摘要：鉴于需求准确度与救灾品配送效率之间的悖反关系,研究了基于需求更新的救灾品配送效率与公平问题.通过对某市民政局进行调研,了解到台风灾害发生时的需求变化规律,设计一种通过已知需求灾区对未知需求灾区的需求进行贝叶斯更新的需求更新方式,由此建立救灾品配送模型.将该模型应用于某台风救灾实例,通过实例分析表明了该模型的求解速率与精度,并找到了最优"决策点",实现了救灾品配送公平与效率的平衡.

摘要：本文首先分析了现有答疑系统及其不足,然后给出了一个基于Agent的答疑系统模型以及其中各Agent部件的设计,最后说明了本文答疑系统的特点。

摘要：二叉判定图BDD作为一种表示和操作布尔函数的数据结构,被广泛地应用在模型检测、系统验证等领域.在最坏情况下,BDD的空间规模是指数级的,因此为了设计和实现一个高效BDD包,研究者们做了大量技术性工作,同时涌现出多个高效BDD包.为了节省空间和提高运算速度,这些BDD包的实现都限定了一个较小的变量个数上限(不超过2^(16)),然而这种限定同时也限制了BDD包的适用性.为了突破这种限制,文中给出了一个高效的BDD包实现,该包在采纳了经典BDD包高效实现技术的同时,使用了内存分片分配、轻量级垃圾回收等技术.这些技术使得BDD包在保持高性能的情况下,将可处理的变量规模提高到2^(32),与现有BDD包的处理规模2^(16)相比,大大提高了BDD包的适用性.实验证明其性能非常接近可获得的最快的2^(16)变量规模的BDD包——CUDD.

摘要：针对室内场景中由于光照变化、人体形态被遮挡以及在特殊视角下人体姿态变化等因素导致行人跌倒检测精度低、实时性差的问题,提出了一种基于YOLOv8改进的轻量级跌倒检测算法FDW-YOLO。将骨干网络中的C2f模块替换成FasterNext模块,增强有效特征复用的同时降低计算复杂度。根据人体跌倒姿势变化大的特点,设计了3种在颈部层不同位置添加动态可变形卷积模块的网络结构,并在自制的跌倒行为目标检测数据集上进行实验比较,最终根据网络性能选择YOLOv8-C方案。在改进后的网络中引入边界框回归损失函数WIoU取代原有的CIoU。实验结果表明,FDW-YOLO跌倒检测算法较YOLOv8n在mAP@0.5指标上从96.5%提升到97.9%,在mAP@0.5:0.95指标上从72.5%提升到74.3%,同时参数量和计算量只有4.1×10^(6)和7.3×10^(9),符合在低算力工业场景中部署的要求。

摘要：针对目前流行的可视化监控系统存在的缺陷，研制并实现了一种利用计算机系统辅助宪成运动目标的自动检测和分类的智能化监控系统，并针对户外监控场景复杂、干扰大，人体识别困难的问题，提出了背景图象更新、检测块、提取函数、特征点等概念，以及影子模式的投影直方图技术，基于时空信息的累加和技术解决户外复杂背景下的人体识别困难，以降低户外监控的漏警率和误警率。

摘要：根据冲突集簇计算极小碰集是基于模型诊断的关键步骤,提出一种基于矩阵运算求解极小碰集的方法,在考虑集合之间联系的基础上,通过构造矩阵体现极小碰集的特性,找出所有的极小碰集。从理论上分析利用矩阵求解极小碰集的算法,通过实例进行验证,与其它极小碰集求解算法进行比较。实验结果表明,所提方法数据结构简单,算法程序容易编写,能够确保得到所有极小碰集,在某些情况下比传统的CSSE-Tree算法、HST-Tree算法等具有更高的求解效率。

摘要：本文所设计的控制器采用AT89C51单片机作为控制核心,将PID算法和PWM脉宽调制技术相结合,通过光耦控制晶闸管导通角的大小实现热水器的恒温控制。该系统能根据设定的温度,实现温度的自动采集和控制,解决了传统的电热水器用冷热水闸门调节温度出现的温度不易调节的缺点。

摘要：介绍了NET框架的体系结构、NET程序的执行架构以及***的优势,论述了基于***的网上论坛的设计方法以及实现该论坛的关键技术。

摘要：基于UDDI技术和WebService应用架构,本文提出了利用高校私有UDDI注册中心进行校园信息系统的集成,并对UDDI信息模型结构以及基于私有UDDI注册中心的高校系统集成的主体架构的设计与实现进行了详细的分析研究。

摘要：以YOLOv8为代表的单阶段目标检测算法,在骨干网络中有比较明显的优化,但在颈部网络未能高效地融合上下文信息,导致在小目标检测方面存在漏检、错检的问题,并且还存在模型参数量大、计算复杂度高的问题,无法满足端到端的工业部署需求。针对以上问题,引入基于Transformer结构的BiFormer注意力机制,加强对小目标的检测性能,提升算法的精度;引入GSConv模块,在保证算法性能不受到负面影响的前提下减小算法规模。为了平衡BiFormer带来的计算量和参数量的增加,设计了一种名为Bi-YOLO的目标检测算法,以达到轻量化和算法性能的平衡。实验结果表明,Bi-YOLO目标检测算法和YOLOv8n相比,算法精度提高了4.6%,DOTA数据集小目标检测精度提高了2.3%,参数量下降了12.5%。Bi-YOLO有效实现了模型轻量化和性能的平衡,为端到端的工业部署提供了新思路。