99久久免费只有精品国产,国产看免费视频完整版,97视频在线观看精品

基于參數(shù)約束的分支覆蓋符號執(zhí)行優(yōu)化算法[其他][其他]

軟件質(zhì)量檢測常用的方法是軟件測試，符號執(zhí)行作為主流的測試技術已被廣泛應用于學術界與工業(yè)界中。但是隨著程序規(guī)模的增大和函數(shù)調(diào)用的增加，因某些路徑約束條件的特殊性，而難以生成正確的測試用例，從而導致符號執(zhí)行不能對所有路徑做到全覆蓋。為了提高符號執(zhí)行在特殊約束條件對路徑的覆蓋率等問題，本文提出了基于參數(shù)約束的符號執(zhí)行優(yōu)化算法。首先，該算法通過搜索收集程序代碼中函數(shù)的特殊參數(shù)，然后利用這些特殊參數(shù)作為約束條件，最后將約束條件添加到路徑的約束集中。該算法使符號執(zhí)行生成的測試用例更加精確，從而實現(xiàn)覆蓋特殊約束條件下的路徑分支，以提高符號執(zhí)行的精確性和路徑覆蓋率。在開源符號執(zhí)行平臺CREST中實驗并驗證上述優(yōu)化算法，驗證及測試結果表明本文提出的算法能夠提高符號執(zhí)行在特殊約束條件下對路徑的覆蓋率。

發(fā)表于：12/14/2020 5:00:00 PM

直方圖移位安全可逆圖像水印算法的研究[其他][其他]

針對一些在數(shù)字版權保護和多媒體信息安全領域中，需要對嵌入的水印信息進行加密來確保水印信息的機密性，提出直方圖移位安全可逆的圖像水印算法。對載體圖像的最大像素值和最小像素值分別進行減一加一的操作，并且對該像素值進行標記，圖像預處理的方法，解決了嵌入水印信息時像素值修改產(chǎn)生的溢出問題。利用祖沖之序列密碼算法(ZUC算法)對水印信息進行加密。在水印嵌入階段，計算每個半平面像素的四鄰域、八鄰域的預測差值，來構建二維直方圖，嵌入加密的水印。實驗結果表明，算法能夠無損地恢復原始載體圖像，加密水印信息能夠正確解密，含加密水印圖像的峰值信噪比均達到50 dB以上；該方案具有良好的加解密效果，水印圖像具有很好的質(zhì)量和水印隱蔽性，算法具有可逆性，并且解決了像素溢出的問題。

發(fā)表于：12/14/2020 4:56:00 PM

一種多架構應用軟件開發(fā)及運行方法研究與實現(xiàn)[其他][其他]

對國產(chǎn)基礎軟件運行環(huán)境及運行依賴庫進行了研究，提出了一種多架構應用軟件開發(fā)及運行方法，并在FT1500A、X86(CPU)與麒麟(OS)相組合的兩類架構環(huán)境上實現(xiàn)了該方法。運行結果表明，該方法能夠提供良好的多架構應用軟件開發(fā)及運行服務，為國產(chǎn)基礎軟硬件生態(tài)的軟硬件適配、整體解決方案提供技術支撐。

發(fā)表于：12/14/2020 4:50:00 PM

支持眾創(chuàng)開發(fā)的私有云平臺研究[其他][其他]

“支撐平臺+應用/服務”是信息系統(tǒng)的典型架構，在不同因素的驅動下，支撐平臺和應用/服務都處在不斷發(fā)展變化中，從而表現(xiàn)為信息系統(tǒng)的整體更新?lián)Q代。當前，隨著業(yè)務需求和技術的不斷發(fā)展，“云+端”成為這一架構的具體模式，并且表現(xiàn)出眾籌眾創(chuàng)的新型開發(fā)形態(tài)。該平臺是一個基于國產(chǎn)基礎軟硬件生態(tài)、面向日常辦公和業(yè)務處理的私有云平臺，也是一個支持業(yè)務信息系統(tǒng)持續(xù)眾創(chuàng)發(fā)展的應用生態(tài)服務環(huán)境?；谠搼弥纹脚_提出了一個支持眾創(chuàng)開發(fā)的私有云平臺通用模型，并對該平臺的架構、組成、主要特點及應用等進行深入研究。本文的成果能夠為面向眾創(chuàng)眾籌和持續(xù)集成的辦公及業(yè)務信息系統(tǒng)研發(fā)提供解決方案，同時為基礎軟硬件生態(tài)、私有云、微服務、容器等新技術在黨政機關辦公及業(yè)務領域的應用提供參考和借鑒。

發(fā)表于：12/14/2020 4:43:00 PM

基于改進VGG16的猴子圖像分類方法[人工智能][物聯(lián)網(wǎng)]

為提高對細粒度圖像分類的準確性和分類速度，提出基于改進VGG16和遷移學習的圖像分類方法。首先從kaggle平臺中獲取十種不同猴子數(shù)據(jù)集，并對數(shù)據(jù)集進行標準化處理，包含圖片去椒鹽噪聲、將數(shù)據(jù)集轉換為TensorFlow中提供的統(tǒng)一TFRecord數(shù)據(jù)格式。然后遷移學習改進的VGG16卷積神經(jīng)網(wǎng)絡，模型的優(yōu)化包括利用Swish作為激活函數(shù)、將softmax loss與center loss相結合作為損失函數(shù)以實現(xiàn)更好的聚類效果、采用性能完善的Adam優(yōu)化器。用訓練集訓練模型以確定微調(diào)參數(shù)信息，再用測試集檢驗模型準確性。結果表明，該方法對猴子圖像分類的準確度可達到98.875%，分類速度也得到了顯著提升。與其他傳統(tǒng)卷積神經(jīng)網(wǎng)絡模型相比，該方法具有更高的準確性和適用性。

發(fā)表于：12/14/2020 4:36:00 PM

基于GPU并行優(yōu)化的網(wǎng)格參數(shù)化算法[其他][其他]

網(wǎng)格參數(shù)化是計算機圖形學、數(shù)字幾何處理領域的研究熱點，在動畫、醫(yī)療、工業(yè)設計等領域中都發(fā)揮著重要作用?，F(xiàn)有參數(shù)化方法主要思路是構造一個高度非線性的全局優(yōu)化問題，因此計算效率低，難以并行。提出了一種可并行、可擴展的參數(shù)化算法。該算法通過引入輔助變量。然后使用交替方向乘子算法(Alternating Direction Method of Multipliers，ADMM)，迭代優(yōu)化每個面和每條邊上的子問題得到參數(shù)化映射。為了驗證算法模型的高效性，使用GPU加速，相比于現(xiàn)存單線程算法，本文算法因為高度并行化運行時間縮短了至少百倍以上。

發(fā)表于：12/14/2020 4:33:00 PM

一種基于知識圖譜的工業(yè)互聯(lián)網(wǎng)安全漏洞研究方法[通信與網(wǎng)絡][信息安全]

　　工業(yè)互聯(lián)網(wǎng)安全問題日益突出，對工業(yè)互聯(lián)網(wǎng)安全漏洞知識庫的深入研究是解決問題的關鍵。為解決漏洞數(shù)據(jù)利用價值低、關聯(lián)分析手段欠缺、可視化程度不足等問題，以工業(yè)互聯(lián)網(wǎng)安全漏洞庫為基礎，提出了構建工業(yè)互聯(lián)網(wǎng)安全漏洞知識圖譜的方法，通過原始數(shù)據(jù)信息提取、關聯(lián)關系分析、數(shù)據(jù)存儲等手段，將知識圖譜導入到Neo4j圖數(shù)據(jù)庫，以實現(xiàn)高效存儲、查詢。從時間維度、空間維度、關聯(lián)關系維度進行知識圖譜的分析，將查詢結果進行了可視化展現(xiàn)。結果表明：提出的方法可以有效、直觀地展現(xiàn)工業(yè)互聯(lián)網(wǎng)安全漏洞數(shù)據(jù)的自身屬性與關聯(lián)關系，實現(xiàn)漏洞數(shù)據(jù)內(nèi)在價值的深度挖掘。

發(fā)表于：12/14/2020 4:29:00 PM

國產(chǎn)平臺一體化測發(fā)指揮決策軟件研究[其他][其他]

針對在關鍵領域實現(xiàn)國產(chǎn)化的需求，解決航天發(fā)射指揮過程中各系統(tǒng)數(shù)據(jù)互相獨立、智能化程度低、決策難等問題，在采用基于國產(chǎn)化的基礎軟硬件平臺環(huán)境下，設計并實現(xiàn)了多系統(tǒng)集成的一體化測發(fā)指揮決策軟件，提出了基于插件的一體化軟件體系架構，并對數(shù)據(jù)訂閱分發(fā)機制、顯示頁面快速定制、軟件性能優(yōu)化等關鍵問題進行了研究，對在國產(chǎn)化平臺下應用軟件開發(fā)有一定借鑒價值。

發(fā)表于：12/14/2020 4:24:00 PM

一種基于FPGA的多通道數(shù)據(jù)采集系統(tǒng)設計[可編程邏輯][其他]

設計并實現(xiàn)了一種基于FPGA的四通道數(shù)據(jù)采集系統(tǒng)。系統(tǒng)由65 MS/s的模數(shù)轉換器AD9219實現(xiàn)對信號的高速采樣。為滿足采集數(shù)據(jù)實時存儲的要求，設計了高速、大容量的DDR2硬件電路和接口邏輯。采集數(shù)據(jù)可通過USB接口上傳至上位機，上位機負責數(shù)據(jù)的保存、處理和顯示，同時控制數(shù)模轉換器以直接數(shù)字合成的方式輸出波形。測試結果表明，系統(tǒng)運行穩(wěn)定可靠，可靈活控制。該系統(tǒng)為高性能數(shù)據(jù)采集提供了一套包括軟硬件的整體解決方案，可以滿足低溫等離子診斷的要求。

發(fā)表于：12/14/2020 4:19:00 PM

一種基于卷積神經(jīng)網(wǎng)絡的立體匹配算法設計[人工智能][物聯(lián)網(wǎng)]

為了解決傳統(tǒng)立體匹配算法對立體圖像在低紋理以及遮擋區(qū)域匹配效果較差的問題，設計了一種端到端的基于卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)的立體匹配算法。該算法采取了殘差卷積神經(jīng)網(wǎng)絡對圖像特征進行提取，之后利用空洞空間金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模塊來獲取圖像的上下文信息，并結合多尺度的三維卷積神經(jīng)網(wǎng)絡對代價空間進行規(guī)整，最終實現(xiàn)了高精度的立體匹配算法。所獲取的視差圖在KITTI2015測試平臺上的誤匹配率為2.42%，與幾何上下文(Geometry and Context,GC)網(wǎng)絡相比較，視差圖的精度提高了0.45%，且運行時間縮短了一半。

發(fā)表于：12/14/2020 4:03:00 PM