非瓶颈紧前工序及风险承受度对输入缓冲的影响研究

为提高输入缓冲设置的科学性与合理性,在计算输入缓冲时,需考虑非瓶颈紧前工序的分布并区分瓶颈工序风险和非瓶颈工序风险的大小。文章运用模糊理论方法,考虑工序的位置权数、资源紧张度、工序复杂度以及风险承受度因素,计算非瓶颈紧前工序的工序缓冲;根据非瓶颈紧前工序的工序缓冲及其分布推导输入缓冲的计算公式;并通过算例验证方法的合理性。文章的结论是风险承受度及非瓶颈紧前工序分布对输入缓冲具有重大影响,且后者的影响大于前者。

面向云制造作业车间的机器能力界定方法

针对面向云制造作业车间,研究不同扰动情形下机器保护能力的设置以及参与云服务能力的划分问题。揭示了系统有效产出随机器能力增长变化的规律。提出了能力松弛率和可用调度时间的概念,建立了面向云制造作业车间的机器能力界定模型。设定了不同的非瓶颈能力松弛率和扰动水平,通过对非瓶颈能力的分级利用,得到了非瓶颈松弛率对系统性能的影响曲线。基于聚类算法提出了非瓶颈能力界定方法,给出了不同扰动水平下每台非瓶颈机器的生产能力、保护能力和云服务能力,为企业自制与云服务能力划分与利用提供了决策依据。

基于改进Deeplab V3+网络的语义分割

深度学习的语义分割在计算机视觉领域中有非常广阔的发展前景,但许多分割效果较好网络模型占用内存大和处理单张图片耗时长.针对这个问题,把Deeplab V3+模型的骨干网(ResNet101)的瓶颈单元设计为1D非瓶颈单元,且对空洞空间金字塔池化模块(Atrous Spatial Pyramid Pooling,ASPP)的卷积层进行分解.该算法能大幅度降低Deeplab V3+网络的参数量,提高网络推理速度.基于PASCAL VOC 2012数据集进行对比实验,实验结果显示改进网络模型拥有更快的处理速度和更优的分割效果,且消耗更少的内存.

约束理论与同步制造的目标评价体系与原理

1.引言70年代的后半期,Goldratt博士与他的一位在工厂工作的朋友谈及工厂里的作业计划问题。他利用研究物理学的思想和知识试图解决该厂的作业计划问题,而且取得了非常好的效果。从此,他正式开始研究生产作业计划的问题。

基于MobileNet-SSD的实时目标检测方法研究

针对深度学习技术在目标检测中的持续升级,特别是其检测精度提高导致模型参数过多的问题,提出了一种基于轻量级卷积神经网络MobileNet-SSD的实时目标检测方法。结合深度可分离卷积和非瓶颈自由残差模块构建新模块,并使用深度可分离卷积结构替换SSD网络的VGG骨干网络来提取特征,从而达到减少参数和提高速度的目的。在低照度目标检测数据集ExDark上进行了实验,验证了方法的有效性和优越性,并在Android平台上部署,验证了可扩展性。该方法是一种在减少参数的同时提高检测速度的实时目标检测方法,对嵌入式系统应用具有较高价值。

企业面临的形势、政策、理论、经验

最新趋势入世:中国房地产面临七大机遇八大挑战我国加入世贸组织是经济领域面临的重大转折,也为我国的房地产业提供了至少七大难得机遇。机遇一:消化空置,盘活存量。入世后大批国外机构纷纷进驻中国,势必会为目前低迷的外销物业带来一股暖流。机遇二:降低建造成本。此前高档物业所需的高档建材均需进口,价格昂贵。入世后关税将由22.5%降至17%甚至更低。机遇三:促进产业重组。