二次特征值问题的并行Jacobi-Davidson方法及其应用

给出了求解二次特征值问题多个特征对的一种并行Jacobi-Davidson方法,该方法在子空间中求解投影矩阵的二次特征值问题,利用校正方程的解扩充子空间,并以某型号机翼在结构动力分析中的二次特征值问题为例,在多处理机并行系统IBM-P650上进行了数值试验,试验结果表明该算法具有较高的加速比和并行效率.     

阴极组件钎焊用RuB合金钎料研制

阴极组件是微波器件的心脏部件,其连接技术水平对其性能和寿命具有极其重要的影响.根据Ru-B二元相图,设计了RuB合金钎料的化学成分,并进行了RuB合金钎料的制备、熔化温度及钎焊工艺等性能试验研究.结果表明:试验研究的RuB合金钎料的熔化温度为1 390～1 430℃;在母材W,Mo上的润湿性、铺展性能好,能完全润湿母材...     

玻璃鳞片涂料的应用状况

简要介绍了玻璃鳞片涂料的发展历史,品种规格和技术指标;着重介绍了在日本的一些应用实例,施工注意事项及技术标准.     

对称矩阵反问题的总体最小二乘解

最小二乘法是近年来求解对称矩阵反问题的一种常用方法,但因系数矩阵常常存在误差,方法本身具有很大的局限性.鉴于此,本文提出并讨论了对称矩阵反问题的总体最小二乘解,给出了解的一般表达式;证明了最佳逼近问题解的存在唯一性,给出了其具体表达式及数值算法,并将数值结果应用于求解对称矩阵反问题.     

两层传感器网络中安全高效的范围查询算法

针对两层传感器网络环境,提出了一种安全高效的范围查询算法. 在数据存储阶段,传感节点对感知数据进行加密处理,并利用保序函数生成保序编码,然后将密文和编码数据上传至存储节点. 在查询处理阶段,Sink通过克莱姆法则将查询范围转换成下上限多项式,并将查询请求信息发送给存储节点;存储节点通过多项式信息和保序编码,实现无须明文数值参与下的大小比较,从而确定查询结果,并返回给Sink;Sink获得查询结果,并对感知数据进行真实性和完整性验证. 理论分析和实验结果表明,该算法能够保证感知数据、查询结果和目标范围区间的隐私,且与现有方法相比具有更高的能效.     

HS-SPME-GC-MS分析番石榴果实中的挥发性成分

采用顶空固相微萃取(HS-SPME)结合气相色谱-质谱(GC-MS)联用技术分析番石榴果实中的挥发性成分。经计算机检索与标准谱图对照,确定其化学成分,采用峰面积归一法计算各成分的相对含量。从番石榴果实中共分出71个色谱峰,初步鉴定了其中的38种化学成分,占总挥发性化学成分的76.55%。相对含量由高到低依次为萜烯类、醛类、酯类、烷类及其它类化合物,其中主要成分为己醛(22.91%)、β-石竹烯(15.31%)、(顺)-乙酸叶醇酯(8.52%)、(E)-2-己烯醛(6.45%)、α-蒎烯(4.56%)、(D)-柠檬烯(3.84%)、(+)-δ-杜松烯(2.11%)、(+)-香橙烯(1.93%)、Z,Z,Z-1,5,9,9-四甲基-1,4,7-环十一碳三烯(1.54%)、氧化石竹烯(0.95%)、别罗勒烯(0.89%)等。本研究结果可为进一步开发和利用番石榴果实的生物活性提供基础研究数据。     

基于同态MAC的无线传感网安全数据融合方案

数据融合是缓解无线传感网资源瓶颈的重要方法之一,但在开放环境中易受数据机密性和完整性攻击。针对此问题,该文提出一种基于同态MAC的无线传感网安全数据融合方案SDA-HMAC。通过同态MAC技术进行融合数据的完整性检测,利用同态加密算法保证了融合数据的机密性,使用杂凑函数和时间参数t计算密钥的MAC保证了数据的新鲜性。实验仿真和理论分析表明,相比于其它方案,SDA-HMAC方案在传感网数据融合过程中能提供较好的数据机密性、完整性和新鲜性保护,具有较高的数据传输效率和融合精度,同时花费较少的计算量和通信量。     

在线凝胶渗透色谱-三重四极杆气质联用法同时 测定橄榄油中72种农药残留

目的采用在线凝胶渗透色谱-三重四极杆气质联用仪(GPC-GC/MS/MS)建立了橄榄油中72种农药残留的分析方法。方法样品中的农药残留用正己烷溶解后用乙腈溶液振荡提取,经分散固相萃取法净化处理,取上清液并用微孔滤膜过滤,采用在线GPC-GC/MS/MS在多反应监测模式下进行测定,外标法定量。结果 72种农药组分在5~200μg/L质量浓度范围内呈良好线性关系,相关系数r大于0.99,测定低限为0.0045~1.00μg/L。对空白橄榄油样品进行3个浓度水平0.01、0.05和0.1 mg/kg的加标回收试验,各农药的加标回收率为60.5%?119.5%,相对标准偏差(RSD)为3.5%?14.7%。结论本方法具有前处理简便、快速高效、灵敏度高、试剂成本低等特点,完全能够满足橄榄油中72种农药残留的日常检测需要。     

基于梯度选择的轻量化差分隐私保护联邦学习

为了应对机器学习过程中可能出现的用户隐私问题，联邦学习作为首个无需用户上传真实数据、仅上传模型更新的协作式在线学习解决方案，已经受到人们的广泛关注与研究。然而，它要求用户在本地训练且上传的模型更新中仍可能包含敏感信息，从而带来了新的隐私保护问题。与此同时，必须在用户本地进行完整训练的特点也使得联邦学习过程中的运算与通信开销问题成为一项挑战，亟需人们建立一种轻量化的联邦学习架构体系。出于进一步的隐私需求考虑，文中使用了带有差分隐私机制的联邦学习框架。另外，首次提出了基于Fisher信息矩阵的Dropout机制——FisherDropout,用于对联邦学习过程中在客户端训练产生梯度更新的每个维度进行优化选择，从而极大地节约运算成本、通信成本以及隐私预算，建立了一种兼具隐私性与轻量化优势的联邦学习框架。在真实世界数据集上的大量实验验证了该方案的有效性。实验结果表明，相比其他联邦学习框架，FisherDropout机制在最好的情况下可以节约76.8%～83.6%的通信开销以及23.0%～26.2%的运算开销，在差分隐私保护中隐私性与可用性的均衡方面同样具有突出优势。