摘要：针对传统的体系结构设计方法无法满足SCADA系统复杂多变的需求问题,应用卡内基梅隆大学软件工程研究所提出的软件产品线技术,给出一种产品线体系结构设计方法,其核心是应用信息隐藏原则和架构设计决策将系统的复杂性和变化源隐藏起来,完成领域需求到领域架构的映射。使用该方法设计的架构能支持可变性的体系结构设计,为同类系统定制化开发提供核心资产,提高SCADA软件的开发效率。通过设计煤矿安全监控软件的产品线体系结构验证了该方法的可行性和有效性。

摘要：为实现老采空区瓦斯抽采地面井网的优化布置,以导气裂隙带几何边界是否交汇作为相邻老采空区是否连通的依据,给出了相邻老采空区纵向连通及横向连通的判别方法和步骤,提出了基于老采空区连通性的老采空区区域划分方法;根据老采空区瓦斯的来源,采用分源法建立了老采空区瓦斯储量的计算模型;将老采空区瓦斯抽采地面钻井的管网选线优化设计转化为求解无向加权连通图最小生成树的图论问题,并举例介绍了Kruskal算法求解无向加权连通图最小生成树的详细步骤。在上述研究基础上给出了老采空区地面钻井井网优化布置的方法和步骤。

摘要：为解决传统车型识别方法提取特征信息单一、识别精度不高、效率低的问题,将卷积神经网络引入目标识别问题中,利用其清晰、高效的泛化能力完成车型的特征学习,围绕模型的框架结构设计和内部参数优化两个方面进行研究,提出一种基于改进的Alex Net网络模型。将循环神经网络与卷积神经网络融合嵌入二级框架,设计自定义池化方式并对参数更新过程方法进行合理组合,通过提取浅层和高层的组合特征保证训练过程输入信息的多样性,使特征表达更加精确,网络性能更加高效。将该模型应用于视频监控图像车型识别任务中,通过在BIT-vehicle数据集上的一系列对比实验验证了所提模型的有效性。

摘要：考虑短文本信息量少、深度学习模型易受干扰导致分类性能差的问题,提出一种利用注意力机制(Attention)和对抗训练改进双向长短期记忆网络(biLSTM)的多层级短文本分类模型。模型包括输入层、bi-LSTM层、注意力机制层。输入层包括词嵌入层和词嵌入扰动层,词嵌入扰动层通过对抗训练对模型输入制造很小的扰动来增加训练过程中的参数更新,bi-LSTM层可以提取上下文不同距离的语义化信息,注意力机制层对经过Bi-LSTM层编码的数据进行加权转变提升序列化的学习任务,经过softmax函数使误差loss极小化。实验结果表明,该模型分类性能更好,分类准确率达97%,损失函数值稳定在0.5%左右。

摘要：针对图像语义标注中存在的训练样本不均衡导致低频标注词标注准确率低的问题,提出一种双通道卷积神经网络模型(double channel convolution neural network,DCCNN)。其中一个通道是为训练低频样本设立的,以此提高低频样本在整个模型中所占比重,另一个通道用于训练全部的训练集。在标注过程中把两个通道的输出进行融合,对所需标注的标注词共同做出决策。在Pascal VOC2012标准数据集上对模型进行验证,实验结果表明,DCCNN模型相对于卷积神经网络(convolution neural network,CNN)无论是对低频标注词的标注准确率还是效率都有很大的提升,验证了该模型的有效性。