基于产教融合的增量式案例驱动教学模式

通过对目前应用型人才培养在实现过程中所面临的困境进行分析,针对软件开发类课程教学过程中存在的不足,提出将基于产教融合的增量式案例驱动教学法引入教学,给出上述教学模式在实际授课中的设计及实现方案,以软件开发类课程为载体探讨遇到的问题并提出建议。     

基于增量式PID算法的帆板控制系统的设计

基于STC12C5A60S2单片机与增量式PID算法,实现对帆板系统的控制。该系统主要由键盘模块、显示模块、风扇驱动模块、角度测量模块、报警模块组成。角度传感器测量帆板的角度并反馈回单片机,通过增量式PID算法计算,并由PWM方法控制风扇的转速,从而实现精确控制风扇风力与帆板角度。     

基于国产处理器增量式实时交通流预测算法及实现

针对城市交通难以处理大量数据且实时性差等问题,提出了根据增量式城市交通流数据预测拥堵情况的一种基于国产处理器的L-BFGS(limited-memory BFGS)算法。该算法通过存储向量序列计算Hessian矩阵,改进Two-Loop算法求下降方向,在Spark集群中并行处理时收敛速度快,适用于实时性要求强的城市交通场景。实验结果证明,L-BFGS预测算法完全可以在国产平台上对大规模的实时交通数据流进行快速建模、预测,在改善城市交通管理水平提供有效支撑的同时也丰富了国产芯片的应用领域。     

基于同步补偿法的精密温度测控系统设计

设计了一种高精度温度测控系统。在恒流源测温电路中接入基准电阻作为系统测温的零度基准,放大电路对基准电阻与铂电阻两端的电压差进行放大;采用同步补偿法,在测温电路中接入采样电阻以获取A/D转换所需的参考电压,消除了恒流源电流的波动对系统测温性能的影响;通过分段线性化的方法对铂电阻测温的非线性进行补偿。基于MAX1968构建了高集成度的TEC驱动电路,采用增量式PID控制算法实现高精度的温度控制。实验结果表明,系统测温标准差为0.024℃,控温精度为±0.119℃。     

基于摆动油缸的电液力矩伺服控制系统设计

船舶减摇水舱试验台架是研究和设计减摇水舱的重要试验设备，能否准确的模拟船舶在海浪中的运动是设计试验台架的关键，本文设计了用于驱动船舶减摇水舱试验台架的电液力矩伺服控制系统，在伺服系统中用摆动油缸代替液压马达，建立了摆动油缸的数学模型，仿真结果表明系统符合设计要求。     

基于分辨矩阵和约简树的增量式属性约简算法

为了对动态变化的决策表进行高效属性约简处理,在改进的分辨矩阵的基础上提出一种基于约简树的增量式属性约简算法IRART,该算法首先根据序贯属性约简算法对原决策表构造约简树,然后求出新增对象的分辨向量,并利用此向量对约简树进行修整,从而快速得到新决策表的所有约简,最后通过示例证明了这种算法的有效性。与传统增量式属性约简算法相比,该算法避免了复杂的逻辑演算,提高了属性约简的更新效率,理论分析表明该算法是有效可行的。     

基于增量式特征基背景模型的运动目标检测

背景差法是目标运动检测的主流方法,关键在于背景模型自适应更新.针对传统特征基背景模型批处理方式计算量大、更新速度慢的问题,采用增量式主成分分析来建立特征基背景模型.首先计算样本图像的初始背景图像,然后采用CCFIPCA算法更新特征基背景模型,最后通过输入帧和重建帧的欧氏距离检测前景运动目标.算法以视频帧整体来建立背景模型,克服了混合高斯模型和核密度估计以孤立像素点建模的不足,提高了背景建模的鲁棒性.在SIMULINK下的仿真实验表明,算法能很好地适应高速公路交通场景动态变化,在有光线变化和阴影影响的情况下能完整、准确地提取出运动车辆轮廓.     

基于MVC的分层增量式再工程

随着技术的快速发展和需求的不断变更,遗留系统越来越不能满足使用和维护的要求,需要进行再工程.因此,本文描述了一种基于MVC(Model-View-Controller,模型-视图-控制器)的分层增量式再工程,将遗留系统划分为运行环境、核心系统、主要子系统和次要子系统四层,首先将核心系统基于MVC模式进行逆向分析、重构并部署,然后将其它子系统并行再造,逐个部署到新的核心系统上.该方法在一个遗留系统再造过程中的成功应用证明了它的实用性和有效性.     

基于频繁闭项集挖掘的增量式维护算法

为了能够随着数据库的增加、删除和修改而快速有效地挖掘出频繁闭项集,根据CHARM算法提出了一种基于频繁闭项集挖掘的增量式维护算法。该算法采取分类处理的策略对变化数据进行挖掘,运用IT对的特性从已挖掘出的结果中快速过滤出仍然有效的信息,实现频繁闭项集的更新。实验结果表明该算法是快速有效的。     

一种基于叶分量分析的带有监督信息的在线学习方法

在一些模式识别应用中,具有类属信息的样本数量较少,此时监督学习算法会遇到小样本问题,导致分类器的识别精度大幅低于预期水平.基于叶分量分析,提出一种带监督信息的在线学习方法.该方法在训练过程进行监督学习,而在模式识别阶段能够在对输入样本进行分类的同时基于这些样本进行非监督在线学习,因此实现了监督学习与非监督学习的结合.在小本量情况下,在线学习可以弥补训练阶段监督学习的不足,仍能保证获得较高的识别精度.实验证明,该方法能够有效克服小样本问题.