基于PC的OpenGL跨平台实现及性能研究

针对OpenGL独立于操作系统和窗口系统的特性，分析了OpenGL基于PC的工作原理，包括泛型实现、硬件实现和OpenGL跨平台实现。并使用SPECViewperf 9.0对OpenGL在Windows和Linux操作平台上的实现性能进行了测评。结果显示，OpenGL运行在硬件模式时会获得更好的性能。在PC平台上，OpenGL的实现性能受操作系统和窗口系统影响。测评方法和结果对选择OpenGL操作平台具有一定参考价值。     

基于正则化一维卷积神经网络的网格模型显著性检测

三维形状的显著性在形状分析与处理中有不可忽视的作用.现有的三角网格显著性检测方法大多依赖某种人工设计的几何特征,缺乏灵活性.为此,提出一种基于特征融合学习的显著区域检测方法,以适应不同类别的形状.首先计算形状的多种几何特征,然后把多尺度的低层次特征输入到一维卷积神经网络中;通过优化中心正则化损失函数,得到高层次、可判别的特征向量,同时也得到显著区域检测结果.在普林斯顿网格数据集上的实验结果表明,该方法适用于不同形状的显著性检测,检测结果具有一致性,并且相比对照算法具有更好的视觉效果和定量化指标评价.     

空军军事职业教育考试系统智能组卷方法研究

针对空军军事职业教育考试课程与人员层次复杂、地域环境复杂、组织实施不能影响作战训练等特点,采用基于多目标、多课程的大规模机考系统的智能组卷策略,提出了分层降维和分级优化的智能组卷方法,该方法在抽题组库阶段将试题曝光度控制、数据及文件加密、题库按需分发融为一体,分摊了考场考试处理的数据量;在抽题组卷阶段,采取基于负载均衡策略的考试客户端实时组卷算法,运用背包问题求解算法,通过划分组卷约束条件的级别来优化组卷算法,降低了随机启发式搜索算法的维度.实践证明,该组卷方法提高了所有类型的题库组卷成功率以及考场考试实时组卷的质量.