公共文化服务平台

共 9 条记录，以下是 1-8

全选清除导出

排序方式：

面向工程教育专业认证的软件工程专业培养方案持续改进与实践: 2024年; 以江苏大学计算机科学与通信工程学院软件工程专业为例,针对目前软件工程专业培养方案的持续改进问题,介绍在工程教育专业认证中围绕培养目标、毕业要求、课程体系等方面的实践举措,希望培养出适应社会发展的软件工程专业高素质创新人才。; 宋和平韩飞林琳贾洪杰宋香梅; 关键词：工程教育软件工程

基于贪婪重建的射频传感器网络稀疏目标跟踪被引量：1: 2013年; 在射频传感器网络中利用接收信号强度来实现无设备运动跟踪是一种新兴技术。由于待重建的场景是稀疏的,即目标个数很少,这样可以应用压缩传感技术。提出把目标跟踪作为压缩传感的信号重建问题,并提出贪婪检测估计算法来求解目标位置。同时,设计一种利用目标先验位置信息的反馈跟踪方法来减少信号重建时所需的测量数。通过实验验证:贪婪检测估计算法可获得较好的信号重建结果,而且在目标跟踪应用中也较为精确。; 宋和平王国利; 关键词：目标跟踪贪婪算法信号重建

作者简介 sssssssssssssssssssss: 2015年; 无线电层析成像（RTI）是通过分析因环境改变引起无线链路接收信号强度（RSS）的变化情况来推测场景信息的过程。文章运用一种新的链路分析方法，通过分别分析场景目标对链路的两种影响，即因阻挡而阴影衰减的影响和因反射而使链路多径分量增加的功率增强影响，得到不同的场景信息，最后综合两种信息得到场景信息，大大减少无线信号噪声干扰，通过实验证实该方法能减少噪声对RTI的干扰，实验结果有较好的收敛度。; 匡仁炳宋和平; 关键词：DFL

基于无线电相关链路分析的无携带式定位方法: 2015年; 无线电层析成像(RTI)是通过分析因环境改变引起无线链路接收信号强度(RSS)的变化情况来推测场景信息的过程。本文运用一种新的链路分析方法,该方法通过分别分析场景目标对链路的两种影响,即因阻挡而阴影衰减的影响和因反射而使链路多径分量增加的功率增强影响,得到不同的场景信息,最后综合两种信息得到场景信息,大大减少无线信号噪声干扰。通过实验证实,该方法能减少噪声对RTI的干扰,实验结果有较好的收敛度。; 匡仁炳宋和平; 关键词：DFL

2023年度人工智能领域国家自然科学基金项目申请与资助情况综述: 2024年; 对2023年度国家自然科学基金人工智能领域(申请代码F06)下的“人才”和“研究”两大项目系列中部分项目的申请与资助情况进行统计分析,并从申请代码、依托单位分布及其近五年(2019~2023)的变化趋势等角度进行分析,同时介绍本领域按科学问题属性分类的评审情况以及相关评审原则与举措.最后进行总结和展望,旨在为相关研究人员了解该领域的研究热点和未来发展方向提供参考.; 谢国王乐王乐肖斌宋和平王志衡肖斌; 关键词：国家自然科学基金人工智能

稀疏信号重构的残差最小化追踪被引量：1: 2014年; 提出一种新的压缩传感稀疏信号重构算法——残差最小化追踪(residual minimization pursuit,RMP).残差最小化追踪RMP每次迭代选择残差信号在测量矩阵的正交投影绝对值最大的元素来检测支持集,然后求解支持集上的最小二乘解更新稀疏信号.另外,提出两种扩展残差最小化追踪RMP算法,算法每次迭代选择多个元素来检测支持集.实验结果表明,残差最小化追踪RMP稀疏重构性能优于正交匹配追踪OMP算法.; 宋和平王国利; 关键词：压缩传感贪婪算法

稀疏信号重构的阈值化迭代检测估计被引量：1: 2014年; 研究压缩传感(Compressed Sensing,CS)的稀疏信号重构算法,该文提出一种新的算法框架阈值化迭代检测估计(Iterative Detection Estimation with Thresholding,IDET)。算法框架包括两个方面:选择单阶段阈值化(One-Stage Thresholding,OST)算法的迭代步作为支持集检测的参考;根据稀疏信号的特征设计支持集检测方法。同时,提出该算法框架的实现算法,实现算法先检测由迭代硬阈值化(Iterative Hard Thresholding,IHT)迭代步得到一个支持集,然后通过求解支持集上的最小二乘问题来估计待重构的稀疏信号,迭代上述两个步骤直至满足条件停止。IDET算法的关键在于支持集检测,该文提出3种适用于快速衰减信号的支持集检测方法。实验结果表明,IDET稀疏重构性能优于IHT的其他加速算法。; 宋和平王国利; 关键词：压缩传感贪婪算法

HMRF半监督近似核k-means算法被引量：1: 2019年; 信息技术的发展催生了海量数据。聚类有助于发现数据的内在联系,从中挖掘有价值的信息。在对数据进行分析时,容易获得一些关于数据的背景知识,使用这些有限的先验信息指导聚类,可以显著改善聚类的结果。基于隐马尔可夫随机场(Hidden Markov Random Fields,HMRF)的半监督聚类使用成对约束作为监督信息,虽然在很多应用场景中有较好的聚类效果,但是其时间和空间复杂度很高,无法满足大规模数据处理的需要。针对该问题,文中首先分析了HMRF半监督聚类与核k-means的数学联系,使用矩阵的迹将两者的目标函数统一起来;然后,为了降低HMRF半监督聚类的复杂度,提出HMRF半监督近似核k-means算法(HMRF semi-supervised Approximate Kernel K-Means,HMRF-AKKM),通过采样构造近似核矩阵,使用近似核k-means优化聚类的目标函数;最后,在基准数据集上将HMRF-AKKM算法与相关的聚类算法进行对比,分析不同算法在实验中的聚类表现。实验结果表明,在相同的聚类任务上,HMRF-AKKM算法与原始的HMRF半监督聚类具有类似的聚类质量,但是HMRF-AKKM算法的聚类时间更短,说明HMRF-AKKM算法继承了HMRF半监督聚类与近似核k-means的优点。该算法一方面可以充分利用成对约束信息改善聚类质量,另一方面通过采样和矩阵近似提高了聚类效率,而且聚类质量和聚类效率可以通过调节采样比例和成对约束数量来平衡。因此,所提出的HMRF-AKKM算法具有良好的可扩展性,适合处理大规模非线性数据的聚类问题。; 贾洪杰王良君宋和平; 关键词：半监督聚类

全选清除导出

共1页<1>

宋和平

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

宋和平

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈