪用单位资金罪的区别与联系可以使我们对其进行正确的认定.然而刑法关于其定义的模糊性及法定刑规定偏低造成了司法实践中难以实现其立法目的的结果,应从立法方面予以完善.     

数据采集系统的USB接口设计

针对一般总线的数据采集设备都受到不支持热插拔、PC端口资源有限等因素的影响,使用起来很不方便的问题,设计了采用USB(Universal Serial Bus) 作为数据采集系统的通讯总线,系统采用具有ISP(In-System Programing)功能的微控制单元P89C51RD2HBA 和专用USB接口芯片PHIUSBD12 作为硬件通讯平台,遵循USB1.1协议规范设计通讯部分程序,使用KILE C编译环境完成系统程序的设计.该设计使采集系统具有接口便捷、易扩展和低成本等特点,经测试,该系统采样速率可以达到136 kbit/s.     

配电线路快速保护原理及分析

随着配电网络通讯系统的不断完善,特别是城市配电光通讯网的建立,利用通讯通道实现快速保护成为可能,基于通讯的配电线路保护能够有选择性地实现快速故障隔离和系统重构,是配电自动化发展方向.分析了方向闭锁式过电流保护和方向允许式过电流保护的动作原理以及配电系统的特殊性,表明闭锁式方向过电流保护满足配电线路快速保护的要求.提出的配电线路快速保护方案,能准确选出故障线路,瞬时动作隔离故障.当馈线远方终端(FTU)拒动或通讯中断时,变电站馈出线的保护可作为远后备.     

基于散列技术的快速子串归并算法

用统计方法研究东西方语言的多词单元问题和东方语言的未登录词问题时需要删除同频子串(子串归并)．传统的子串归并算法时间复杂度为O(n^2),在大规模语料库的处理中效率低下．提出一种基于散列技术的时间复杂度为O(n^2)的子串归并算法,并用数学方法证明其与O(n^2)复杂度的算法等价,即输入相同时输出也相同．不同规模语料上的实验结果表明新算法能够大大缩短子串归并所需时间,适用于大规模语料库的处理．     

一类单叶调和函数族的极值点与支撑点

设T是由具有形式f(z)=z-∑n=2^ ∞αnz^N-∑n=2^ ∞bn z^-n,且满足条件αn≥0,bn≥0,∑n=2^ ∞n（αn bn)≤的所有复值调和函数组成的函数族．找出了函数族T的极值点与支撑点．     

基于强化局部特征的3D点云分类与分割网络

在点云的处理过程中，许多深度学习网络未能充分考虑局部点之间的复杂关系，导致大量空间几何信息丢失。针对该问题，提出了一个强化局部特征的网络，用于点云的目标分类和语义分割。该网络通过设计编码单元对点的多方向信息进行编码；通过注意力机制学习采样分组后形成局部点云的特征。同时提出了一种新的多维损失函数，结合使用交叉熵损失函数与中心损失函数作用于分类任务。在数据集ModelNet40和ScanNet上进行了大量实验，结果表明：该网络在点云的目标分类和语义分割任务上表现出较好的性能。