常规的多媒体教学设备智能控制系统使用集中控制反馈装置调整设备控制信号,易受吞吐量的影响,导致严重的访问并发问题,因此,需要基于Android移动终端设计一种全新的多媒体教学设备智能控制系统。硬件部分设计了遥感(Remote Sensing,RS)...常规的多媒体教学设备智能控制系统使用集中控制反馈装置调整设备控制信号,易受吞吐量的影响,导致严重的访问并发问题,因此,需要基于Android移动终端设计一种全新的多媒体教学设备智能控制系统。硬件部分设计了遥感(Remote Sensing,RS)智能控制器、S3c2440三星开发板、电阻温度探测器(Resistance Temperature Detector,RTD)监测传感器;软件部分利用Android移动终端构建了教学设备智能控制中心,设计了多媒体教学设备智能控制多功能程序,从而实现了多媒体教学设备的智能控制。系统测试结果表明,设计的多媒体教学设备Android移动终端智能控制系统的性能良好,在访问人数激增时仍未出现并发问题,具有可靠性,有一定的应用价值,可为降低多媒体教学设备的管理难度提供帮助。展开更多
针对不同无线环境(3G、Wi Fi)下获取用户体验质量(Quality of Experience,QoE)数据困难和不精确的问题,提出一种基于安卓(Android)移动终端视频业务QoE的自适应测量方法.通过实时测量并评估用户在线视频业务体验质量,提高用户体验质量...针对不同无线环境(3G、Wi Fi)下获取用户体验质量(Quality of Experience,QoE)数据困难和不精确的问题,提出一种基于安卓(Android)移动终端视频业务QoE的自适应测量方法.通过实时测量并评估用户在线视频业务体验质量,提高用户体验质量评价的准确性和实用性.为此开发了能自动测量视频QoE的工具,测量服务质量(Quality of Service,QoS)客观参数,通过效用函数映射到主观QoE(MOS值).通过对理论QoE评价模型(取自文献)与用户实际反馈相关性研究改进理论模型.结果表明,无线环境下改进的模型测量结果更接近用户实际反馈,可以更好地评价QoE.展开更多
针对当前移动终端使用中存在的安全隐患,研究了一种新的面向Android移动终端的入侵检测算法。首先是在Android平台上收集移动终端内核信息并进行预处理,通过引入快速核密度估计(fast kernel density estimation,Fast KDE)算法对收集到...针对当前移动终端使用中存在的安全隐患,研究了一种新的面向Android移动终端的入侵检测算法。首先是在Android平台上收集移动终端内核信息并进行预处理,通过引入快速核密度估计(fast kernel density estimation,Fast KDE)算法对收集到的大规模样本进行压缩,得到数量合理的训练样本,然后结合在线增量学习算法,利用支持向量机(SVM)算法对处理后的数据进行判别以识别出入侵。实验结果表明,该方法极大缩短了训练时间,检测性能逐步达到最佳,具有较好的可扩展性和自提升能力。展开更多
文摘常规的多媒体教学设备智能控制系统使用集中控制反馈装置调整设备控制信号,易受吞吐量的影响,导致严重的访问并发问题,因此,需要基于Android移动终端设计一种全新的多媒体教学设备智能控制系统。硬件部分设计了遥感(Remote Sensing,RS)智能控制器、S3c2440三星开发板、电阻温度探测器(Resistance Temperature Detector,RTD)监测传感器;软件部分利用Android移动终端构建了教学设备智能控制中心,设计了多媒体教学设备智能控制多功能程序,从而实现了多媒体教学设备的智能控制。系统测试结果表明,设计的多媒体教学设备Android移动终端智能控制系统的性能良好,在访问人数激增时仍未出现并发问题,具有可靠性,有一定的应用价值,可为降低多媒体教学设备的管理难度提供帮助。
文摘针对不同无线环境(3G、Wi Fi)下获取用户体验质量(Quality of Experience,QoE)数据困难和不精确的问题,提出一种基于安卓(Android)移动终端视频业务QoE的自适应测量方法.通过实时测量并评估用户在线视频业务体验质量,提高用户体验质量评价的准确性和实用性.为此开发了能自动测量视频QoE的工具,测量服务质量(Quality of Service,QoS)客观参数,通过效用函数映射到主观QoE(MOS值).通过对理论QoE评价模型(取自文献)与用户实际反馈相关性研究改进理论模型.结果表明,无线环境下改进的模型测量结果更接近用户实际反馈,可以更好地评价QoE.
文摘针对当前移动终端使用中存在的安全隐患,研究了一种新的面向Android移动终端的入侵检测算法。首先是在Android平台上收集移动终端内核信息并进行预处理,通过引入快速核密度估计(fast kernel density estimation,Fast KDE)算法对收集到的大规模样本进行压缩,得到数量合理的训练样本,然后结合在线增量学习算法,利用支持向量机(SVM)算法对处理后的数据进行判别以识别出入侵。实验结果表明,该方法极大缩短了训练时间,检测性能逐步达到最佳,具有较好的可扩展性和自提升能力。
