HIPS-g-MA共聚物对HIPS/PC共混物相容性、形态和拉伸性能的影响

研究了HIPS／PC共混物的相容性及HIPS－MA对HIPS（30）／PC（70）共混物的相容性、形态和拉伸性能的影响。DSC研究结果表明，HIPS／PC共混物中PS的玻璃化转变温度（Tg)不随组成而变化，而PC的Tg随其质量分数的降低逐渐向低温移动，说明HIPS／PC是部分相容体系。通过DSC、扫描电镜形态观察和拉伸性能测试结果发现，当HIPS－g-MA的含量低于7．5％时，共混物的相容性改善不明显，当其含量达到7．5％时，对共混物有明显的乳化作用，说明饱和的界面浓度在7．5％左右。HIPS－g-MA接枝共聚物在HIPS（30）／PC（70）共混物中的增容作用可能是酯交换反应原位生成的嵌段共聚物所致。     

PBT／HIPS／HIPS—g—GMA体系结构与性能的影响

研究了HIPS-g-GMA共聚物作为增容剂，对PBT／HIPS体系性能的影响。用DSC、SEM、力学性能等方法和手段研究PBT／HIPS／HIPS-g-GMA三元共混体系的结晶、形态结构、力学性能随组成的变化。从SEM照片中看到，含有增容剂的共混体系的微区尺寸明显变化，几乎看不到光滑的球形粒子，界面比较模糊，分不清两相结构；且随着增容剂量的增加，体系的微区尺寸明显变化；当PBT为分散相，在增容体系中的PBT出现了分级结晶现象，结晶温度降低，这是由于分散相更为精细的结果；增容后体系的力学性能提高。     

扩展Acegi安全框架实现动态权限管理

本文介绍了基于Spring技术的安全框架--Acegi的基本组件,简要分析了Acegi认证授权的基本流程,重点论述了如何采用基于数据库的保护资源和基于方法的自定义标签扩展Acegi安全框架,实现动态权限的管理。     

基于蚁群算法的遥感影像传输资源调度方法

针对遥感影像数据量大,多用户并发请求造成服务器负载加重,使遥感影像传输效率逐渐降低的问题,提出一种在多线服务器环境下分块调度遥感影像资源的策略。该策略采用改进的蚁群优化(IACO)算法,通过引入一个线路等待因子γ动态选择当前最优的线路进行传输,从而提高传输效率。对IACO、ACO、Max-min、Min-min和Random算法进行了对比实验,IACO算法在客户端的任务完成时间和服务器端的执行时间与其他算法相比均是最少的,且随着任务数目的增加,效果更明显;同时IACO算法的线路资源的利用率也更高。仿真结果表明:多线服务器分块调度策略与改进蚁群算法相结合,使遥感影像传输速度和线路资源利用率均有一定提高。     

改进混合高斯模型的运动目标检测算法

针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题,提出了一种基于混合高斯模型的运动目标检测的改进算法。通过将混合高斯模型与改进帧差法进行融合,快速区分出背景显露区和运动目标区,从而提取出完整的运动目标。在运动目标由静止缓慢转为运动的情况下,为背景显露区给予较大背景更新速率,消除了背景显露区对运动目标检测的影响。在兼顾混合高斯模型在复杂场景中对噪声处理效果差的基础上,利用背景模型替换的方法来提高算法的稳定性。经过反复实验,结果表明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进,能够在各种复杂因素存在的情况下正确有效地对运动目标进行检测。     

混合相似性权重的非局部均值去噪算法

针对传统非局部均值(NLM)滤波在噪声标准差较大时,加权欧氏距离不能真实反映邻域块相似度的问题,提出一种新的混合相似性权重的非局部均值去噪算法。首先,利用平稳小波变换的特点对噪声图像进行分解,并利用滤波函数对细节子带进行预去噪处理;然后,根据预去噪图像计算块间相似性参考因子,并使用其替换传统NLM算法中高斯核函数;最后,为使相似性权重更符合人眼视觉系统(HVS)特点,使用基于图像结构感知的块奇异值分解(SVD)方法定义邻域间相似性度量,与传统NLM算法相比能更为真实地反映邻域间相似度。实验结果表明,混合相似性权重的非局部均值去噪算法较传统NLM算法在视觉上能更好地保留纹理细节及边缘信息,而且结构相似度(SSIM)指标较传统NLM算法也有一定提高,在噪声标准差较大情况下具有有效性和鲁棒性。     

改进颜色和小波变换纹理的图像检索方法研究

针对传统图像检索无法体现对检索示例图像中多个不同对象的检索要求程度的问题,提出一种改进颜色特征和小波变换纹理特征的图像检索方法。首先提取出图像的多个感兴趣区域,由感兴趣的不同程度分别赋予不同大小的权值;然后提取颜色特征和纹理特征,分别用对应位置相似度计算、感兴趣区域与检索数据库中图像整体的相似度计算和整体检索示例图像与检索图像数据库中图像相似度计算三种不同方法计算出两幅图像的相似度,取最大的相似度作为两幅图像的最终相似度;对检索示例图像与检索数据库中每个图像的相似度按大小进行排序,选择最相似的图像作为检索结果。实验结果表明,该方法提高了对图像检索的性能,体现了个性化检索,对图像检索具有很好的效果。     

基于频谱增强和卷积宽度学习的音乐流派分类

针对频谱图对于音乐特征挖掘较弱、深度学习分类模型复杂且训练时间长的问题,设计了一种基于频谱增强和卷积宽度学习(CNNBLS)的音乐流派分类模型.该模型首先通过SpecAugment中随机屏蔽部分频率信道的方法增强梅尔频谱图,再将切割后的梅尔频谱图作为CNNBLS的输入,同时将指数线性单元函数(ELU)融合进CNNBLS的卷积层,以增强其分类精度.相较于其他机器学习网络框架, CNNBLS能用少量的训练时间获得较高的分类精度.此外, CNNBLS可以对增量数据进行快速学习.实验结果表明:无增量模型CNNBLS在训练400首音乐数据可获得90.06%的分类准确率,增量模型Incremental-CNNBLS在增加400首训练数据后可达91.53%的分类准确率.     

基于频谱空间域特征注意的音乐流派分类算法

为了提升深度卷积神经网络对音乐频谱流派特征的提取效果,提出一种基于频谱空间域特征注意的音乐流派分类算法模型DCNN-SSA。DCNN-SSA模型通过对不同音乐梅尔谱图的流派特征在空间域上进行有效标注,并且改变网络结构,从而在提升特征提取效果的同时确保模型的有效性,进而提升音乐流派分类的准确率。首先,将原始音频信号进行梅尔滤波,以模拟人耳的滤波操作对音乐的音强及节奏变化进行有效过滤,所生成的梅尔谱图进行切割后输入网络;然后,通过深化网络层数、改变卷积结构及增加空间注意力机制对模型在流派特征提取上进行增强;最后,通过在数据集上进行多批次的训练与验证来有效提取并学习音乐流派特征,从而得到可以对音乐流派进行有效分类的模型。在GTZAN数据集上的实验结果表明,基于空间注意的音乐流派分类算法与其他深度学习模型相比,在音乐流派分类准确率和模型收敛效果上有所提高,准确率提升了5.36个百分点～10.44个百分点。     

基于MSB和HVS的空域信息隐藏算法的研究

为了提高图像信息隐藏的容量以及鲁棒性,提出了基于最高有效位和人类视觉系统的空域信息隐藏算法。它将秘密信息与最高有效位平面匹配替换,以减少需要嵌入信息的容量,形成新的秘密信息;然后根据人眼视觉,针对图像的纹理区域和平滑区域、高灰度区域和低灰度区域的不同冗余程度进行信息嵌入。实验结果表明,该算法具有较好的鲁棒性,嵌入容量大于LSB算法,并且隐秘图像的峰值信噪比均大于38dB,保证了信息隐藏的视觉效果。