基于深度卷积神经网络的ECG信号分类研究

心血管疾病的发病率、死亡率都很高,心电图作为心血管疾病患者必要的辅助检查项目,在心血管疾病诊断上具有重要作用。主要研究利用ECG信号具有大数据特征的优势,通过人工智能方法建立模型对ECG信号进行分析,可以抽象输入信号的深层次特征,利用深度神经网络提取信号鲁棒性特征的能力,最终通过深度学习理论技术对心拍、心律失常类信号进行有效的分类与识别,探索了深度学习技术在由心肌缺血引发的心血管类疾病识别中的研究与应用。

基于GPU和矩阵分块的增强植被指数计算

增强植被指数(enhanced vegetation index,EVI)算法是生态遥感领域的重要算法,被广泛应用在植被分类、作物长势检测和自然灾害监测等方面。而随着遥感影像获取能力的不断提升,在使用传统的EVI算法处理数据量较大的影像时会出现内存占用率较高且耗时较长的现象,给应用系统的快速响应带来了不便。针对这种情况,结合EVI算法特点,提出一种基于GPU和矩阵分块的EVI算法,充分利用CPU和GPU各自的优势提高算法执行效率。对于需要分块处理的影像数据,该计算方法根据影像数据大小、系统可用内存和GPU可用显存计算出分块数目,在CPU端将影像数据按照相同的规则进行分块,然后将分块后数据在GPU端进行EVI运算,最后将运算结果返回到CPU。实验结果表明,EVI算法经过改进后的运算速度得到了有效的提高,内存使用率得到有效的降低,验证了被改进算法的优越性。

基于流水线的增强型植被指数快速提取算法

针对传统的并行方法难以对增强型植被指数(enhanced vegetation index,EVI)提取链进行加速的问题,结合EVI提取算法的特点,依靠流水线在遥感影像多级连续处理方面的优势,提出一种基于流水线模型的EVI快速提取算法。为了解决相邻处理阶段吞吐率的差异问题,在流水线相邻节点间加入双缓冲队列来存储节点处理的中间结果,进一步提高EVI提取算法各步骤并行度。实验结果表明,提出的EVI快速提取算法的提取效率要高于传统的EVI多线程提取算法。

浅谈植被指数的分类与应用

随着遥感技术的发展,植被指数(vegetation index,VI)作为地表植被覆盖和植被生长状况的度量参数,被广泛应用于环境、生态、农业等领域。现有的科学文献中发布的植被指数种类超过了150种,这些缺乏科学分类的植被指数,使研究者在具体应用时不能够做出快速准确的选择。因此本文在分析了影响植被指数的诸多因素的基础上,对多种典型的植被指数进行概括分类,进而讨论各自的优势和应用局限性,这将有助于不同的植被指数能够更精确的应用在不同的研究和应用领域,从而在一定程度上给相关领域的研究者提供参考。

智慧校园建设过程中的“捭阖之道”

建设高水平智慧校园,为高素质技术技能人才培养提供强力支撑,对构建现代职业教育体系具有重要意义。通过对智慧校园总体框架及教育信息化2.0对智慧校园建设的要求等方面的分析,结合春秋战国时期著名纵横家鬼谷子的“捭阖之道”,以“捭阖之道”探讨智慧校园建设之道,对于推进当前智慧校园建设工作有重要的现实意义。