摘要：在分类器链方法中,如何确定标签学习次序至关重要,为此,提出一种基于关联规则和拓扑序列的分类器链方法 (TSECC).首先结合频繁模式设计了一种基于强关联规则的标签依赖度量策略;接下来通过标签间依赖关系构建有向无环图,对图中所有顶点进行拓扑排序;最后将得到的拓扑序列作为分类器链方法中标签的学习次序,对每个标签的分类器依次迭代更新.特别地,为减少无标签依赖或标签依赖度较低的“孤独”标签对其余标签预测性能的影响,将“孤独”标签排在拓扑序列之外,利用二元关联模型训练.在多种公共多标签数据集上的实验结果表明, TSECC能够有效提升分类性能.

摘要：针对图像重建过程中噪声去除问题,提出一种自适应加权编码L1/2正则化重建算法。首先,考虑到许多真实图像中不仅含有高斯噪声,而且含有拉普拉斯噪声,设计一种改进的L1-L2混合误差模型(IHEM)算法,该算法兼顾了L1范数与L2范数的各自优点;其次,由于迭代过程中噪声分布会发生改变,设计一种自适应隶属度算法,该算法可以减少迭代次数和运算时间;利用一种自适应加权编码方法,该方法可以有效地去除含有重尾分布特性的拉普拉斯噪声;另外,设计一种L1/2正则化算法,该算法可以得到较稀疏的解。实验结果表明,相比IHEM算法,自适应L1/2正则化图像重建算法的峰值信噪比(PSNR)平均提高了3.46 d B,结构相似度(SSIM)平均提高了0.02,对含有多种噪声的图像处理具有比较理想的效果。

摘要：为了利用l_1范数保持图像边缘信息的优势,并兼顾l_2范数对图像平坦区域噪声抑制的特性,提出了一种自适应范数混合模型——l_(1/2)范数正则化方法。相比于经典的l_1范数正则化方法,该方法能够得到更加稀疏的解,同时相比于传统去噪方法,该方法对自然图像的长尾分布噪声具有比较理想的去除效果。还针对范数混合模型中噪声的分布的自适应变化,设计了一种自适应收敛准则迭代方法,该方法可以有效地减少迭代次数。实验结果和分析验证了混合模型在图像重建效果和计算效率方面的有效性。

摘要：在全国硕士研究生招生考试(以下简称研招考试)中,调剂是为避免过度竞争造成教育资源浪费而设计的一种补充匹配机制,我国每年约有1/3的考生通过调剂被录取。调剂机制本身包含复杂的规则,本文主要研究研招考试调剂规则的基本特征和问题,探讨什么样的调剂规则更加符合"制度正义"的基本原则。

摘要：“自动识别技术”是物联网专业的专业基础课程。针对传统教学的不足,本论文将国内研发的“O-AMAS”有效教学模型应用于“自动识别技术”课程教学中,论文以若干章节教学内容为例介绍其教学实施过程,以达到提高自动识别技术的教学效果的目的。

摘要：针对程序设计基础课程知识点繁琐、难以串联,学生按部就班学习的兴趣不高、效果有限等问题,以魔术道具“读心术”为切入点,提出基于读心术的趣味性程序设计基础案例教学方法,介绍具体教学设计,最后说明教学效果。

摘要：针对图像重建的问题,提出了一种基于统计量的加权函数图像重建方法。考虑到退化图像不仅含有高斯噪声,且含有拉普拉斯噪声,利用最大似然估计的思想估计高斯噪声和拉普拉斯噪声的方差构造基于统计量的高斯和拉普拉斯权重函数;由于在图像重建过程中,噪声分布发生变化,整合L_1,L_2范数,设计了一种自适应加权函数;结合双边全变差(BTV)正则化算法,设计了一种自适应加权函数图像恢复方法。实验结果表明:相比基于L_1-L_2混合误差模型(HEM),方法的峰值信噪比(PSNR)和结构相似度(SSIM)分别平均提高了约2.07 d B,0.02,对含有多种噪声的退化图像能够取得比较理想的结果。

摘要：针对图像去噪的问题,提出了一种自适应范数及正则化参数的图像重建方法。首先,考虑到退化图像不仅含有高斯噪声,而且含有拉普拉斯噪声,利用最大似然估计的思想估计高斯噪声和拉普拉斯噪声的标准差;其次,由于在图像重建过程中,噪声分布会发生变化,为此,构造基于统计量的高斯和拉普拉斯权重函数,整合L_1、L_2范数,设计一种自适应加权函数;最后,结合自适应正则化参数方法,设计了一种自适应L_1、L_2范数及正则化参数的图像重建方法。实验结果表明,提出的方法对含有混合噪声的不同图像具有比较理想的重建效果。

摘要：XGATE内核的MC9S12XE系列双核单片机具有数据处理速度快、反应时间短、功耗低等优点,在汽车电子领域有着很好的应用前景。本文介绍了Freescale公司MC9S12X系列双核单片机在混合动力汽车整车控制器中应用的优点,给出了其进行CAN总线通信的硬件接口设计与执行流程。最后给出了其利用协处理器XGATE管理CAN总线通信的典型配置方法。

摘要：大多数现有去噪方法只考虑了噪声输入图像的非局部自相似性先验方法(NSS),仅从已退化的输入图像中收集相似图像块,图像去噪的质量在很大程度上取决于输入图像本身。针对图像复原过程中的噪声去除问题,设计了一种基于卷积神经网络的组稀疏去噪模型。模型使用两种NSS先验(即噪声输入图像和预滤波图像的NSS先验),把图像去噪问题转化为组稀疏残差最小化问题。为了提高非局部相似块选择的准确性,使用了一种自适应块搜索的方法,并采用卷积神经网络进行预滤波,以获得对原始图像组稀疏系数的良好估计。实验结果表明:所提出的GSRC-CNN方法在客观和感知质量方面优于许多先进的去噪方法。