信息与计算科学专业《数据结构》教学实践与思考

结合信息与计算科学专业设置,本文分析了数据结构课程教学现状,从整合教学内容、设置教学梯度和完善教学手段等方面进行研究与探索。本课题针对交叉学科的特点强调学以致用和知识的融会贯通,搭建了开放的专题学习平台,提高了学生的自主学习和研究能力,初步取得了较好的教学效果,为数据结构课程的教学改革提供了参考。     

VMware虚拟化技术在高校云机房中的使用

在机房管理过程中，使用实验VMware虚拟化技术，可以为机房管理带来极大的便利，快速发布学生机，甚至可以为每一名任课教师准备单独系统环境的教师机。实现一个机房多个教学环境，节约教育资源。     

Alpha-shape算法构建枣树点云三维模型

为了实现枣树智能化修剪作业，该研究提出了基于点云配准的自然光照环境下的果树三维重构方法，并针对传统最近点迭代（Iterative Closest Point，ICP）算法对待配准点云的空间位置要求苛刻的问题，提出了改进的点云配准算法。首先，使用彩色深度（RGB-D）相机采集不同角度下的枣树彩色和深度图像，并通过信息融合实现相应角度下的点云获取。其次，对点云进行背景去除和滤波处理，基于直方图设定分割阈值，提取单株枣树点云，并将放置在树根附近的标靶球作为标记，使用人工标记法进行两站点云初配准。最后，在初配准基础上计算点云的曲面法向量和曲率，由曲率相近的点构成配对点对，使用k维树最近点迭代（k dimensional-tree-Iterative Closest Point，kd-tree-ICP）算法完成精配准，对点云使用Alpha-shape算法面片化，实现表面重构。利用上述方法对多棵枣树进行全局配准并完整重构果树模型。试验结果表明，通过引入初配准，有效提高了点云配准的准确性和稳定性，配准误差均控制在1.0 cm以内，平均配准误差为0.78 cm；重构模型真实感较强，在外观上更加接近真实树，枝干相对误差控制在7%以内。该研究重构模型精度较高，可为枣树智能修剪提供可视化研究基础和技术支持。     

基于云计算的数据库管理系统在高校中的应用与实现

云计算是在网格计算的基础上发展而来的计算模型,是分布式计算、并行计算和网格计算的发展。介绍了云计算运用于数据库管理系统在现代化高校中的实现,针对传统的数据库管理系统存在的一些盲点,提出了云数据库管理系统的解决方案,指出了云数据库管理系统的广阔发展前景。     

基于机载LiDAR数据的玉米叶面积指数反演

以机载LiDAR离散点云数据为数据源,基于植被冠层孔隙率与叶面积指数的关系,提出一种反演大田玉米叶面积指数的方法。对反演LAI和实测LAI进行对比分析,结果表明:基于Axelsson改进的不规则三角格网加密方法可以将地面点和非地面点分开,结合高分辨率影像能够提取出玉米冠层点云;基于孔隙率反演LAI,尼尔逊参数的选择对结果影响很大,利用扫描天顶角模拟尼尔逊参数,LAI反演结果接近于真实情况。利用机载LiDAR点云数据能精确地反演大田玉米LAI,该研究方法适用于中等高度的农作物,可以扩展到甜菜、甘蔗等其他中等高度农作物。     

乡村振兴环境下饲料企业应用电子商务创新发展模式的研究

饲料业产值提升和总体规模的发展壮大,对我国乡村振兴和农民脱贫攻坚意义重大。当前我国饲料企业的电商模式主要包括B2B、B2C和O2O等。但大多数饲料企业本身规模较小,技术相对落后,对电商营销的投入也十分有限,严重制约了电商模式的创新发展。为此,本文在大数据和云计算框架下提出一种基于云服务的饲料产品电商模式,以网络层、传输层、服务层和应用层等为基础架构,将云端信息服务与饲料产业链深度融合,在为饲料企业提供海量客户信息的同时,也提升和改善了饲料企业原有的销售模式、售后服务水平和物流效率。 [关键词] 乡村振兴|电商|云服务|产业链     

基于正态云模型的区域水资源承载力评价

针对水资源承载力评价指标模糊性与随机性的问题,将正态云模型应用于其评价当中。基于正态云模型,以浙江省为例,对区域水资源承载力状况进行评价。结果表明:2006-2009年间,浙江省水资源承载力状态始终处于Ⅱ级(一般)状态,较为平稳,水资源承载力综合值从1.960 3上升为2.052 2,区域水资源承载力水平有增加趋势,但个别评价指标仍处于危险状态,其单因子指标值1.5,有待于进一步提高与改善;正态云模型使水资源承载力的定量评价兼顾随机性和模糊性,研究结果可为区域水资源可持续发展提供一定的参考借鉴。     

一类二维加权积分数值求积方法及其误差分析

针对一类二维加权积分的数值计算方法及误差分析进行研究,参照一维广义高斯积分数值求积方法提出一种具有较高代数精度的计算方法并对其误差做分析,同时给出几个简明的结果。这些结果可用到诸如小波分解,图像处理与多分辨数字信号处理等领域。     

The Inherent Fault Tolerance of Multi-Layer Neural Networks

The inherent fault tolerance of multilayer neural networks (MLNs) is due to thedistributed properties of information processing and information storage in an MLN , and the inher-ent fault-masking capability of every neuron. Also,the concept of inherent fault tolerance of MLNsis formalized, Finally, perceptrons and three-layer nets are shown inherently fault tolerant underreasonable statistical conditions,respectively.