厦门市高颜值生态园林城市建设若干思考

<正>自成立经济特区以来,厦门城市园林经过40年的不断发展,全市共有园林绿地14250公顷,建成区绿地率达40.92%,人均公园绿地面积为14.09平方米,绿色、环保理念在厦门得到很好的诠释,已具高颜值的生态花园城市景观,得到习总书记的高度肯定。目前厦门市正在争创"国家生态园林城市",打造"高标准的生态花园之城"。尽管厦门的绿量、绿意、绿景一直在稳     

突出重点鼓励创新 规范服务 加强监管全面提升科技计划管理水平

科技计划管理是政府提高科技资源配置效率、实行科技宏观调控、加快科技进步、实现经济又好又快发展的重要手段。厦门市科技计划工作紧密围绕推动厦门科学发展新跨越及建设“创新厦门”的战略目标,突出重点,强调创新,精心组织实施科技计划项目,积极培育新的经济增长点,为促进厦门市产业结构调整和企业技术创新提供了有力的科技支撑。     

完善科技资金管理 提升厦门高校院所创新活力

<正>党的十八大明确提出"科技创新是提高社会生产力和综合国力的战略支撑,必须摆在国家发展全局的核心位置",强调要坚持走中国特色自主创新道路、实施创新驱动发展战略,到2020年,基本形成适应创新驱动发展要求的制度环境和政策法律体系,为进入创新型国家行列提供有力保障。     

一种基于深度特征融合的网络流量分类方法

随着网络应用的持续发展,识别特定的流或者应用程序有着重要的作用。由于机器学习方法对特征选择较为苛刻,因而,具有自动特征提取的深度学习算法的优势就突显出来了。但现有深度学习方法大多是对网络流量的原始字节进行处理和分类,而原始字节包含较多的冗余和混淆信息。针对此,提出了一种基于深度特征融合的流量分类方法。该方法对原始的统计特征进行融合,并将融合后的特征转化为灰度图像,应用卷积神经网络对转换后的灰度图像进行分类,达到对加密流量进行分类的目的。在两个真实数据集上进行实验验证,分类准确率达到了92%～99.89%。与文献方法相比,在网络流量粗粒度和细粒度分类上都取得了更好的结果。     

厦门高新技术产业发展的思路和举措

由1997年7月2日泰国政府宣布放弃外汇挂钩制度而引发的东南亚金融危机,已过去了9个月。尽管造成这场危机的原因极为复杂,有短期的直接触发因素,更有经济结构严重失衡的深层次原因。近年来,泰国、菲律宾、马来西亚、印度尼西亚等国都存在房地产发展过快和供大于求的严重问题,这些国家的银行向房地产的贷款往往占到贷款总额的20-30％,而对基础设施等方面的投入严重不足。当房地产这种“泡     

高岭土干细磨过程机械力化学变化的检测

本文研究了高岭土干细磨过程中发生的机械力化学变化。采用粒度分析、SEM、XRD、IR、DTA和DTG、反气相色谱（IGC）以及BET多层吸附等测试方法对干细磨高岭土进行分析测定。结合高岭石晶体结构特点，从机械力化学角度阐述了在高岭土干细磨过程中发生的晶格无序化、脱羟基反应、表面性质变化及团聚作用的机理。     

分布式粒子滤波算法在面向跟踪的无线传感器网络中的应用

无线传感器网络在目标跟踪应用中的优势主要体现在跟踪更精细可靠且及时隐蔽,但是由于传感器网络中没有中心控制机制,无线通信的带宽有限,这就要求采用合理的跟踪策略,高效的分布式信息处理算法.将"ad hoc跟踪群"的概念移植到面向跟踪的无线传感器网络中作为传感器的组织策略,并和适用范围较大的粒子滤波相结合实现跟踪任务.仿真实验证明,在不影响跟踪精度要求的情况下,此方案能够降低通信能量开销.     

基于表面轮廓近似指纹图像增强方法

指纹辨识和确认系统的性能优越很大程度上依赖于所得指纹图像的质量。在这篇文章里,我们将提出一种有效的指纹图像的增强算法,它可以改进图像的质量和脊线轮廓的连续性,对质量较低的指纹图像将有很好的增强作用。不干净的传感器,拍摄指纹器件规格化的不一致和拍摄时对手的接触不协调是造成所得指纹样本质量不高的主要原因,同时也影响了对指纹图像的特征提取。文章所提出的方法对这些表面轮廓质量不好的指纹图像通过近似这些轮廓来估计手指的弹性度。然后通过取近似值来对指纹图像进行归一化。实验的结果也表明用文章所提方法对指纹图像的增强有很好的作用,并且性能上也要比其他已经一些已经增强算法要优越。     

基于相关性特征选择和深度学习的网络流分类

随着网络和多媒体技术的发展,网络流量类别越来越多。网络流量正确分类对服务质量保证、资源分配等非常重要。现有研究中,运用简单的算术运算来融合特征,取得了有效的成果。但是,现有特征融合的运算方法比较单一,且高维特征中存在较多的冗余。为此,提出了增强特征融合方法,生成高维特征,并使用皮尔森相关系数选择最优特征组合。在两个真实数据集上对所提方法进行了测试,发现当特征之间的相关性阈值为0.90时,可以最大程度地删除冗余特征。之后,将选择特征生成二维灰度图,使用卷积神经网络(Convolutional Neural Networks, CNN)分类模型,总体准确率可达99.84%;与文献方法相比,准确率提高了2～4个百分点。