最近免费中文字幕MV在线电影,日韩亚洲欧美中文三级,亚洲欧洲无码AV

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(jìn)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(shí)時(shí)地接收并處理大量的數(shù)據(jù)，根據(jù)單位時(shí)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(shí)驗(yàn)測(cè)量的數(shù)據(jù)結(jié)果佐證了HeapOptimize方法的優(yōu)勢(shì)。

發(fā)表于：12/15/2020

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

針對(duì)傳統(tǒng)馬爾科夫特征拼接檢測(cè)準(zhǔn)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(jì)算過程不同，只計(jì)算水平和垂直兩個(gè)方向的轉(zhuǎn)移概率矩陣，選擇四個(gè)轉(zhuǎn)移概率矩陣中對(duì)應(yīng)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(shí)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(cè)圖庫(kù)、CASIA V1.0和CASIA V2.0數(shù)據(jù)集上測(cè)試的準(zhǔn)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(luò)Web異常流量檢測(cè)方法[測(cè)試測(cè)量][通信網(wǎng)絡(luò)]

針對(duì)Web攻擊流量檢測(cè)問題，提出一種基于動(dòng)態(tài)自適應(yīng)池化算法(Dynamic Adaptive Pooling Algorithm,DAPA)的卷積神經(jīng)網(wǎng)絡(luò)模型。首先將數(shù)據(jù)集中每一條請(qǐng)求流量進(jìn)行剪裁、對(duì)齊、補(bǔ)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(dòng)態(tài)自適應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)模型去進(jìn)行異常流量檢測(cè)，使之可以根據(jù)特征圖的不同，動(dòng)態(tài)地調(diào)整池化過程，在網(wǎng)絡(luò)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(shí)驗(yàn)表明，該方法比未使用動(dòng)態(tài)自適應(yīng)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(shí)別[其他][其他]

對(duì)從實(shí)驗(yàn)中采集到的剩余油圖像進(jìn)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(duì)待分類剩余油特征數(shù)據(jù)進(jìn)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?fù)镀贝_定剩余油類別，可以較為快速準(zhǔn)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(luò)[人工智能][信創(chuàng)產(chǎn)業(yè)]

基于深度學(xué)習(xí)的方面級(jí)情感分析，結(jié)合注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)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(jī)制，且無法獲取句子間依賴關(guān)系。設(shè)計(jì)了一種層次化的雙注意力神經(jīng)網(wǎng)絡(luò)模型用于方面級(jí)情感分析，針對(duì)特定方面引入方面目標(biāo)的注意力機(jī)制以及文本上下文自注意力機(jī)制，獲取方面特征信息和句子的全局依賴信息；設(shè)計(jì)層次化GRU網(wǎng)絡(luò)，其中單詞層嵌入特定方面信息，獲取針對(duì)方面目標(biāo)的句子內(nèi)部特征信息，句子層網(wǎng)絡(luò)通過雙注意力機(jī)制和詞語(yǔ)層的輸入，獲取句子間的特征依賴信息，從而實(shí)現(xiàn)深層次的方面情感分類。在SemEval 2014兩個(gè)數(shù)據(jù)集和Twitter數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證了該方法的有效性，針對(duì)方面級(jí)情感，分類準(zhǔn)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(dòng)化]

人眼定位是疲勞駕駛的研究關(guān)鍵。由粗到精，先后進(jìn)行了人臉檢測(cè)、瞳孔定位。針對(duì)現(xiàn)有方向梯度直方圖人臉檢測(cè)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(jìn)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(jī)進(jìn)行分類；針對(duì)現(xiàn)有瞳孔定位算法準(zhǔn)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(zhǔn)尋找二值分割點(diǎn)，實(shí)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(shí)現(xiàn)了瞳孔精確定位。實(shí)驗(yàn)結(jié)果表明，該文提出的人臉檢測(cè)算法在CelebA驗(yàn)證數(shù)據(jù)集準(zhǔn)確率可達(dá)到98.26%，較傳統(tǒng)識(shí)別方法有更高的準(zhǔn)確率；而瞳孔定位算法也可達(dá)到令人滿意的精確度，提高了瞳孔定位的準(zhǔn)確性。

發(fā)表于：12/15/2020

基于頻域注意力時(shí)空卷積網(wǎng)絡(luò)的步態(tài)識(shí)別方法[模擬設(shè)計(jì)][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(shí)空特征難以學(xué)習(xí)的問題，提出了基于頻域注意力的時(shí)空卷積網(wǎng)絡(luò)進(jìn)行步態(tài)識(shí)別。該方法改進(jìn)了三維卷積網(wǎng)絡(luò)(C3D)學(xué)習(xí)時(shí)空特征，同時(shí)提出了一種頻域注意力卷積操作，既減少了冗余計(jì)算，注意力的調(diào)整又提高了學(xué)習(xí)效果。網(wǎng)絡(luò)首先將步態(tài)信息劃分為五組，然后通過改進(jìn)的卷積進(jìn)行時(shí)空特征抽取，最后通過Softmax層進(jìn)行分類。在中科大數(shù)據(jù)集CASIA dataset B中進(jìn)行測(cè)試，在Bag狀態(tài)與Coat狀態(tài)下準(zhǔn)確率分別為88.5%、92.8%，分別較傳統(tǒng)深度卷積網(wǎng)絡(luò)(Deep CNN)提升3%左右，同時(shí)注意力在網(wǎng)絡(luò)學(xué)習(xí)中重新分布，各個(gè)角度下的準(zhǔn)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(luò)和生成式對(duì)抗網(wǎng)絡(luò)的行人重識(shí)別算法[人工智能][信創(chuàng)產(chǎn)業(yè)]

近年來，針對(duì)行人重識(shí)別問題的深度學(xué)習(xí)技術(shù)研究取得了很大的進(jìn)展。然而，在解決實(shí)際數(shù)據(jù)的特征樣本不平衡問題時(shí)，效果仍然不理想。為了解決這一問題，設(shè)計(jì)了一個(gè)更有效的模型，該模型很好地解決了目標(biāo)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(duì)抗網(wǎng)絡(luò)生成行人不同姿勢(shì)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(dú)立卷積神經(jīng)網(wǎng)絡(luò)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(shí)別。采用姿勢(shì)轉(zhuǎn)換方法對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)展，有效地克服了由目標(biāo)不同姿勢(shì)引起的識(shí)別誤差，識(shí)別錯(cuò)誤率降低了6%。實(shí)驗(yàn)結(jié)果表明，該模型在Market-1501和DukeMTMC-Reid上達(dá)到了更好的識(shí)別準(zhǔn)確度。在DukeMTMC-Reid數(shù)據(jù)集上測(cè)試時(shí)，Rank-1準(zhǔn)確度增加到92.10%，mAP 達(dá)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(shí)別及評(píng)估是管道檢測(cè)領(lǐng)域中長(zhǎng)期存在的難點(diǎn)之一，而實(shí)現(xiàn)對(duì)管道缺陷準(zhǔn)確分類的前提是管道損傷信號(hào)的精準(zhǔn)提取，針對(duì)埋地管道缺陷信號(hào)特征提出一種基于稀疏建模和支持向量機(jī)(SVM)的管道缺陷信號(hào)提取與識(shí)別方法。通過從原始信號(hào)中學(xué)習(xí)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(hào)稀疏模型，并根據(jù)壓縮感知理論獲得信號(hào)的特征向量。進(jìn)一步，采用多分類SVM將缺陷信號(hào)的特征向量與管道實(shí)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(dǎo)SVM參數(shù)選取。結(jié)果表明：提出的分類方法可實(shí)現(xiàn)對(duì)管道缺陷損傷程度的準(zhǔn)確劃分，該方法已經(jīng)成功通過實(shí)驗(yàn)室驗(yàn)證，并成功應(yīng)用于華北某油田的工程領(lǐng)域檢測(cè)。

發(fā)表于：12/15/2020

干線動(dòng)態(tài)協(xié)調(diào)控制的深度Q網(wǎng)絡(luò)方法[人工智能][工業(yè)自動(dòng)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(luò)引入干線協(xié)調(diào)控制，給出了一種干線動(dòng)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(luò)與基于競(jìng)爭(zhēng)架構(gòu)深度Q網(wǎng)絡(luò)，并將干線作為整體處理，通過深度神經(jīng)網(wǎng)絡(luò)挖掘干線各交叉口協(xié)調(diào)控制的相關(guān)性，基于Q學(xué)習(xí)進(jìn)行交通信號(hào)控制決策。通過仿真實(shí)驗(yàn)，在近飽和流量和干線存在初始排隊(duì)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(luò)、雙重深度Q網(wǎng)絡(luò)、基于競(jìng)爭(zhēng)架構(gòu)深度Q網(wǎng)絡(luò)的干線協(xié)調(diào)控制算法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明基于DDDQN的干線動(dòng)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(tái)的壓磚設(shè)備健康狀態(tài)分析方法設(shè)計(jì)[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

基于運(yùn)行數(shù)據(jù)對(duì)壓磚設(shè)備健康狀態(tài)進(jìn)行分析，對(duì)于降低設(shè)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(shí)時(shí)性差且推廣效率低。針對(duì)上述問題，基于阿里云機(jī)器學(xué)習(xí)平臺(tái)設(shè)計(jì)了壓磚設(shè)備健康狀態(tài)分析方法，基于聚類方法構(gòu)建了壓磚設(shè)備健康狀態(tài)模型，在無需先驗(yàn)知識(shí)的情況下，對(duì)于壓磚設(shè)備的工作、待機(jī)、異常等健康狀態(tài)實(shí)現(xiàn)了建模。進(jìn)而，將該模型部署于云計(jì)算平臺(tái)上，通過周期性的數(shù)據(jù)導(dǎo)入與分析實(shí)現(xiàn)了壓磚設(shè)備健康狀態(tài)的在線分析。最后通過實(shí)例證明了該方法的有效性。

發(fā)表于：12/15/2020

基于機(jī)器學(xué)習(xí)的Modbus_TCP通信異常檢測(cè)方法研究[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

針對(duì)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(jī)器學(xué)習(xí)的Modbus_TCP通信異常檢測(cè)方法，分析了Modbus_TCP報(bào)文類型與結(jié)構(gòu)特點(diǎn)，介紹了機(jī)器學(xué)習(xí)中決策樹分類模型算法的實(shí)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(bào)文實(shí)現(xiàn)異常檢測(cè)。設(shè)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(jī)分類模型的實(shí)驗(yàn)與之對(duì)比，并且對(duì)模型的準(zhǔn)確率、誤報(bào)率、漏報(bào)率和時(shí)間性能進(jìn)行分析。分析結(jié)果表明，決策樹分類模型準(zhǔn)確率高，消耗時(shí)間短，具有一定的優(yōu)越性。

發(fā)表于：12/15/2020

一種基于UKF的SOC估算方法[其他][汽車電子]

隨著新能源汽車市場(chǎng)規(guī)模的增長(zhǎng)，電池管理系統(tǒng)(Battery Management Systems，BMS)的市場(chǎng)需求也進(jìn)一步擴(kuò)大。作為保障電池安全及延長(zhǎng)電池壽命的BMS而言，動(dòng)力鋰電池組的荷電狀態(tài)(State of Charge，SOC)估算是BMS研究的重點(diǎn)。在研究了安時(shí)積分法估算SOC時(shí)受SOC初始值影響較大，且具有累積誤差的問題，以及擴(kuò)展卡爾曼濾波算法(EKF)估算SOC時(shí)收斂較慢的基礎(chǔ)上，采用二階RC等效電路模型對(duì)鋰電池進(jìn)行建模分析，針對(duì)鋰電池各參數(shù)受SOC變化的影響，引進(jìn)無跡卡爾曼濾波(UKF)算法，給出了鋰電池的SOC仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該種基于UKF的估算方法對(duì)SOC的估算更準(zhǔn)確，誤差更小且收斂速度快，對(duì)傳統(tǒng)采用定值電池參數(shù)BMS的改進(jìn)具有重要意義。

發(fā)表于：12/15/2020

基于GWO-SVM算法的物聯(lián)網(wǎng)入侵檢測(cè)研究[其他][物聯(lián)網(wǎng)]

物聯(lián)網(wǎng)時(shí)代悄然而至，然而物聯(lián)網(wǎng)技術(shù)在給人們帶來方便的同時(shí)，其安全問題也日趨突出。針對(duì)物聯(lián)網(wǎng)存在的網(wǎng)絡(luò)入侵安全問題，提出GWO-SVM算法實(shí)現(xiàn)網(wǎng)絡(luò)入侵檢測(cè)?；依莾?yōu)化算法(GWO)具有收斂速度快、全局搜索能力強(qiáng)等優(yōu)點(diǎn)，將GWO用于優(yōu)化支持向量機(jī)(SVM)的參數(shù)選擇，有助于提升分類模型的準(zhǔn)確率。同時(shí)通過調(diào)整適應(yīng)度值函數(shù)，避免分類模型過擬合。在UNSW-NB15數(shù)據(jù)集上，將GWO-SVM分類算法與SVM、PSO-SVM、GA-SVM分類算法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明，GWO-SVM算法具有更高的分類準(zhǔn)確率和性能，適用于物聯(lián)網(wǎng)環(huán)境下的網(wǎng)絡(luò)入侵檢測(cè)。

發(fā)表于：12/15/2020

云計(jì)算中心運(yùn)維數(shù)據(jù)可視化研究[通信與網(wǎng)絡(luò)][數(shù)據(jù)中心]

針對(duì)云計(jì)算中心運(yùn)維數(shù)據(jù)分散、可視化程度低等問題，提出了建設(shè)基于InfluxDB和Grafana的云計(jì)算中心運(yùn)維指標(biāo)可視化平臺(tái)。該平臺(tái)從多個(gè)維度對(duì)運(yùn)維數(shù)據(jù)進(jìn)行展示，使用戶能夠全面了解云計(jì)算中心運(yùn)行情況，提高運(yùn)維管理工作的效率。

發(fā)表于：12/15/2020