排序方式: 共有21条查询结果,搜索用时 15 毫秒
1.
针对企业应用系统扩展和维护过程中存在的问题,提出基于面向方面编程(Aspect-Oriented Programming简称AOP)技术的解决方案,探讨了基于AOP的重构方法。与传统面向对象方法相比,该方法避免了代码分散与代码纠缠等问题,在降低模块间耦合度,提高模块复用性和系统可扩展性方面有明显的优势。本研究通过对网通员工考量激励系统的重构,给出了基于.Net平台的AOP实现过程。 相似文献
2.
单位面积麦穗数是小麦产量预测中的一个重要参数,应用图像处理技术识别出麦穗的个数是测产的关键.本文提出改进G分量法,对图像上麦穗像素点的绿色分量值进行增强,然后灰度—二值化处理,使麦穗从背景中分隔开,并与普通分量法、最大值法和加权平均法处理后的图像进行了比较.随机选取50幅麦穗图像样本,分别使用上述几种方法处理,改进分量法比其他3种方法耗时分别降低了51.29%、70.68%和61.01%,同时后续的中值滤波用时也至少降低了11.45%.实验结果表明,改进分量法是有效的. 相似文献
3.
为探明设施茄子在非水分亏缺条件下蒸散量及构成要素的变化特征,围绕关键因子进行调控。以膜下滴灌茄子为研究对象,在苗期、开花坐果期和成熟采摘期土壤水分分别低于田间持水量的70%、80%和70%时,设置3种灌水定额进行灌溉,分析各生育阶段蒸散速率和土壤蒸发速率的变化,并对气象因子(日均温度、湿度、太阳累积辐射)、作物因子(叶面积指数)和土壤水分因子与蒸散量进行相关分析,确定各阶段的关键影响因子。茄子阶段蒸散速率与蒸腾速率变化规律基本一致,均呈单峰型变化曲线,开花坐果期最高,成熟采摘期次之。土壤蒸发速率呈"开口向上"的"U"形变化曲线,开花坐果期最低。蒸散量构成要素所占比重的变化规律为:苗期土壤蒸发量在蒸散量中所占比重最高,达到22.33%~31.40%。开花坐果期最低,为3.31%~3.89%。影响蒸散量因素中,叶面积指数随生育阶段推进影响程度逐渐降低,土壤质量含水率在苗期影响不显著,在开花坐果期和成熟采摘期均达到极显著水平。因此,开花坐果期可以忽略膜下土壤蒸发对蒸散量变化的影响,而在其他2个生育阶段需要充分考虑。叶面积指数对蒸散量的影响主要体现在前中期,而土壤质量含水率主要体现在中后期。 相似文献
4.
本研究分析了ARP欺骗的基本原理及其常见的攻击方式;讨论了现有防御方法存在的局限性。在此基础上,提出了一种防御ARP欺骗的构想,并设计和开发了一套基于C/S模式的ARP防御系统软件。该系统以局域网内每台主机都有唯一的IP地址与MAC地址相对应为基础,通过在客户端对接收到的ARP报文进行ARP报文头信息检验和服务器端IP-MAC检验,过滤掉存在安全隐患的报文,来实现局域网内主机对ARP欺骗的防御,从而提高网络安全性。该系统适用于安全性较高的中小型局域网络。 相似文献
5.
6.
为提高逆向最大匹配算法的分词精度,本研究利用词频阙值,单字函数等方法取得了较好的消歧效果。实验结果表明:该分词算法既能遵循长词优先的原则,又能进一步识别和消除覆盖歧义。改进的RMM不仅在速度上仍保持较大优势而且在分词准确率上有了进一步的提高,对使用机械分词算法的中小型搜索引擎在提高分词精度方面具有一定的实用价值。 相似文献
7.
8.
构建华北地区设施茄子蒸散量估算模型,可为制定其优化灌溉制度提供理论依据。本研究设灌水定额15 mm(W1)、22.5 mm(W2)、30 mm(W3)和37.5 mm(充分灌溉, CK)4个处理,在设施茄子苗期、开花座果期和成熟采摘期土壤含水率分别达田间持水量的70%、80%和70%时进行灌溉,以保证土壤供水充足。基于修正后的Penman-Monteith方程,通过分析CK处理的作物系数与叶面积指数的关系,建立了基于气象数据与叶面积指数的蒸散量估算模型,利用W1、 W2和W3实测蒸散量对其进行验证。结果表明:修正后的Penman-Monteith方程可用于设施参考作物蒸散量的估算,W1、W2和W3蒸散量的实测值与新建模型的模拟值平均相对误差分别为17.81%、18.31%和17.97%。作物系数与叶面积指数呈显著线性关系,可通过叶面积指数确定作物系数。分析W1、W2、W3和CK处理的产量和水分利用效率(WUE)得出, W2与CK产量差异性不显著,而WUE差异性显著,较CK提高31.59%,表明W2兼顾产量和WUE。W2处理下茄子的作物系数,苗期为0.21~0.46,开花座果期为0.62~0.94,成熟采摘期为0.70~0.92。本研究认为,新建模型在估算设施茄子实际蒸散量上具有较好适用性,计算出的作物系数在节水灌溉条件下具有实际应用价值。 相似文献
9.
基于改进BP网络的小麦品种识别 总被引:2,自引:0,他引:2
为了提高小麦品种的识别准确率,以河北农业大学选育的6个小麦品种为研究对象,对小麦籽粒图像进行中值滤波阈值分割等方法预处理后,对形态、颜色、纹理3个方面进行特征提取。其次利用BP神经网络对单个品种的小麦进行识别,然后结合主成分分析(PCA)法降维研究一次性识别多类小麦品种,最后为避免神经网络的局限性,利用PSO算法优化网络权值参数。结果表明:BP网络对单个小麦品种具有非常好的识别效果,其中河农7069品种的识别准确率达100%;结合PCA法降维后小麦品种平均的识别准确率为91.582%;利用PSO算法优化网络后识别准确率增加至94.3%,达到了更好的识别分类效果。 相似文献
10.