产品详细介绍SiaExam网络考试系统是套完全基于.net平台开发的新一代系统平台，系统采用XML完全数据结构模式开发的纯B/S网络考试系统。系统整体性能较传统的网络考试系统（即 C/S和B/S的混合模式）有极大的提高，比如在数据并发量、稳定性、数据迁移等指标等。同时结合多年用户的实践，遵循国家级考试要求及考试流程，整合大量用户的实际应用需求而推出全新的适合国内大中院校各类英语考试的最新一代智能网络考试系统。产品特点◆具备考试公告、组卷、考试、自测、阅卷和成绩统计与查询、试卷管理等模块功能。◆系统拥有先进的智能组卷出题、考试、自动阅卷、试卷分析、成绩统计和评估、考试管理等功能；可以能快速、随机生成符合要求的标准化试卷；◆系统采用B/S架构，不受点数限制，没有局限性。只要有浏览器功能就可以访问系统；无须安装客户端，学习者和教师无论在语言实验室、多媒体教室、计算机房、办公室、宿舍和任何一台校园机都可以开展学习，要符合当前软件应用发展的趋势。◆完全基于ASP.NET平台 C#语言开发的新一代系统平台，系统采用XML完全数据结构模式开发的纯B/S结构网考模拟仿真系统，在稳定性、数据并发量、数据迁移、维护成本低、安装简便、访问速度比较快、抗病毒性强等指标远远优于其它JAVA/JSP语言技术开发的传统网考系统。维护难度小，安装方便、可以跨平台运行。◆系统性能稳定，部署于WINDOWS操作系统，适合院系、教师根据需要进行CET4-6仿真模拟测试，考试流程完全仿真国家四、六级网考。◆系统支持流媒体播放、具备占用宽带资源少，对服务器压力小，对用户硬件的要求低的特点。学习者可大量访问和流畅访问视频文件、可以支持大量并发访问，应用的时候没有点数限制，提高使用效率，大大降低了用户使用成本。◆全面开放系统架构，独家提供无限题库分级层次，满足各语种各学科的分类管理。除系统自带试卷库外，老师可根据不同层级建立题库和试卷库。◆考试训练过程中能够实现断点续传功能，实现保障学生在出现故障的情况下可在另外的计算机继续完成考核。◆计算机主动阅卷和教师手工阅卷，客观题计算机自动阅卷打分，主观题教师手动打分，系统自动统计考试成绩。

赛尔网络有限公司成立于2000年12月，经教育部批准，负责中国教育和科研计算机网CERNET的运营与管理。秉承“网络服务教育”的宗旨，赛尔网络立足教育、服务社会，充分发挥人才、技术等方面的优势，为用户提供包括网络接入、网络技术、网络信息等全方位高品质的服务。 成立十年来，赛尔网络坚持不懈地进行技术创新，不断提高CERNET网络运行质量与服务水平，扩大网络覆盖范围，打造安全畅通的绿色网络，广泛开展网络集成、建设、运维等全方位的网络技术服务与国际贸易服务，以及教育资讯、在线培训、远程视频面试等多样化的网络信息服务，积极参与下一代互联网研发与试商用建设，成为中国领先的互联网技术与服务提供商。 赛尔网络不断吸纳国际领先管理理念，进行流程优化，提升运营效率，为客户创造更高价值。公司先后通过了ISO9001:2000质量管理体系认证和CMMI3等国际认证，在全国范围内设立29家分公司，建立了全面的质量保障体系与快速响应市场变化的营销体系。公司积极推动与国际一流技术和最新应用的合作，拥有赛尔投资、赛尔毕博、赛尔教育、赛尔新概念、赛尔时代传媒、赛尔汇力安全等多家子公司。 服务求生存，贡献求发展。在教育部的正确领导下，在国家有关部门和社会各界的大力支持下，赛尔网络将加倍努力，推动教育信息化，促进优质教育资源共享，为教育改革与发展和国家信息化建设做出更大的贡献。  

产品详细介绍  SP-3000型校园田径运动会网络管理系统是信息网络化管理系统，本系统为田径运动会运动会组织者提供方便、快捷的使用方法，系统能够对运动会进行合理的安排与管理，实现数字化，网络化，智能化，无纸化工作，节省大量人力和物力。     校园田径运动会网络管理系统一种“人机交互系统”， WINDOWS 操作系统，界面友好，操作简单。通过计算机来完成烦琐的记录与安排工作，保证运动会的正常流畅的进行。校园田径运动会网络管理系统是典型的数据库应用系统，可完成田径运动会管理中的运动员报名、赛前编排，成绩自动测试，成绩自动记录，成绩自动统计，成绩公布．信息查询等事务处理功能。并且径赛支持预次复决四个赛次，支持电子报名。自动生成成绩册，使用该系统可以极大地减少裁判员和工作人员的人数及劳动量，同时还可大大提高工作效率、可靠性和正确性。  该系统非常适用，办学规模很大的中小学校、大专院校、各级体育、教育行政部门等举办的田径运动会。尤其这个系统完全可以交付学生来使用，它可以提高学生的组织管理能力，打破在组织上以教师为中心的运动管理模式，教师在其中充当一个指导者的或者监督角色。

本发明公开了一种按数据属性分类存放的混合存储方法及系统。 考虑到元数据在文件系统中所占空间小、访问频繁等特点，构建了一 种由硬盘驱动器和固态硬盘组成的混合架构，将文件系统中的数据按 数据属性分为数据和元数据，将数据存放在由 HDD 组成的 RAID5 中， 将元数据存放在由 SSD 组成的 RAID1 中，以达到将文件系统中的数 据和元数据分类存放到不同介质、不同阵列级别的设备的目的，提升 文件系统 I/O 性能和可

本发明公开了一种基于在线训练的视频运动目标分类方法，包括以下步骤：(1)获取原始视频序列的所有运动目标；(2)对运动目标提取速度、面积等标记特征和高宽比等分类特征；(3)将速度特征大于速度高阈值的目标标记为“车辆”，速度特征小于速度低阈值的目标留作步骤(4)进行二次筛选；(4)对速度小于速度低阈值的目标中面积特征小于面积阈值的目标标记为“行人”；(5)将标记完毕的“车辆”目标和“行人”目标设为训练集，训练得到人车分类

本项目围绕垃圾分类模式/方法及评价模型建立、农村易腐垃圾堆肥新技术开发、垃圾分类信息化技术及智能装备研发等进行关键技术研究，并集成团队研究成果研编了垃圾分类系列标准，构建了我国城乡垃圾分类体系并推广应用。 1、创建了垃圾分类新模式、方法和技术。基于社会化与专业化相结合的垃圾分类“双轨策略”理论，建立了生活垃圾分类“2+n”模式和农村生活垃圾“五类三段”分类模式；创建了垃圾分类的物元分析模型、投放方案灰色聚类比选模型及分类效果F-measure评价模型；结合农村易腐垃圾就近处理需求，研发了引风式静态堆肥技术和重力翻板式间歇动态堆肥技术及装备，在福建省明溪县胡坊镇和安徽省凤阳县小岗村进行了工程示范。实施垃圾分类制度对垃圾混合收运处理模式产生显著影响，垃圾分类后热值增加，每吨生活垃圾焚烧发电量上升约3%；与混合垃圾填埋相比，CO₂减排量接近80%。 图1 两型农村小型易腐垃圾（厨余垃圾）就地协同堆肥处理设施（左图为静态堆肥设施，右图为间歇动态堆肥装置） 2、研发了垃圾分类信息化技术及智能装备。将传统垃圾收运技术与信息化新技术相结合，研发了分类信息化管理平台，发明了具备溢满报警、感应开门、自动称重和容量监测等多功能的智能垃圾分类回收箱和溢满报警、快速升降的太阳能地埋式垃圾收集箱等系列智能装备，提高了分类系统效率与效能，在全国数以千计的县（区）街道广泛应用。应用案例垃圾无害化率100%，居民垃圾分类知晓率、参与率100%、厨余垃圾投放准确率88%。 图2 智能化垃圾分类投放/收运设施（左图为智能垃圾分类回收箱，右图为太阳能地埋式垃圾收集箱） 3、构建了城乡垃圾分类标准新体系。研编系列垃圾分类标准，就分类工作全范围、全过程提出了设施建设、设备配备、运行操作等全要素的规定与要求，是规范分类工作的基本依据；首次将农村垃圾堆肥原料和产品含水率上限值分别由60%、30%提升至65%、45%，增强了堆肥技术标准的适用性，扩展了堆肥技术的适用性；研编大件/园林/装修/餐厨/果蔬等垃圾分类系列标准，填补新兴垃圾标准体系空白，指导各行各业垃圾分类工作规范化进行。 图3 已发布实施的垃圾分类与收运处理标准（共计21项标准） 针对源头垃圾分类投放社会化特征明显、组织实施难度大和分类收运环节涉及原有收运系统向分类系统过渡的实际困难，研编、建立了的垃圾分类标准体系，正式发布实施国家团体标准21项，在编18项。在垃圾投放操作、设备运维、作业人员安全生产要求等方面进行了规定，保证了垃圾分类投放及收运过程的规范化和安全性；在数以千计的县区、街道、社区指导垃圾分类的稳步施行。 【技术优势】 1. 创建垃圾分类新模式、方法和技术，引领分类技术水平跨越式提升：率先提出垃圾分类“双轨策略”，实现垃圾社会化分类稳步推进和专业化分类技术水平跨越式提升；提出垃圾分类“2+n”模式，创建兼顾效率与可操作性的垃圾分类投放模型与效果评价指标体系。提出农村生活垃圾“五类三段”模式，解决农村垃圾分类的重点与难点；进行农村易腐垃圾就地协同堆肥处理，提高资源化、无害化水平。 2. 研发分类信息化技术及智能装备，实现安全、环保、精准、高效分类。开发垃圾分类全流程智慧运营、管理、监管平台，提高分类系统效率与效能；研发智能化垃圾分类收运设施装备，改善作业条件、提高工作效率；推广应用信息化技术及智能装备，加速推进分类制度施行。 3. 构建城乡生活垃圾分类标准体系，为全国范围内规范化推进垃圾分类工作提供依据。研编分类投放系列标准，规范/细化垃圾源头分类投放和收运操作要求；研编农村垃圾分类系列标准，提升农村垃圾分类处理水平；研编大件/园林/装修/餐厨/果蔬等垃圾分类系列标准，填补新兴垃圾标准体系空白。

该成果提出了一种基于同质块均值核类内协同表示分类方法。同质块均值核能够有效地为目标样本确定其邻域区域内的同质样本，并将目标样本和同质块内的样本与训练样本之间的相似度作为新的特征向量，在有效提高类别区分度和空间表征能力的同时，提升了特征生成的效率。其后在分类过程中，利用类内协同表示分类中的吉洪诺夫正则项加强测试样本和各个类别训练样本之间的相关性的同时进一步提高分类效率。 主要技术指标 不同数据集下的训练样本与测试样本数与在该训练样本集数量下的分类结果表现参阅表 1。 （1）相比于传统分类器 SVM，OA 提高了约 15%；相比于 JCR 方法，OA 提高了约 2-4%。 （2）该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。同时有效降低了离散错分样本的数量，改善了过平滑的分类效果。参见表 1 与图 1。 （3）同时该成果特征提取方法有效提高了特征提取效率，参见表 2。 表 1.PaviaU 大学数据的训练样本选取与分类结果 表 2. 不同窗口大小下的特征生成时间比较

本发明提供了一种基于随机蕨的自举弱学习方法及其分类器，本发明属于计算机图形识别技术领域。图形识别通常采用弱分类器的加权、高斯概率分布的均值距离来判别正负样本。或采用分类树作为弱学习器，用误差测度减少最大化的划分准则划分节点，然后将这些弱分类器提升为强分类器。但是，这些弱学习方法要么收敛速度慢，要么准确率不够高，要么计算效率低。本发明选择图像特征和构造随机蕨、基于随机蕨的弱学习方法、基于随机蕨的弱学习方法、构建弱分类器、结果分类器等步骤可以很好地解决成像环境复杂且对运算量要求严格的图像模式识别，实现快速收敛和高效的自举弱学习方法，得到实时处理且准确率高的分类器。主要用于各种模式识别场合。