公车人妻中出中文字幕,丰满少妇高潮惨叫在线观看

5G基站型路側(cè)設備技術(shù)方案與應用研究[通信與網(wǎng)絡][5G]

隨著5G技術(shù)的發(fā)展和商用，基于車路協(xié)同的自動駕駛被業(yè)界認為是車聯(lián)網(wǎng)未來發(fā)展的主要方向之一，路側(cè)設備RSU是車路協(xié)同關(guān)鍵設備之一。立足于未來5G網(wǎng)絡和C-V2X網(wǎng)絡發(fā)展趨勢，分析了5G基站型RSU的需求，并對5G基站型RSU的技術(shù)方案、基本功能進行了描述，展望了5G基站型RSU的應用場景。

發(fā)表于：12/16/2020

基于CNN-LightGBM模型的高速公路交通量預測[人工智能][物聯(lián)網(wǎng)]

有效的交通流量預測對人們出行和交管部門監(jiān)管都有著重要的意義。傳統(tǒng)的交通量預測模型主要基于交通流的時間特性，未結(jié)合交通流的時間和空間特性進行深入挖掘，因此預測效果有時不佳。提出了一種基于CNN與LightGBM結(jié)合的交通流預測模型，首先利用CNN模型挖掘出高速公路相鄰路段監(jiān)測點和出入口的時間和空間關(guān)聯(lián)性，實現(xiàn)對交通流數(shù)據(jù)的時空特征提取，然后將CNN提取到的特征向量輸入到LightGBM模型中進行預測。為了驗證模型的有效性，實驗中使用了多種預測模型進行對比，實驗結(jié)果表明，所提出的考慮到時空特性的CNNLightGBM組合的模型可以明顯降低預測誤差，是一種有效快速的交通流預測模型。

發(fā)表于：12/15/2020

一種鄰域自適應的雙閾值點云特征提取方法[其他][其他]

點云數(shù)據(jù)的特征提取是點云數(shù)據(jù)處理環(huán)節(jié)中的一項重要內(nèi)容，對幾何分析、數(shù)據(jù)分割、點云配準、模型重建等研究起關(guān)鍵作用。研究了基于法向量和曲率的點云特征提取技術(shù)，闡明了特征提取過程中鄰域選取與單一參數(shù)計算存在的問題，提出了鄰域自適應的雙閾值點云特征提取方法。通過實驗對比了該算法與基于曲率的特征提取算法的提取效果，驗證了本算法的穩(wěn)定性、準確性。該算法對于幾何特征復雜的點云具有較好的提取效果，對提高點云特征點提取的精度及效率具有重要的意義。

發(fā)表于：12/15/2020

基于Flink框架的TopN堆排序優(yōu)化算法[其他][其他]

為了解決大數(shù)據(jù)TopN排序問題，將傳統(tǒng)的堆排序進行優(yōu)化，闡述了優(yōu)化后的HeapOptimize方法的處理過程。HeapOptimize方法基于Flink框架來完成TopN作業(yè)，可以實時地接收并處理大量的數(shù)據(jù)，根據(jù)單位時間需要處理的數(shù)據(jù)數(shù)量來調(diào)整算子的并行度，增加Flink框架的吞吐量，提高處理數(shù)據(jù)的速度。通過實驗測量的數(shù)據(jù)結(jié)果佐證了HeapOptimize方法的優(yōu)勢。

發(fā)表于：12/15/2020

基于改進馬爾科夫特征的圖像拼接檢測研究[通信與網(wǎng)絡][信息安全]

針對傳統(tǒng)馬爾科夫特征拼接檢測準確率不高的問題，提出了一種有效的馬爾科夫特征提取方法。與傳統(tǒng)馬爾科夫特征的計算過程不同，只計算水平和垂直兩個方向的轉(zhuǎn)移概率矩陣，選擇四個轉(zhuǎn)移概率矩陣中對應位置求和后的值作為最終特征。求和操作不僅降低了特征維度，而且使真實圖像與拼接圖像之間的概率分布區(qū)分更加明顯。所提出的算法的特征維度與數(shù)據(jù)集無關(guān)。該方法在哥倫比亞彩色拼接檢測圖庫、CASIA V1.0和CASIA V2.0數(shù)據(jù)集上測試的準確率分別為94.38%、99.19%、96.02%。

發(fā)表于：12/15/2020

基于DAPA的卷積神經(jīng)網(wǎng)絡Web異常流量檢測方法[測試測量][通信網(wǎng)絡]

針對Web攻擊流量檢測問題，提出一種基于動態(tài)自適應池化算法(Dynamic Adaptive Pooling Algorithm,DAPA)的卷積神經(jīng)網(wǎng)絡模型。首先將數(shù)據(jù)集中每一條請求流量進行剪裁、對齊、補足等操作，生成一系列50×150的矩陣數(shù)據(jù)A作為輸入，然后搭建基于動態(tài)自適應的卷積神經(jīng)網(wǎng)絡模型去進行異常流量檢測，使之可以根據(jù)特征圖的不同，動態(tài)地調(diào)整池化過程，在網(wǎng)絡結(jié)構(gòu)中添加Dropout層來解決流量特征提取過程中的過擬合問題。實驗表明，該方法比未使用動態(tài)自適應池化的方式精確度提升了1.2%，損失值降低了2.6%，過擬合問題也得到了解決。

發(fā)表于：12/15/2020

基于KNN的剩余油形態(tài)識別[其他][其他]

對從實驗中采集到的剩余油圖像進行分析研究，可以為油藏后期開采提供理論依據(jù)。通過收集確定類型的剩余油特征數(shù)據(jù)作為樣本集向量空間，對待分類剩余油特征數(shù)據(jù)進行歸一化處理，之后求取歐氏距離。使用KNN（K近鄰）分類方法近鄰投票確定剩余油類別，可以較為快速準確地得到分類結(jié)果。

發(fā)表于：12/15/2020

基于方面情感的層次化雙注意力網(wǎng)絡[人工智能][信創(chuàng)產(chǎn)業(yè)]

基于深度學習的方面級情感分析，結(jié)合注意力機制的神經(jīng)網(wǎng)絡模型取得較好的分類效果，但常用方法僅考慮單一層面注意力機制，且無法獲取句子間依賴關(guān)系。設計了一種層次化的雙注意力神經(jīng)網(wǎng)絡模型用于方面級情感分析，針對特定方面引入方面目標的注意力機制以及文本上下文自注意力機制，獲取方面特征信息和句子的全局依賴信息；設計層次化GRU網(wǎng)絡，其中單詞層嵌入特定方面信息，獲取針對方面目標的句子內(nèi)部特征信息，句子層網(wǎng)絡通過雙注意力機制和詞語層的輸入，獲取句子間的特征依賴信息，從而實現(xiàn)深層次的方面情感分類。在SemEval 2014兩個數(shù)據(jù)集和Twitter數(shù)據(jù)集上進行對比實驗，驗證了該方法的有效性，針對方面級情感，分類準確率均得到了有效提升。

發(fā)表于：12/15/2020

基于疲勞駕駛的人眼定位方法研究[人工智能][工業(yè)自動化]

人眼定位是疲勞駕駛的研究關(guān)鍵。由粗到精，先后進行了人臉檢測、瞳孔定位。針對現(xiàn)有方向梯度直方圖人臉檢測算法泛化能力不佳的問題，提出了一種基于信息熵加權(quán)的HOG特征提取算法，該算法將待分類的人臉特征進行信息熵閾值加權(quán)，形成新的HOG特征，然后通過支持向量機進行分類；針對現(xiàn)有瞳孔定位算法準確率不高的問題，提出了多算法協(xié)同工作的瞳孔定位方法，以自商圖為基準尋找二值分割點，實現(xiàn)了眼部區(qū)域光照不變性，以灰度積分投影為依據(jù)實現(xiàn)了瞳孔精確定位。實驗結(jié)果表明，該文提出的人臉檢測算法在CelebA驗證數(shù)據(jù)集準確率可達到98.26%，較傳統(tǒng)識別方法有更高的準確率；而瞳孔定位算法也可達到令人滿意的精確度，提高了瞳孔定位的準確性。

發(fā)表于：12/15/2020

基于頻域注意力時空卷積網(wǎng)絡的步態(tài)識別方法[模擬設計][信創(chuàng)產(chǎn)業(yè)]

為了解決步態(tài)信息冗余多、特征重要性分布不均勻以及步態(tài)的時空特征難以學習的問題，提出了基于頻域注意力的時空卷積網(wǎng)絡進行步態(tài)識別。該方法改進了三維卷積網(wǎng)絡(C3D)學習時空特征，同時提出了一種頻域注意力卷積操作，既減少了冗余計算，注意力的調(diào)整又提高了學習效果。網(wǎng)絡首先將步態(tài)信息劃分為五組，然后通過改進的卷積進行時空特征抽取，最后通過Softmax層進行分類。在中科大數(shù)據(jù)集CASIA dataset B中進行測試，在Bag狀態(tài)與Coat狀態(tài)下準確率分別為88.5%、92.8%，分別較傳統(tǒng)深度卷積網(wǎng)絡(Deep CNN)提升3%左右，同時注意力在網(wǎng)絡學習中重新分布，各個角度下的準確率也平均提升2%左右。

發(fā)表于：12/15/2020

基于雙流卷積神經(jīng)網(wǎng)絡和生成式對抗網(wǎng)絡的行人重識別算法[人工智能][信創(chuàng)產(chǎn)業(yè)]

近年來，針對行人重識別問題的深度學習技術(shù)研究取得了很大的進展。然而，在解決實際數(shù)據(jù)的特征樣本不平衡問題時，效果仍然不理想。為了解決這一問題，設計了一個更有效的模型，該模型很好地解決了目標的不同姿態(tài)的干擾以及數(shù)據(jù)集中的圖片數(shù)量不足的問題。首先，通過遷移姿態(tài)生成對抗網(wǎng)絡生成行人不同姿勢的圖片，解決姿態(tài)干擾及圖片數(shù)量不足的問題。然后利用兩種不同的獨立卷積神經(jīng)網(wǎng)絡提取圖像特征，并將其結(jié)合得到綜合特征。最后，利用提取的特征完成行人重識別。采用姿勢轉(zhuǎn)換方法對數(shù)據(jù)集進行擴展，有效地克服了由目標不同姿勢引起的識別誤差，識別錯誤率降低了6%。實驗結(jié)果表明，該模型在Market-1501和DukeMTMC-Reid上達到了更好的識別準確度。在DukeMTMC-Reid數(shù)據(jù)集上測試時，Rank-1準確度增加到92.10%，mAP 達到84.60%。

發(fā)表于：12/15/2020

基于稀疏建模和SVM的管道缺陷分類方法研究[其他][其他]

埋地鋼質(zhì)管道缺陷識別及評估是管道檢測領(lǐng)域中長期存在的難點之一，而實現(xiàn)對管道缺陷準確分類的前提是管道損傷信號的精準提取，針對埋地管道缺陷信號特征提出一種基于稀疏建模和支持向量機(SVM)的管道缺陷信號提取與識別方法。通過從原始信號中學習獲得字典，將該字典采用正則化正交匹配追蹤算法構(gòu)建缺陷信號稀疏模型，并根據(jù)壓縮感知理論獲得信號的特征向量。進一步，采用多分類SVM將缺陷信號的特征向量與管道實際缺陷類型建立映射關(guān)系，并通過遺傳粒子群優(yōu)化算法指導SVM參數(shù)選取。結(jié)果表明：提出的分類方法可實現(xiàn)對管道缺陷損傷程度的準確劃分，該方法已經(jīng)成功通過實驗室驗證，并成功應用于華北某油田的工程領(lǐng)域檢測。

發(fā)表于：12/15/2020

干線動態(tài)協(xié)調(diào)控制的深度Q網(wǎng)絡方法[人工智能][工業(yè)自動化]

為有效降低城市交通干線的車均延誤與停車次數(shù)，將深度Q網(wǎng)絡引入干線協(xié)調(diào)控制，給出了一種干線動態(tài)協(xié)調(diào)控制的DDDQN(Dueling Double Deep Q Network)方法。該方法結(jié)合雙重深度Q網(wǎng)絡與基于競爭架構(gòu)深度Q網(wǎng)絡，并將干線作為整體處理，通過深度神經(jīng)網(wǎng)絡挖掘干線各交叉口協(xié)調(diào)控制的相關(guān)性，基于Q學習進行交通信號控制決策。通過仿真實驗，在近飽和流量和干線存在初始排隊的情況下，將DDDQN方法與現(xiàn)有綠波方法，以及經(jīng)典深度Q網(wǎng)絡、雙重深度Q網(wǎng)絡、基于競爭架構(gòu)深度Q網(wǎng)絡的干線協(xié)調(diào)控制算法進行對比，實驗結(jié)果表明基于DDDQN的干線動態(tài)協(xié)調(diào)控制算法性能優(yōu)于其他四種方法。

發(fā)表于：12/15/2020

基于云平臺的壓磚設備健康狀態(tài)分析方法設計[模擬設計][工業(yè)自動化]

基于運行數(shù)據(jù)對壓磚設備健康狀態(tài)進行分析，對于降低設備故障率、提升壓磚成品質(zhì)量具有重要意義?，F(xiàn)有方案大多數(shù)局限于離線人工分析，實時性差且推廣效率低。針對上述問題，基于阿里云機器學習平臺設計了壓磚設備健康狀態(tài)分析方法，基于聚類方法構(gòu)建了壓磚設備健康狀態(tài)模型，在無需先驗知識的情況下，對于壓磚設備的工作、待機、異常等健康狀態(tài)實現(xiàn)了建模。進而，將該模型部署于云計算平臺上，通過周期性的數(shù)據(jù)導入與分析實現(xiàn)了壓磚設備健康狀態(tài)的在線分析。最后通過實例證明了該方法的有效性。

發(fā)表于：12/15/2020

基于機器學習的Modbus_TCP通信異常檢測方法研究[模擬設計][工業(yè)自動化]

針對工業(yè)控制系統(tǒng)中Modbus_TCP協(xié)議存在的諸多安全隱患問題，提出了基于機器學習的Modbus_TCP通信異常檢測方法，分析了Modbus_TCP報文類型與結(jié)構(gòu)特點，介紹了機器學習中決策樹分類模型算法的實現(xiàn)過程，建立了Modbus_TCP協(xié)議的模擬通信，使用了Scapy工具構(gòu)造偽報文實現(xiàn)異常檢測。設置了樸素貝葉斯分類模型、邏輯回歸分類模型和傳統(tǒng)支持向量機分類模型的實驗與之對比，并且對模型的準確率、誤報率、漏報率和時間性能進行分析。分析結(jié)果表明，決策樹分類模型準確率高，消耗時間短，具有一定的優(yōu)越性。

發(fā)表于：12/15/2020