基于协同过滤混合算法的餐饮推荐系统设计与实现

为了改善单一协同过滤算法在餐饮推荐系统中存在的"数据稀疏"问题,采用基于用户的协同过滤算法和基于物品的协同过滤算法相融合的方式,两种算法之间取长补短,设计餐饮推荐系统推荐引擎架构,实现基于协同过滤混合算法的餐饮推荐系统。

基于低尺度细节恢复的单幅图像阴影去除方法

为了在光照复杂、纹理丰富的图像上获得更好的去阴影效果,基于生成对抗网络提出了一种新颖的阴影去除方法.首先,所提网络中的阴影检测子网为阴影图像生成阴影掩膜,基于该检测结果提出一种光照敏感的多尺度图像分解方法,在几乎不损失光照信息的同时提取图像纹理信息;然后,蒙版生成子网为分解后的低尺度图像生成相应的蒙版用于去除其中阴影;其次,边界复原子网修复阴影边界实现友好的过渡;最后,使用自适应衰减因子引导图像进行细节恢复以得到纹理丰富的结果.实验结果表明所提方法可以有效地提高阴影去除效果.

基于多阶段生成对抗网络的单幅图像阴影去除方法

传统的深度学习阴影去除方法常常会改变非阴影区域的像素且无法得到边界过渡自然的阴影去除结果。为了解决该问题,基于生成对抗网络(GAN)提出一种新颖的多阶段阴影去除框架。首先,多任务驱动的生成器分别通过阴影检测子网和蒙版生成子网为输入图像生成相应的阴影掩膜和阴影蒙版;其次,在阴影掩膜和阴影蒙版的引导下,分别设计全影模块和半影模块,分阶段去除图像中不同类型的阴影;然后,以最小二乘损失为主导构建一种新的组合损失函数以得到更好的结果。与最新的深度学习阴影去除方法相比,在筛选数据集上,所提方法的平衡误差率(BER)减小约4.39%,结构相似性(SSIM)提高约0.44%,像素均方根误差(RMSE)减小约13.32%。实验结果表明该方法得到的阴影去除结果边界过渡更加平滑。

基于解析-迭代重建的云存储密文优化检索

针对存储密文质量及加密性差所导致在检索时出现的检索效率低和检索不完整问题,提出一种基于解析-迭代重建的云存储密文优化检索的方法,首先将迭代重建与解析重建进行算法融合,构建出解析-迭代重建算法,并进行模拟映射,提升云存储密文的基础质量,然后使用神经元和Gauss分布状况构建奇偶树型交互学习机模型,并将遗传算法融入其中,通过混沌处理完成密文的优化,最后使用同态性密文检索算法对云存储内的文档划分,获取密文的大素数,再通过同态加密算法对文档加密,得到加密密文,这时根据大素数拟定随机数比对值完成云存储密文优化检索目的。仿真证明,所提方法能够有效加强密文质量,并具有检索效率高、完整性好的优点。

PVID在VLAN配置中的作用及影响分析

VLAN技术在交换式以太网和无线局域网组网中得到了广泛应用。在VLAN配置中,接口VLAN设置是重要内容之一。通过多个案例分析了PVID在VLAN配置中的重要作用和影响,并基于eNSP进行了模拟实验验证。分析得出不同VLAN间实现2层互通的关键在于PVID的设置。在CAPWAP组建无线局域网、智能变电站VLAN应用等场景中,利用了trunk链路类型上PVID特性,实现了特殊的接入功能和不同VLAN间的二层数据交换。融入计算机网络课程实验教学中将有助于学生更好地理解和掌握VLAN技术。

基于熵驱动域适应学习的单幅图像阴影检测方法

跨域差异常常会阻碍深度神经网络的泛化,使其不能适应不同的数据集,为了提高模型阴影检测的鲁棒性,提出了一种新颖的无监督域适应阴影检测框架。首先,为了缩小域间的数据偏差,采用分层域适应策略校准源域和目标域间从低层到高层的特征分布;其次,为了加强模型软阴影的检测能力,提出边界对抗分支以确保模型在目标数据集上同样可以得到结构化的阴影边界;然后,结合熵对抗分支进一步抑制预测结果中边界处的高不确定性,从而得到边界平滑、准确的阴影掩膜。与已有深度学习检测方法相比,所提方法在客观数据集ISTD、SBU上的平衡误差率(BER)分别降低了10. 5%、18. 75%。实验结果表明所提方法的阴影检测结果具有更好的边缘结构性。

基于应用型本科人才培养的数据库课程的教学改革研究

基于新疆大学科学技术学院应用型本科人才培养的数据库课程的教学现状,从课程理论指导思想、理论教学方法、实践教学等方面进行了探讨与实践,提出了改革方案。教学实践证明这种教学方式具有可行性,有利于培养学生的实际应用能力,取得较好的教学改革效果。

“混合式+项目化”模式在“C程序设计”教学中的实验研究

针对"C程序设计"课程教学中存在学习兴趣不高、凭记忆法编程、学习方式单一等问题,研究了"混合式+项目化"模式的C程序设计课程教学改革中。采用实验研究的方法,从学生的学习兴趣与动机、课程教学组织、互动与交流、师生关系、成绩评定等五个维度,分析了"混合式+项目化"模式下课程教学效果的变化。结果显示,"混合式+项目化"模式在课程教学组织、互动与交流、成绩评定维度上较传统课堂教学有显著变化,教学效果较好。