大数据场景下的云计算性能研究

为解决云计算中大数据分析和云计算系统管理等问题,通过对框架的集成,提高了大数据场景下的云计算性能。通过使用深度学习方法来对所提出的框架进行改进,主要采用了混合优化FPA-GA和FPA-PSO算法,涉及基于云的服务器的计算和存储。实验结果分析表明,该方法在成本、时间、安全性和准确性等方面有了显著的提升。     

五阳煤矿矿井水深度处理:超滤+臭氧+生物活性炭滤池系统设计研究

五阳煤矿南丰矿井水处理站处理水部分指标不能达到地表水环境质量Ⅲ类标准,需要进行提标改造。文章设计的深度处理工艺流程为:超滤+臭氧+生物活性炭滤池,给出了各环节的设计过程和结果,对设计的工程投资做出了预算,社会效益、经济效益可观。     

基于随机搜索树法的机械臂视觉伺服研究

在当今的工业应用中,机械臂完成某一特定作业任务的基础是进行轨迹规划。针对单纯基于图像的视觉伺服(the image-based visual servoing,IBVS),不能直接对相机或机械臂的运行轨迹进行控制,容易造成跟踪目标脱离视野、机械臂与工作空间障碍物相碰撞的问题,本文提出了三维随机搜索树算法(the three-dimensional Rapidly-exploring Random Trees algorithm,3D-RRT)实现机械臂的轨迹规划,将轨迹规划与视觉伺服相融合,使机械臂在跟踪移动过程中,满足图像视野范围限制和空间障碍物约束问题。在MATLAB平台建立算法仿真实验,结果表明三维随机搜索树算法(3D-RRT)可以较好解决基于图像的视觉伺服(IBVS)中存在的问题。     

深度元学习在无人驾驶中的应用前景

在无人驾驶发展的初期,科学家们依靠数学方法与计算机视觉领域的相关技术创造出无人驾驶算法,其性能和安全性都不是很理想。近年来,随着深度学习的不断发展,无人驾驶领域出现了越来越多与深度学习相关的优秀算法。与传统算法相比,与深度学习相结合的无人驾驶算法有着更为优秀的性能,无人驾驶技术也随着深度学习的发展不断向商用化推进,其中具有代表性的产品即为近年来美国特斯拉公司生产的车辆,其拥有较为完善的辅助驾驶系统,可以将其看作一款非常典型的无人驾驶产品。本文将从目标检测以及目标跟踪两个领域分析深度元学习在无人驾驶领域中的应用前景。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

uBlock算法的低代价门限实现侧信道防护方法

在传统的基于黑盒模型的密码分析中,攻击者仅可以利用密码算法的输入输出信息进行攻击,现有密码算法在黑盒模型下的安全性已经得到较为充分的论证.但是在灰盒模型下,攻击者的能力得到提高,其不仅可以获取密码算法的输入输出信息,还可以获得密码算法实际执行过程中泄露的功耗、电磁、光等物理信息,这些物理信息和密码算法的中间状态具有相关性,敌手可以利用这种相关性进行秘密信息的恢复,这种攻击被称为侧信道攻击.侧信道攻击自提出以来,由于其相对低的实现代价以及较高的攻击效率对于密码算法的实现安全性造成了严重的威胁.u Block算法是2019年全国密码算法设计竞赛分组密码一等奖获奖算法,同样受到了侧信道攻击的威胁.目前针对u Block算法的研究较少,在硬件实现方面主要考虑低延迟高吞吐量的实现,缺乏针对资源受限情况下的低代价优化实现,不利于侧信道防护方案的构造.目前公开的文献中指出其S盒适用于基于门限实现的侧信道防护方案构造,存在3-share的无需新随机数的门限防护方案,但是没有给出具体的实现方案.针对这样的现状,本文首先基于流水线和串行化的思想设计并实现了一种适用于u Block算法的低代价硬件实现方案;...     

智能语音转写平台的应用

本文论述了智能语音转写平台系统近年来的技术进步和发展,对SRT唱词系统进行了介绍,对语音识别技术以及智能语音转写平台系统中的一些关键问题及原理进行了分析和讨论。     

基于改进Canny算法在工件质检仿真系统中的应用

检测工件表面缺陷主要方法有人工视觉、机械装置接触检测法、机器视觉检测法等,但上述几种方法在现实应用中都存在缺陷,造成人力和物料的浪费.改进Canny算法,使用二维中值滤波器,椒盐环境中检测效果更佳、自适应能力更强.并在计算梯度幅值中增加135度和45度两个卷积核,最后通过计算标准差来减少误差.通过仿真测试,改进后的算法在检测电路板中的精度提高了0.1到0.3.     

基于K-means和SOM的水下传感器数据采集方法

随着海洋资源勘探和海洋污染物监控工作的开展，水文数据的监测和采集等已经成为重要的研究方向。其中，水下无线传感器网络在水文数据采集过程中起着举足轻重的作用。本文研究的是水下无线传感器二维监测网络模型中，传感器节点数据采集的问题，其设计方法是通过自组织映射（Self-organizing mapping，SOM）对传感器节点进行路径最优化处理，结合优化的路径图形和K-means算法找到路径内部聚合点，利用聚合点和传感器的节点得到传感器通信半径内的数据采集点，最后通过SOM得到水下机器人（Autonomous underwater vehicle，AUV）到各个数据采集点采集数据的最优路径。经过实验验证，在水下1 200 m×1 750 m范围内布置52个传感器节点的情景下，数据采集点相比于传感器节点路径规划采用相同的采集顺序得到的路径优化了6.7%；对数据采集点重新进行自组织路径规划得到的路径比传感器结点路径的最优解提高了12.2%。增加传感器节点的数量，其结果也大致相同，因此采用该方法可以提高水下机器人采集数据的效率。