摘要：上下文感知应用和普适计算环境逐渐渗入人们生活环境的今天，上下文感知应用的设计开发时的支撑环境方面仍主要采用传统的面向对象等技术及编程模型，这样在设计时与上下文相关的行为会分布在程序中，即环境上下文和行为在程序编码时就进行了绑定，这使得环境依赖因素和程序控制主体结合的过分紧密，不能适应普适计算环境多样、复杂、动态和多变等特点，更难于进行系统维护和扩展.本文以实现应用程序动态适应环境信息变化为目的，设计并实现了采用动态代理为底层实现机制，通过映射规则的建立将上下文信息和编程逻辑进行分离的上下文感知编程模型EIPM，提供了相应的开发编译平台和执行容器在内的应用框架系统原型，实现一种适应普适计算环境上下文动态复杂多变特点的编程模型.以普适环境文件访问系统中上下文感知部分模块的开发为例，进行了EIPM应用框架原型系统功能的可行性测试，结果表明EIPM编程模型具备了对环境上下文变化的动态适应性.

摘要：CORBA服务规范中描述的安全服务定义了分布式对象系统的通用安全规范 .本文通过对 CORBA安全服务结构的剖析 ,介绍了 CORBA安全对象系统的框架模型 ,分别从安全系统框架的应用层、实现层和管理层三个层次详细描述了 CORBA安全服务实施安全细则和策略的过程 ,为 CORBA安全服务的实现和应用服务器平台安全服务通用框架的设计提供了指导 .

摘要：总结了不同模式适用于不同应用的一般规律,分析了常用模式的内涵及侧重点,提出了设计模式应用于软件设计的策略,即抽象求解问题、划分问题类型、模式初选、模式匹配、根据问题进行模式变体、软件体系结构细化、设计优化、性能优化及设计质量度量.通过电力行业绘图平台的实际应用,给出了基于软件度量标准下的系统稳定性参数的计算方法.分析与实地测试表明,所提策略能够优化软件的设计及性能,为使用者提供了一种快速选取设计模式的途径.

摘要：面向对象技术的出现为计算机软件开发技术的发展带来了一个前所未有的飞跃 .但是 ,仅仅依靠面向对象技术中单个的对象、类还不能保证软件设计与代码的重用 .因此需要一些专门的技术来提高重用率 ,从而降低软件开发工作量 ,提高开发效率 .组件与框架技术的出现为这一需求提供了解决方案 .本文提出的基于 CORBA业务组件的领域框架结合了组件技术和框架技术的优势 ,其目的是通过提高软件设计与代码的重用率 ,为广阔的计算机应用领域提供高可靠、易开发、易维护的分布式计算软件 .本文以我们开发的基于 CORBA业务组件的领域框架为基础 ,介绍了其理论背景。

摘要：XML是新一代的置标语言,它定义了一种描述数据、交换数据的标准。W3CXMLSchema是定义和描述XML文档结构的模式语言。UML是一种得到广泛应用的标准对象建模语言。文章以B2C中的电子定单为例,描述了用UML设计XML文档模式的方法。

摘要：为解决模型压缩算法与多功能张量加速器(VTA)的适配性问题,通过改进经典的YOLObile分块剪枝方法,完成面向该加速器的自适应细粒度结构化稀疏设计及性能评估。针对VTA的多重循环维度展开特性,对模型的权重张量进行32×32大小的分块;结合时间维度的自蒸馏与空间维度的教师蒸馏,进行多维度特征对齐;通过一阶段式迭代训练方式,改进原有的ADMM算法计算流程,在提升模型部署精度的同时减少训练成本;提出自适应层剪枝率模块,进行总剪枝率的自适应分配,实现端到端的自动化剪枝。实验结果表明:改进方法有效减少了约2.4%的浮点计算量,并在图像分类、目标检测等多项任务中提升了压缩模型的精度,最大增长百分比为2.6%。该方法为深度学习模型在VTA上的稀疏化部署提供了一种高效、轻量级的软件解决方案。

摘要：eb日志中包含了大量的用户浏览信息 ,如何有效地从其中挖掘出用户浏览兴趣模式是一个重要的研究课题 .作者在分析目前用户浏览模式挖掘算法存在的问题的基础上 ,利用提出的支持 偏爱度的概念 ,设计了网站访问矩阵 ,并基于这个矩阵提出了用户浏览偏爱路径挖掘算法 :先利用Web日志建立以引用网页URL为行、浏览网页URL为列、路径访问频度为元素值的网站访问矩阵 .该矩阵为稀疏矩阵 ,将该矩阵用三元组法来进行表示 .然后 ,通过对该矩阵进行支持 偏爱度计算得到偏爱子路径 .最后进行合并生成浏览偏爱路径 .实验表明该算法能准确地反映用户浏览兴趣 ,而且系统可扩展性较好 .这可以应用于电子商务网站的站点优化和个性化服务等 .

摘要：分布式中间件是实现分布式系统的重要途径。从软件工程角度出发,探讨了基于中间件的分布式系统的开发过程,对其不同于传统软件过程中的设计、测试和维护等部分进行了讨论,分析了分布式系统的三层体系机构。

摘要：模拟实验方法对高性能计算机系统的性能评价和优化设计有着重要的意义,然而由于目标系统规模庞大,传统的体系结构模拟器难以满足模拟性能方面的要求.文中提出了一种专门用于高性能计算系统的模拟器——SimHPC,该模拟器采用执行驱动的全系统模拟方法,支持操作系统和应用程序的模拟运行.通过采用与目标系统同构的节点作为宿主节点以及并行模拟的方法,使得模拟性能相比传统的体系结构模拟器大幅提高,与现有的几种大规模并行系统模拟器相比,SimHPC在通用性和模拟性能方面也具有一定的优势.

摘要：目的在传统车辆目标检测问题中,需要针对不同图像场景选择适合的特征。为此提出一种基于快速区域卷积神经网络(Fast R-CNN)的场景图像车辆目标发现方法,避免传统车辆目标检测问题中需要设计手工特征的问题。方法该方法基于深度学习卷积神经网络思想。首先使用待检测车辆图像定义视觉任务。利用选择性搜索算法获得样本图像的候选区域,将候选区域坐标与视觉任务示例图像一起输入网络学习。示例图像经过深度卷积神经网络中的卷积层,池化层计算,最终得到深度卷积特征。在输入时没有规定示例图像的规格,此时得到的卷积特征规格不定。然后,基于Fast R-CNN网络结构,通过感兴趣区域池化层规格化特征,最后将特征输入不同的全连接分支,并行回归计算特征分类,以及检测框坐标值。经过多次迭代训练,最后得到与指定视觉任务强相关的目标检测模型,具有训练好的权重参数。在新的场景图像中,可以通过该目标检测模型检测给定类型的车辆目标。结果首先确定视觉任务包含公交车,小汽车两类,背景场景是城市道路。利用与视觉任务强相关的测试样本集对目标检测模型进行测试,实验表明,当测试样本场景与视觉任务相关度越高,且样本中车辆目标的形变越小,得到的车辆目标检测模型对车辆目标检测具有良好的检测效果。结论本文提出的车辆目标检测方法,利用卷积神经网络提取卷积特征代替传统手工特征提取过程,通过Fast R-CNN对由示例图像组成定义的视觉任务训练得到了效果良好的车辆目标检测模型。该模型可以对与视觉任务强相关新场景图像进行效果良好的车辆目标检测。本文结合深度学习卷积神经网络思想,利用卷积特征替代传统手工特征,避免了传统检测问题中特征选择问题。深层卷积特征具有更好的表达能力。基于Fast R-CNN网络,最终通过多次迭代训练得到车辆检测模型。该检测模型对本文规定的视觉任务有良好的检测效果。本文为解决车辆目标检测问题提供了更加泛化和简洁的解决思路。