中药饮片条码识别移动客户端系统

利用Android SDK,开发中药饮片条码识别系统,在智能终端手机上运用Android控件扫描条码,连接网络访问中药饮片条码信息系统,实现饮片生产及质检等信息的实时查询。      

基于MDE的AADL向SystemC的转换

文章在分析了体系结构分析与设计语言AADL和软/硬件协同设计语言SystemC的基础上,基于模型驱动工程MDE的模型转换框架给出了AADL模型向System模型转换的理论,介绍了AADL以及SystemC元模型的建立以及二者的ATL转换规则。     

基于多核集群系统的并行编程模型的研究

并行计算技术是计算机技术发展的重要方向之一。当前并行程序模型主要有消息传递模型和共享存储模型两种。随着处理器多核技术的发展,在一枚多核处理器中集成两个或多个完整的计算引擎（内核）,并充分利用多核计算机的特性,发挥多核计算机的性能成为一个很重要的研究方向。介绍一种新的MPI实现机制,这种机制集成了共享存储模型和消息通信模型的优点,在节点内使用共享存储模型,在节点间使用消息传递模型,并且通过自动生成线程级的任务来获得更好的性能。．     

选煤厂设备运行状态综合评判系统设计

针对采用参数阈值法不能实时判断选煤厂设备运行状态的问题,设计了一种选煤厂设备运行状态综合评判系统。该系统首先选定评判指标并对其进行状态描述,然后建立各评判指标的隶属函数,确定各评判指标权重,最后通过模糊综合评判计算设备运行状态分数,根据状态分数预测设备运行状态的发展趋势,同时为检修工作提供对策支持。     

单点登录系统的设计与实现

随着信息技术的广泛应用,用户在进行业务处理时可能需要同时访问多个业务系统。针对这种状况,有必要研究基于数字证书和SSL/TLS通道的单点登陆系统,实现＂一点登录、多点漫游＂。介绍了单点登录系统的设计和实现。     

Android应用交互及任务栈处理

针对Android应用开发中应用内部及应用之间的交互非常频繁的问题,对应用交互的模式、返回路径、传输媒介与任务栈等进行研究,旨在提高应用的系统效率.Intent组件是应用之间交互的媒介,对Intent组件的主要属性、显式Intent与隐式Intent两种启动目标组件方式进行了详细的说明,并提供了具体的实现代码.在不同应用之间的交互情境下选择不同的Intent启动方式有利于提高交互的效率.在Activity的返回路径上,提出任务栈返回与TaskStackBuilder对象管理返回两种模式及解决方案,解决了顺序路径的返回及指定路径的返回等问题,并在多个型号的设备上进行了测试验证.     

Android开发中利用反射获取存储路径的研究

Android应用的开发中对存储的访问非常频繁,但是Android各个版本对存储的支持比较混乱,部分版本甚至没有公开的API支持对扩展存储访问.对Android的内置、外置存储设备进行研究后,提出将存储分为内部存储、外部存储及扩展存储三个类型.分析了各个存储的类型的特点及访问方式,重点讨论了扩展存储的访问方式,提出利用JAVA的反射机制来获取Android平台的扩展存储目录,解决了Android不同版本对存储进行访问的兼容性问题.通过分析工具分析了反射机制在此应用中的效率问题,并在不同Android版本的设备上进行了测试.     

混合神经网络模型在人体活动识别中的研究

针对人体活动识别问题与其在实际情况中的应用,综合考量卷积神经网络与作为循环神经网络变体的门控循环单元,设计能自动提取传感器数据特征和记忆时序性活动数据的CNN-GRU混合神经网络模型,并予以改良.使用该模型在公开的数据集上进行实验,较其他的模型效果更加理想.在人体活动识别的处理中,CNN-GRU模型能达到预期的高准确率.在数据集时序性依赖较强的情况下,CNN-GRU模型能拥有更好的准确度和稳定性.     

基于MDE的AADL构件组合兼容的方法

实时嵌入式系统建模语言—体系结构分析与设计语言AADL是一种基于组件的半形式化建模语言,当AADL构件模型进行组合时,因为一些交互活动的序列不匹配从而导致构件组合行为不兼容,提出了一种基于模型驱动方法 MDE的AADL构件组合兼容方法。利用MDE异构模型转换框架将AADL模型转换至接口自动机IA,利用形式化方法验证IA的兼容性,使用IA Tool构建IA模型的构件兼容运行环境,将构造的环境映射到AADL组件,能够解决AADL构件组合的行为兼容性问题。     

混合神经网络模型在人体活动识别中的研究

针对人体活动识别问题与其在实际情况中的应用,综合考量卷积神经网络与作为循环神经网络变体的门控循环单元,设计能自动提取传感器数据特征和记忆时序性活动数据的CNN-GRU混合神经网络模型,并予以改良.使用该模型在公开的数据集上进行实验,较其他的模型效果更加理想.在人体活动识别的处理中,CNN-GRU模型能达到预期的高准确率.在数据集时序性依赖较强的情况下,CNN-GRU模型能拥有更好的准确度和稳定性.