机器人避障功能的设计

本文介绍了通过硬件的连接以及利用汇编语言编写简单程序使机器人实现避障功能.     

基于YT0-101总线的PC与单片机通信系统的研究

在对YT0—101通信接口电路及其通信协议研究的基础上，探讨了PC机与8051单片机之间进行etech—bus串口通信软件和硬件设计的原理及方法，给出了单片机与YTO—101总线的部分接口程序。     

智能化校园的实现技术

从智能化建筑的概念出发,引出智能化校园的含义,探讨智能化校园的功能及实现技术.     

可压缩流体网络的建模方法

本文运用网络分析手段,首次提出了任意拓扑结构可压缩流体网络动态特性的建模方法.该方法突破了目前在流体网络分析中普遍采用的“小扰动”线性化处理方法的局限。     

Systems and organizations: Distal and proximal thinking

The paper introduces the contributions to this special issue ofSystems Practice on Systems and Organizations: New Directions in terms ofdistal andproximal thinking. Distal thinking refers to ready-made concepts, to the finished effects and outcomes of thought and action; proximal thinking, to process and event, to the continuous and unfinished. The papers presented here deal with various aspects of the distal/proximal distinction in social systems and organizations, and especially draw out the implications of recent work in information technology, sociology of technology, accounting theory, and organization studies for a proximal conception of systems and organizations.     

电话管理信息处理计算机系统

本文从话务、线务、机务和固定资产管理四个方面建立了“电话管理信息处理计算机系统”。该系统对院校电话管理实现信息处理现代化具有重要作用。也可引用到企业和其它事业单位。     

虚拟GDB远程调试技术及其在硬件仿真器中的应用

为了解决当前硬件仿真器采用测试激励与探针采样调试方法导致的额外硬件资源需求增加以及调试方法复杂死板的问题,研究出一种虚拟GDB远程调试技术提高硬件仿真器的调试能力。首先,使用JTAG的消息代理器与事务处理器进行软件与硬件的信息交互,实现计算机与硬件仿真器的通信;然后,通过VPI接口实现GDB与JTAG代理器的软件信息交互,完成虚拟GDB调试;最后,在硬件仿真器中进行应用实验。结果表明,虚拟GDB远程调试系统可支持断点插入、单步运行、寄存器读写等功能,与插入探针的调试方法相比,使用虚拟GDB调试提速近百倍。虚拟GDB远程调试技术丰富了硬件仿真器的软件调试手段,增强了硬件仿真器的调试能力,提升了芯片设计验证效率。     

基于改进RPN的孪生小样本电力目标检测

为了解决当前电力系统巡检难度大、效率低、数据不足以支撑大规模训练的问题,提出一种基于孪生网络的小样本检测方法。首先,在Faster RCNN(faster region convolutional neural network)目标识别算法的框架下,搭建支持图片和查询图片共享的孪生网络模型;然后,利用改进的RPN(region proposal network)模块产生更高质量的proposals;最后,在检测头上对支持图片和查询图片的RoI(region of interest)进行关联匹配。结果表明,将算法应用于自主构建的EPD(electric power detection)数据集,在仅利用10张支持图片的情况下,就能实现对电力背景下鸟巢异物和绝缘子相关类别的检测,检测指标mAP达到18.92%。与其他算法相比,应用于电力行业目标检测的孪生网络小样本模型,在极端小样本情况下性能优良,同时具有更加轻量化的优势,可为电力检测新方法研究提供参考。     

基于词-标签概率的多标签文本分类研究

针对多标签文本分类任务中如何有效地提取文本特征和获取标签之间潜在的相关性问题,提出一种CNN(convolutional neural networks)结合Bi-LSTM (bi-directional long short-term memory)的模型.首先,通过CNN网络和最大池化提取文本的特征;然后,利用训练的Labeled-LDA(labeled latent dirichlet allocation)模型获取所有词与标签之间的词-标签概率信息;接着,使用Bi-LSTM网络和CNN网络提取当前预测文本中每个词的词-标签信息特征;最后,结合提取的文本特征,预测与当前文本相关联的标签集.实验结果表明,使用词-标签概率获取文本中词与标签之间的相关性信息,能够有效提升模型的F1值.