与Internet相结合的IN管理

智能网ＩＮ的基本思想是将网络的交换功能与控制功能相分离,同时使业务的生成和管理更具有独立性,以达到与物理网络无关。在智能网的思想中,端局交换机中的网络智能集中到智能网的业务控制点,原有的交换机仅完成基本的接续功能,采用开放式结构和标准接口与业务控制点相连并由业务控制点控制。智能网为快速实现新业务而增加的各种功能实体独立于原有的通信网络。智能网的长远目标是在任何承载网络（包括ＰＳＴＮ、ＩＳＤＮ、Ｂ－ＩＳＤＮ、移动网和Ｉｎｔｅｒｎｅｔ等）上提供各种新业务,即智能网旨在同时支持业务独立性和网络独立性,如图１所示。作为一种附加网络,ＩＮ并没有限制下层的网络承载媒体,由于ＩＮ的网络独立性,ＩＮ可以为多种网络提供智能业务。因此,它与Ｉｎｔｅｒｎｅｔ并不是相互矛盾或者不相关的。新需求带来结构新思路１．新业务需求ＩＮ与Ｉｎｔｅｒｎｅｔ相关,并不代表ＩＮ与Ｉｎｔｅｒｎｅｔ可以直接相连,毕竟它们是属于不同的层次。在图１中,Ｉｎｔｅｒｎｅｔ是作为网络层出现的。而我们这里讨论的ＩＮ与Ｉｎｔｅｒｎｅｔ的互连,主要是指业务上的互通。新的业务与Ｉｎｔｅｒｎｅｔ结合主要体现在以下两方面：（１）现有ＩＮ业务与其他网络的业务如Ｉｎｔｅｒ－ｎｅｔ...     

多链路PPP的调度算法

讨论了多个物理链路间相互协调问题,指出以往多链路调度算法存在的缺陷,提出了一种在多个物理链路间分片重级报文的调度算法,克服以往缺陷,从而实现系统性能的优化。     

OLAM以及基于Web的OLAM

随着数据库技术的发展,数据仓库技术的出现,数据库（数据仓库江的应用工具也从 ＯＬＴＰ发展到 ＯＬＡＰ、ＤａｔａＭｉｎｉｎｇ,直到今天的 ＯＬＡＭ;而 Ｉｎｔｅｒｎｅｔ、尤其是ＷＷＷ技术的兴起与发展,更使基于 Ｗｅｂ的 ＯＬＡＭ成为可能。     

基于图表示学习的消息回复关系判断方法

微信、QQ和钉钉等社交媒体都提供多对多聊天群组功能,这些聊天群组包含海量信息,对群组聊天内容进行有效分析,获取有价值的关联信息,是当前领域的研究热点。群组中用户间交互是群组实现的主要功能,用户间消息回复是用户间交互实现的方式,消息间的回复行为下隐藏着消息间和用户间的关系。群组消息间回复通常是隐式和非连续的,大部分群组消息间没有指定明确的回复关系,当前消息也不一定是上一条临近消息的回复,回复关系要根据具体的聊天场景确定。当消息间没有显示指定回复关系时,回复不易于分析和理解群组聊天内容,阻碍了对群组聊天内容的整体性分析。本论文针对群组消息间的回复关系,提出了基于图表示学习的消息回复关系判断方法,该方法不同于以往方法仅使用部分群组要素,是在综合学习消息的文本信息、发送消息的用户信息和上下文信息的基础上,根据群组内容构建群组图和生成自适应消息图,得到了多种群组要素信息和要素间关系组成的图结构,利用图模型在图结构上进行群组消息的表示学习,图模型输出群组消息的表示向量,拼接消息对的表示向量并进一步预测群组消息间的回复关系。在消息间回复关系的学习过程中,图模型通过任务学习更新图中消息节点,同时更新图中用户节点向量表示,经过用户向量分析实验验证了该模型输出的用户向量的有效性和合理性。在公开数据集和标注数据集上进行了对比实验和显著性检验分析,结果显示模型在多个评估指标上大幅优于对比模型,如在F1指标上,比单纯依赖BERT的句子对分类模型提高了接近20%。     

基于原型网络的细粒度实体分类方法

细粒度实体分类任务作为命名实体识别任务的扩展,其目的是根据指称及其上下文,发掘实体更细粒度的类别含义。由于细粒度实体语料的标注代价较大,标注错误率较高,因此该文研究了在少量样本情况下的细粒度实体分类方法。该文首先提出了一种特征提取模型,能够分别从单词层面以及字符层面提取实体信息,随后结合原型网络将多标签分类任务转化为单标签分类任务,通过缩小空间中同类样本与原型的距离实现分类。该文使用少样本学习以及零样本学习两种设置在公开数据集FIGER(GOLD)上进行了实验,在少样本学习的设置下,较基线模型在三个指标中均有提升,其中macro-F₁的提升最大,为2.4%。     

生物特征识别学科发展报告

从手机解锁、小区门禁到餐厅吃饭、超市收银,再到高铁进站、机场安检以及医院看病,人脸、虹膜和指纹等生物特征已成为人们进入万物互联世界的数字身份证。生物特征识别赋予机器自动探测、捕获、处理、分析和识别数字化生理或行为信号的高级智能,是一个典型而又复杂的模式识别问题,一直处于人工智能技术发展前沿,在新一代人工智能规划、“互联网+”行动计划等国家战略中具有重要地位。由于生物特征识别涉及公众利益攸关的隐私、道德和法律等问题,近期也引起了广泛的社会关注。本文系统综述了生物特征识别学科发展现状、新兴方向、存在问题和可行思路,深入梳理了人脸、虹膜、指纹、掌纹、静脉、声纹、步态、行人重识别以及多模态融合识别的研究进展,以人脸为例重点介绍了生物特征识别领域近些年受到关注的新方向——对抗攻击和防御、深度伪造和反伪造,最后剖析总结了生物特征识别领域存在的3大挑战问题——“感知盲区”、“决策误区”和“安全红区”。本文认为必须变革和创新生物特征的传感、认知和安全机制,才有可能取得复杂场景生物识别学术研究和技术应用的根本性突破,破除现有生物识别技术的弊端,朝着“可感”、“可知”和“可信”的新一代生物特征识别总体目标发展。     

基于深度残差长短记忆网络交通流量预测算法

针对多步交通流量预测任务中时间空间特征提取效果不佳和预测未来时间交通流量精度低的问题,提出一种基于长短时记忆（LSTM）网络、卷积残差网络和注意力机制的融合模型。首先,利用一种基于编解码器的架构,通过在编解码器中加入LSTM网络来挖掘不同尺度的时间域特征;其次,构建基于注意力机制挤压激励（SE）模块的卷积残差网络嵌入到LSTM网络结构中,从而挖掘交通流量数据中的空间域特征;最后,将编码器中获得的隐状态下的信息输入到解码器中,实现高精度多步交通流量的预测。基于真实交通数据进行实验测试和分析,实验结果表明,相较于原始的基于图卷积的模型,所提模型在北京和纽约两个交通流量公开数据集上的均方根误差（RMSE）分别获得了1.622和0.08的下降。所提模型能够高效且精确地对交通流量作出预测。     

基于BOPPPS有效教学结构的双平台在线教学设计

为保证线上教学稳定性和教学质量,以微机原理与接口技术线上教学为例,引入线上双平台教学方案,提出在此平台上以BOPPPS有效教学结构为核心的在线教学设计思路,阐述具体实施流程,最后给出结合线上、线下数据的过程评价方式.     

基于距离约束稀疏/组稀疏编码的自动图像标注

为解决图像自动标注中的语义鸿沟问题,有效选择并利用图像特征,提出基于距离约束稀疏/组稀疏编码（distance constraint sparse/group sparse coding,DCSC/DCGSC）的2种特征选择算法,并分别应用到图像自动标注任务中。考虑到不同特征基相似性对图像语义相似性的贡献不同,定义了度量二者相关性的距离约束正则项。将该正则项分别集成到稀疏/组稀疏编码的特征选择模型中,使选择的特征在保证稀疏性/组稀疏性的同时,优先选择与语义相似性描述最接近的视觉特征基。利用在训练图像集中学习的特征权值,寻找测试图像的K最近邻（K nearest neighbor,KNN）图像,并通过标签转移实现图像标注。在Corel5K图像库上测试标注性能,集成多特征的DCGSC查准率、查全率和标注正确的关键词个数可达32%、34%和151,优于其他相关标注算法。而对于单特征图像,使用DCSC也能改善标注性能。可见,距离约束对特征选择和图像标注是有效的。     

基于智能优化的分布式网络流量预测方法

网络流量预测是网络管理的重要内容,高效的流量预测方法可提高网络管理效率.针对网络流量的时变性等问题,提出了一种基于智能优化的分布式网络流量预测方法.该方法采用果蝇算法优化3次指数平滑预测模型中的平滑因子,对时间窗口内收集到的网络流量进行预测,从而有效地提高3次指数平滑模型下网络流量预测的准确度与效率.仿真实验表明:相比传统3次指数平滑预测模型,此方法可解决平滑因子的不确定性所导致的预测结果误差问题,有效提高了网络流量预测精度.