摘要：阐述了《Java语言程序设计》课程在高校计算机科学专业人才培养中的重要性,并就该课程的教学进行了一系列的研究与探讨。首先总结了该课程教学方面存在的一些问题;然后结合东莞理工学院的《Java语言程序设计》课程教学实践,从教学内容、教学方法、实验教学和考核方式等环节,阐述该课程教学改革的思路和方法,旨在提高该课程的教学效果。

摘要：联邦学习作为一种新兴的分布式机器学习框架,在训练过程中模型更新会占用大量网络带宽,这成为联邦学习获得高精度机器学习模型的瓶颈之一。为了解决以上问题,基于Hyperledger Fabric区块链,设计了一个简单而有效的自适应阈值更新算法,并提出了一种自适应权重趋势感知的联邦学习解决方案。通过客户端训练的本地模型与全局模型方向向量矩阵的相关性,来筛除与全局模型偏差较大的客户端模型,同时在训练过程中自适应地调整筛选阈值。实验结果表明,相比于传统的联邦学习方案,提出方案减少了神经网络模型训练过程中超过20%的网络通信开销以及节约超过五倍的训练资源,提高了近4%的模型精确度,并且训练过程可追溯和去中心化,极大地提高了隐私安全保障。

摘要：党史教育是高校开展思想政治教育工作的重要抓手,是实现构建新时代高素质技能型人才队伍的关键。加强新时代应用型高校大学生党史教育建设路向研究,对进一步消除应用型高校思想政治教育短板,推动应用型高校深度转型、发挥示范性引领作用具有深远的理论和实践价值。当前,应用型高校党史教育存在顶层设计不足、师资力量薄弱、学生存在身份认知偏差等问题,要推进应用型高校党史教育建设,需以复归党史教育价值,强化党史教育理念;优化顶层设计,建设一体化教育体系;结合应用型教育特点,创新党史教育特色路向;注重质量评价,形成闭环式教育四个方面为着力点,推进新时代应用型高等教育内涵式发展。

摘要：知识图谱是人工智能方向的一个热门研究领域。知识图谱补全是在给定头实体或者尾实体以及相应关系的条件下,补全缺失实体。基于翻译的模型如TransE,TransH和TransR是最常用的一类知识图谱补全方法。然而,大多数现有的补全模型在补全过程中都忽略了知识图谱中三元组重要性的特征。文中提出了一种新型的知识图谱补全模型ImpTransE,该模型考虑了三元组中的重要性特征,设计了实体重要性排序方法KGNodeRank和多粒度关系重要性估计方法MG-RIE,分别对实体重要性和关系重要性进行估计。具体来说,KGNodeRank通过同时考虑关联结点的重要性及其重要性传递方向的概率来估计实体结点的重要性排名。MG-RIE则同时考虑了关系的一阶重要性和高阶重要性,从而对关系的总体重要性进行合理估计。ImpTransE同时考虑了三元组的实体重要性和关系重要性特征,使其在学习过程中对于不同的三元组信息可赋予不同的关注程度,提高了模型的表示学习性能,从而达到了更好的补全效果。实验结果表明,在两类知识图谱数据集中与5种对比模型相比,ImpTransE模型在大部分指标上均具有最佳的补全性能,对不同数据集的补全效果获得了一致的提升。

摘要：基于磁阻传感器的物联网在城市交通检测中逐渐被大规模应用,但城市中的地下高压电缆会产生磁场辐射,形成大范围、长时间的磁场干扰,而传统的车辆检测算法大都没有考虑到这类磁干扰,导致了误检率过高。本文提出了抗干扰的车辆检测算法,基于高压电缆磁场模型分析了磁干扰信号的特征,设计了广义形态滤波器过滤干扰信号,然后利用双阈值机制实现了车辆检测算法。实验结果表明,在高压电缆磁干扰环境下,该算法的车辆检测准确度在98%以上,优于传统算法。

摘要：通过对传统数字逻辑教材的序列检测器设计的研究,指出工作时的输出波形不合理,具体表现在待检测序列最后一位信号出现但时钟尚未有效时,检测器已输出检测结果,合理波形应该是待检测序列最后一位信号出现并且时钟有效,检测器才输出检测结果。经过对设计过程的分析和软件仿真,造成该问题的原因是电路采用Mealy型设计方法,输出受输入和触发器的状态控制,输入的变化即刻影响到输出。本文提出一种摩尔型(Moore)的序列检测器设计方法,输出仅受触发器的状态控制,QuartusII软件的仿真和实际的电路测试验证了设计的有效性和输出波形的合理。

摘要：近年来,越来越多的智能停车管理系统采用无线磁阻传感器网络技术实现车辆检测。但该技术面临磁干扰问题,在干扰环境下,已有的车辆检测算法精度急剧下降。提出一种基于形态滤波的车辆检测算法,采用级联形态开-闭和形态闭-开运算设计滤波器,可有效过滤噪声干扰,且不会造成车辆磁信号的偏倚现象。实验结果表明:与已有车辆检测算法相比,本文算法提高了车辆检测准确率,检测精度达到98.5%。