摘要：云自习的发展对培养学生的自主学习能力、推动智慧教育的建设有重要意义。然而云自习的用户监管正面临一些困难,如目前已有的视频监控方法仍需由监督者使用完整过程录像观测用户的自习状态。此外,完整的视频监控数据上传云服务器后,有较大的隐私泄露风险。为解决以上问题,文章设计了一种基于Dlib模型的人脸关键点检测算法,通过视频流分析用户自习状态下脸部特征的变化,实现用户自习状态的智能识别检测。根据上述检测算法,文章实现了云自习智能检测和监管系统。该系统无需存储完整的视频数据进行回看,即可展现用户的自习状态变化和自习结果,充分保护用户的隐私。自习场景模拟下的实验数据表明,该系统的平均检测正确率达到80%以上,可实时处理每秒20帧以上的视频流,能够满足自习状态检测准确率和实时性的要求。

摘要：谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败。提出基于十进制粒子群优化(DePSO)算法和二进制粒子群优化(BiPSO)算法的选择性神经网络集成方法,通过粒子群优化(PSO)算法合理选择组成神经网络集成的各个神经网络,使个体间保持较大的差异度,减小"多维共线性"和样本噪声的影响。为有效保证PSO算法的粒子多样性,在迭代过程中加入混沌变异策略。仿真试验表明:混沌PSO算法可以有效提高神经网络集成的泛化能力,基于混沌PSO算法的选择性神经网络集成所建立的微带天线的谐振频率模型好于此问题的已有结论。

摘要：每座园林都有自己独特的历史背景、建筑风格,有着独具个性的奇闻轶事。一部中国古典园林史,蕴含着中国古代文人的审美史,我们可以从中窥见中国古代文人感慨隐忧之间的心态变化;蕴含着中国农耕社会"优选生活"的典型范式,我们可以从中理解中国古代生活的艺术和艺术的生活,感受到中国古代独具特色的生存哲学。由中国建筑工业出版社于2018年出版的《园庭信步-中国古典园林文化解读》(ISBN 9787112128075,曹林娣著,价格90.00元)介绍了以江南园林为代表的中国古典园林背后蕴含的深厚历史文化,可使读者从多角度理解中国古典园林文化,进而更加深入地欣赏古典园林文化。

摘要：根据图像序列的运动矢量的时空相关性和中心偏移特性,并结合零运动判断,设计研究了一种八边形模式搜索[1]。其在中等或大运动块的情况下相对于FS、TSS、DS、MVFAST能够得到更高的精确度,又由于对非静止块采用了起始点预测,减少了搜索的时间,同时可以大大提高搜索速度。

摘要：关于渐江入闽的时间及目的历来争执颇多,尚无定论,本文从史料中分丝析缕,认为渐江入闽当在乙酉七月前,亦印“乌聊既定”之前,渐江入闽之目的也并非如一般所谓的“抗清”之说,而只是为了避乱或出游。仅为一家之言,以就教于方家。

摘要：本文对渐江与倪瓒对传统的取法作了翔实的分析和比较研究,并着重阐述了渐江承传传统中对倪瓒的取法。

摘要：建立用于船体结构静动力学性能一体化设计优化的2种多目标优化模型:基于多目标遗传算法的多目标优化模型和基于多学科优化技术的多目标协同优化模型。模型均使用矩阵描述由板材厚度和骨材型号构成的离散设计变量集,以结构质量最小化和最大加速度最小化组成多目标函数。以某集装箱船艉部结构为例,对其进行了结构静力学、动力特性和动力响应的计算分析与优化设计。优化后的结构不仅具有更轻的质量、更低的振动水平,而且具有更高的固有频率储备,同时仍满足强度和刚度要求。

摘要：调查了常州市武进区延政西路分车绿带、行道树绿带、路侧绿带的植物配置现状,分析了其中存在的问题以及可取之处,针对其缺陷提出建议,为进一步改进延政西路道路绿化景观提供有效参考。

摘要：半刚接钢框架内填RC墙结构(简称PSRCW)是一种抗震性能优良的新型组合结构体系,为推广其工程应用,文中提出了PSRCW结构的两阶段抗震设计方法:1多遇地震水准下结构的弹性设计法——用于初步确定PSRCW结构主要受力构件的截面;2罕遇地震水准下结构的能力设计法——用于确保PSRCW结构进入弹塑性阶段出现理想的破坏模式。根据已有的试验结果,提出PSRCW结构的理想塑性屈服机构,建立罕遇地震水准下RC内填墙周边钢构件能力设计的简化计算公式,给出设计步骤。文中设计方法的合理性验证见另文。

摘要：唇语识别技术是一种利用视觉线索理解人类语言的手段,在人机交互、安防验证、公共安全等领域都有着广泛的应用空间。现阶段的相关研究大多难以有效地完成语句级别的唇语识别任务。设计了一种基于光流与注意力机制的句级唇语识别系统,能够将连续的唇读视频逐句解码为文字。系统由前端的唇读端点检测模块和端对端的神经网络构成,网络的图像特征提取模块基于3D-ResNet18与空间-通道双重注意力机制,时间序列分类模块基于Transformer和集束搜索解码器。唇读端点检测模块基于光流的阈值变化进行判别,对连续输入神经网络的唇读视频按句进行切分。神经网络的训练采用基于标签平滑的KL散度作为损失,并采取样本长度递增、学习率预热、逐级迁移学习等改进策略。模型的评估在英文数据集GRID和中文数据集CMLR上进行,在错误率上相较于基线结果分别降低了3.11%和1.21%。