聂慧
- 作品数:8 被引量:14H指数:2
- 供职机构:广东科技学院更多>>
- 发文基金:国家自然科学基金广东省自然科学基金更多>>
- 相关领域:自动化与计算机技术文化科学更多>>
- 基于VL技术的Oracle数据库实验平台架构研究
- 2017年
- 大数据时代的来临,数据库技术成为最活跃的学科,Oracle数据库因其特性也逐渐成为各高校信息技术学科中的核心课程之一,但现阶段的教学实践环节受到资源、场地和时间的限制。为解决这一问题,基于虚拟实验室VL技术的Oracle数据库实验平台的研究应运而生,基于B/S模式,通过浏览器来访问并进行数据库的实验。该平台的使用及推广是对传统实验教学的一次革新,为Oracle数据库理论教学的提升和扩充提供了保证。
- 彭娇聂慧
- 关键词:ORACLE数据库
- 基于快速搜索最佳匹配块的图像修复算法被引量:6
- 2014年
- 通过分析Criminisi算法的计算复杂度,得出整个算法的计算复杂度主要取决于其搜索最优匹配块的计算复杂度,且通过分析待修复块优先级的作用,得出整个修复质量与待修复块的优先级密切相关,综合提出了一种QSOMB算法以改善Criminisi算法的缺陷。QSOMB算法一方面采用了一种粗略搜索和精细搜索相结合搜索最优匹配块的算法,可大幅度降低算法的计算复杂度从而节约修复时间,另一方面运用了一种新颖的优先级系数计算方法来确定待修复块的优先级,可得到更为确信的修复效果。通过实验分析可知,相较于Criminisi算法,QSOMB算法是一种有效的且可运用于实践的图像修复算法,其不仅可以确保图像修复后的质量,而且其所需的修复时间更短。
- 聂慧邹艳丽金晶
- 关键词:图像修复计算复杂度结构信息
- 基于多核系统的并行线性RankSVM算法被引量:2
- 2017年
- 现有的线性RankSVM已得到较有效的研究,但在训练大规模的线性Rank SVM时,过长的训练时间依然难以让人接受。通过对当前最先进算法Tree-TRON的分析可知,利用信任区域的牛顿迭代(trust region Newton method,TRON)去训练线性Rank SVM模型涉及大量的Hessian-vector内积(Hessian-vector product)计算,同时完成Hessian-vector内积计算又需计算大量的辅助变量和矩阵运算。为了有效地加速与Hessian-vector内积有关的计算,在多核系统下提出了一种高效的并行算法(命名为PRank SVM)用于提高大规模线性Rank SVM的训练速度。PRank SVM的特征主要体现为两个方面:训练数据按不同的查询划分为不同的子问题;在多核系统下,利用多核加速辅助变量和相关矩阵的计算。通过实验分析可知,相较于现有的算法(如Tree-TRON),PRank SVM不仅可以有效地提高训练速度,而且可以有效地确保预测的准确率。
- 聂慧彭娇金晶李康顺
- 关键词:并行计算多核系统
- 浅析关系型数据库设计的理论和实践被引量:2
- 2014年
- 作为一门应用性很强的学科,数据库技术在软件开发中的应用越来越广泛了。该文对关系型数据库设计的理论及实践进行了简单分析。首先,简单介绍了数据库设计的重要性;其次分析了关系型数据库设计步骤及原则;最后结合实例,分析了在软件开发中的数据库设计实践。
- 彭娇聂慧
- 关键词:关系型数据库
- 郎中治病在软件测试技术课程教学中的应用研究
- 2016年
- 该文分析了软件测试技术课程的特点及列举了一些该课程的基本概念,得出软件测试技术是一门基础概念较难理解的课程。为了让学生更形象地理解软件测试基本概念,该文提出引入郎中治病案例可将课程变得生动易理解。
- 聂慧彭娇
- 关键词:软件测试教学
- “互联网+”时代下基于MOOC理念的教学模式研究——以《Java程序设计》课程为例被引量:1
- 2016年
- 在"互联网+"的时代背景下,互联网与教育教学相结合产生了新的教学模式。而MOOC的出现,大大调动了学生学习的积极性,满足了学生个性化学习的需求,提高了教师的教育教学水平。该文以《Java程序设计》课程为例,设计出基于MOOC教学理念的教学模式。
- 彭娇聂慧
- 关键词:JAVA程序设计教学模式
- 一种量化因子自适应学习量化训练算法被引量:2
- 2022年
- 深度神经网络因参数量过多而影响嵌入式部署,解决的办法之一是模型小型化(如模型量化,知识蒸馏等)。针对这一问题,提出了一种基于BN(batch normg lization)折叠的量化因子自适应学习的量化训练算法(简称为LSQ-BN算法)。采用单个CNN(convolutional neural)构造BN折叠以实现BN与CNN融合;在量化训练过程中,将量化因子设置成模型参数;提出了一种自适应量化因子初始化方案以解决量化因子难以初始化的问题。实验结果表明:8bit的权重和激活量化,量化模型的精度与FP32预制模型几乎一致;4bit的权重量化和8 bit的激活量化,量化模型的精度损失在3%以内。因此,LSQ-BN是一种优异的模型量化算法。
- 聂慧聂慧苏洋