基于RT-Thread的嵌入式识别系统设计与实现

提出了一种使用基于RT-Thread实时操作系统和STM32L431微控制器的嵌入式识别系统。使用VGA摄像头实时的采集被识别物体的图像信息,对采集后的图像信息进行图像预处理;然后使用MobileNetV3模型进行参数训练;最后,在嵌入式终端实现了对图像的推理识别。实验表明,对MobileNetV3模型的验证和在终端进行实物测试的结果性能指标高、响应时间快。

UOS系统常见故障的诊断与排除

国产计算机操作系统越来越广泛地应用于日常工作中,基于Linux的国产计算机操作系统UOS在使用过程中仍存在着较多故障。基于此,把使用UOS系统时常见的故障进行了归纳总结,并对常见的故障给出了解决思路和关键修复步骤,从而帮助UOS系统使用者或系统管理员快速定位和修复故障,为保证UOS系统正常使用提供方法和依据。

计算机软件开发中安全技术研究

当前网络信息化技术不断发展,为人们的日常生活带来很大的便利,也使得社会经济不断进步,人们对计算机的使用率不断提高。计算机软件开发技术是计算机应用不可或缺的重要组成部分。安全技术对计算机软件开发具有重要意义,对安全技术进行研究,能够为计算机软件开发提供帮助。本文主要就计算机软件开发中安全技术研究展开分析。

基于机器学习耦合模型预测FDM零件的表面粗糙度

熔融沉积工艺(FDM)制造的零件表面粗糙度高,不仅影响了零件外观,还降低了性能。采用响应面实验设计,研究了层高(A)、填充密度(B)、喷嘴温度(C)、床层温度(D)和打印速度(E)对聚乳酸(PLA)零件表面粗糙度的影响。同时,将遗传算法(GA)与决策树(DT)、人工神经元网络(ANN)两种机器学习模型相结合,预测了零件的表面粗糙度。结果表明,A、B、C和E是显著影响零件表面粗糙度的主效应,A×B、A×C、A×E、B×C、B×E、C×E是影响显著的交互效应。GA+DT耦合模型预测PLA零件表面粗糙度的准确性更高,预测值与实验值的相关系数(R2)、均方误差(MSE)和平均绝对误差(MAE)分别为0.952、0.132和0.234,优于GA+ANN的0.823、1.561和1.759。GA+DT模型的预测值与实验值的Pearson相关系数为0.984,而GA+ANN模型仅为0.903,这表明GA+DT模型在预测PLA零件表面粗糙度时准确度更高。

基于BootStrap+JavaScript语言简易计算器的实现

利用BootStrap框架中栅格系统实现了计算器界面的设计,网页交互脚本技术JavaScript实现了计算器计算操作,完成计数器中加、减、乘、除功能。通过实践,该设计具有强大的实用性,界面简洁,功能合理,给用户提供了很多的便利。

基于深度学习的医学图像识别研究综述

1943年McCulloch和Pitts首先提出了神经元模型(MP模型)[1]。1958年到1962年,Rosenblatt在神经元模型的基础上添加了学习功能,提出了单层感知器网络模型[2-3],并将此模型应用到实践中,但是此模型解决不了线性不可分问题。到1986年,Rumelhart等人提出了反向传播网络模型(BP模型)[4],解决了之前单层感知器网络模型不能解决的问题。在20世纪末,支持向量机(SVM)[5]被提出,SVM属于浅层机器学习模型,并取得巨大成功。直到2006年Hinton等人[6]认为具有多隐藏层的深层神经网络有很好的特征学习能力,从而引起了深度学习的热潮。深度学习(deep learning)就是通过无监督学习的方法训练每一个隐层,并将上一层训练的数据传递给下一层再训练,最后通过有监督学习的方法(如BP算法)调整训练好的整个网络[7]。目前流行的深度学习模型有卷积神经网络(CNN)[8]、循环神经网络(RNN)[9]、深信念网络(DBN)[10]、深自动编码器网络(DAN)[11]等。

基于逐跳转发方式的单故障路由保护方法

业界提出利用LFA(loop free alternates)方案来应对网络中频繁出现的故障,然而LFA并不能保护网络中所有可能出现的单故障情形。针对上述问题,提出了一种基于逐跳转发方式的单故障路由保护算法SFRPA(single failure routing protection algorithm based on hop by hop forwarding)。SFRPA首先提出了三个无环路备份下一跳选取规则,然后制定了优先级队列的操作规则,最后利用优先级队列和无环路备份下一跳选取规则为所有源目的节点对计算出一个最优的备份下一跳。该算法具有支持逐跳转发、支持增量部署、保护网络中所有可能的单故障情形三个特征。实验结果表明,与经典的路由保护方案LFA、DMPA、TBFH和IAC相比较,SFRPA不仅可以应对网络中所有可能的单故障情形,并且具有较小的路径拉伸度。

多视角多注意力融合分子特征的药物-靶标亲和力预测

近期深度学习在药物-靶标亲和力(DTA)任务上受到极大关注,然而现有工作多将分子单一结构嵌入为向量,忽略了多视角融合分子特征对最终特征表示提供的信息增益。针对单一结构分子存在特征不完备性的问题,提出了一种基于注意力融合多视角分子特征的预测DTA的端到端深度学习方法,其核心模块为多视角分子结构嵌入(Mas)和多注意力特征融合(Mat)。首先,使用Mas模块将多视角分子结构嵌入到特征向量空间;然后,通过Mat模块融入分子特征层级的注意力机制,从而对不同视角的分子特征进行加权融合;其次,根据药物-靶标相互作用(DTI)执行两者特征级联;最后,利用全连接神经网络回归预测亲和力。在Davis和KIBA数据集上的实验验证了训练比率、多视角特征融入、多注意力融合、以及相关参数对亲和力预测性能的影响。与GraphDTA方法相比,所提方法的均方误差(MSE)在Davis和KIBA两个数据集上分别降低了4.8%和6%。实验结果表明,注意力融合多视角分子特征能够捕获对蛋白质靶位上链接的相关性更高的分子特征。

基于Vue.js的“微商城”前端开发设计与实现

本文Vue.js是目前较为流行的前端框架,利用vue脚手架快速创建项目并且通过npm安装项目所需要的第三方组件,比如MintUI,可以快速构建出移动端页面。Vue也是基于MVVM模式来实现数据驱动的,通过分析"微商城"的结构,利用vue.js前端开发框架实现了"微商城"前端页面的设计与实现。

网络安全分析中的大数据技术应用

随着社会的进步与发展,电子信息技术逐渐被应用到工作与生活的各个方面,节约了大量的时间,创造出更高的社会价值,进而造就更高的生产效率。然而,网络在更高经济价值的同时,也产生了与之相对的危机。这些危机不仅包含现在已经显露出来广为人知的,更包含那些尚未出现却可能发生的隐患。大数据技术的出现有效地减少了危害的产生,并提高了网络的安全性。本文就大数据技术应用于网络安全的数据分析展开阐述。

基于Python爬取视频的设计与实现

根据用户的需求,遵循一定的规则,收集网站的信息,利用Python中网络爬虫技术,对网站中的数据进行分析并自动抓取网页中有价值的数据。通过导入类库、提取数据以及存储数据等流程简明阐述了爬取视频的方法。