一种基于地图爬虫的场景边界识别与质量监控方法

本文提出了一种基于地图爬虫的场景边界识别与质量监控方法，参考互联网爬虫技术实现场景边界自动识别，依靠“MR+OTT”和“帕累托法则”实现场景资源信息自动更新，在此基础上，关联网优大数据实现重点场景网络质量的智能预警监控。在某市进行试点，方案上线后自动识别场景4361处，实现场景小区自动更新，初次评估覆盖率92.85%，经过两个月的整治，覆盖率提升至94.22%，弱覆盖小区占比下降4.72PP。     

基于并行跟踪检测框架与深度学习的目标跟踪算法

在空地协同背景下，地面目标的移动导致其在无人机视角下外观会发生较大变化，传统算法很难满足此类场景的应用要求。针对这一问题，提出基于并行跟踪和检测（PTAD）框架与深度学习的目标检测与跟踪算法。首先，将基于卷积神经网络（CNN）的目标检测算法SSD作为PTAD的检测子处理关键帧获取目标信息并提供给跟踪子；其次，检测子与跟踪子并行处理图像帧并计算检测与跟踪结果框的重叠度及跟踪结果的置信度；最后，根据跟踪子与检测子的跟踪或检测状态来判断是否对跟踪子或检测子进行更新，并对图像帧中的目标进行实时跟踪。在无人机视角下的视频序列上开展实验研究和对比分析，结果表明所提算法的性能高于PTAD框架下最优算法，而且实时性提高了13%，验证了此算法的有效性。     

基于Spark SQL的分布式全文检索框架的设计与实现

随着信息化的深入,大数据在各个领域产生了巨大的价值,海量数据的存储和快速分析成为新的挑战。传统的关系型数据库由于性能、扩展性的不足以及价格昂贵等方面的缺点,难以满足大数据的存储和分析需求。Spark SQL是基于大数据处理框架Spark的数据分析工具,目前已支持TPC-DS基准,成为大数据背景下传统数据仓库的替代解决方案。全文检索作为一种文本搜索的有效方式,能够与一般的查询操作结合使用,提供更加丰富的查询和分析操作。目前,Spark SQL仅支持简单的查询操作,不支持全文检索。为了满足传统业务迁移和现有业务的使用需求,提出了分布式全文检索框架,涵盖了SQL文法、SQL翻译转换框架、全文检索并行化、检索优化4个模块,并在Spark SQL上进行了实现。实验结果表明相比于传统的数据库,在两种检索优化策略下,该框架的索引构建时间、查询时间分别减少到传统数据库的0.6%/0.5%和1%/10%,索引存储量减少为传统数据库的55.0%。     

基于JESD204B协议高速并行8 bit/10 bit解码电路设计

提出了一种高速低延时8 bit/10 bit解码电路结构,采用四路并行通道同时处理输入数据,每一路具有K码检测、输入数据查错功能,能够在输入四路10 bit数据后的一个时钟周期内正确完成解码.所设计的解码电路通过搭建的通用验证方法学系统完成系统级功能验证,并基于65 nm工艺库进行综合、布局和布线,解码电路的面积为1 449 μm2.后仿真结果显示,解码电路的最高工作频率达415 MHz,四路可支持最高16.6 Gibit/s的串行数据传输速率,满足JESD204B协议标准推荐的最高传输速率12.5 Gibit/s的要求.将该解码电路用于支持JESD204B协议的高速数模转换器电路中,经测试,其传输速率最高达10.5 Gibit/s.     

联想控股酒业联姻孔府家

巍巍大成,森森松柏。9月16日,一场规模盛大的祭孔仪式在山东曲阜孔庙内举行。衣着古朴的舞者在琴瑟声中起舞,雅乐中正平和,舞步庄严优美。伴随着肃穆的钟鼓声和庄严的祭祀祷文诵,联想控股高级副总裁唐旭东、联想控股酒业公司（以下简称＂联想控股酒业＂）总经理路通和孔府家董事长邱振新等身披绶带,向孔子塑像献花篮并行鞠躬之礼。     

并行多路径传输过程数据相似性检测仿真

为提高数据传输过程的挖掘效率和原始数据的质量,提出了一种并行多路径传输过程数据相似性检测方法.首先,通过位码代替法计算并行传输过程数据架构的相似度,然后利用优化编译剔除数值化后的公共子代表式,并将其转化成汇编数据.这一过程中,由于传输偏移地址、函数地址、部分跳转指令与立即数存在大量噪声,因此需通过反汇编过程对噪声滤波进行归一化处理,从而构成汇编数据集合,再利用下三角矩阵将传输数据之间的相似度对比转换为储存矩阵之间的相似度对比,并计算矩阵内架构相似度与语义相似度,实现数据相似度检测.仿真结果证明,相比于传统方法,上述方法的数据召回率和检测损耗较小,且相似性检测误差较小,有效性更高.     

大规模分布式并行信息检索技术

大规模的信息在进行检索的过程中一直都会面临检索速度上的限制问题,本文在基本的检索原理基础之上,实现了一种快速进行大规模分布式并行信息检索技术,该技术具有检索速度快、效率高、易于扩展等优点,具有较好的应用前景,希望能够为信息检索技术开发工作提供一些参考意见。     

非负矩阵分解的分布式算法

提出一种解决大规模非负矩阵分解的分布式算法.非负矩阵分解一直是矩阵分解领域中的热点问题之一,已有一些相关的算法.但是,对于大规模的非负矩阵,至今尚无高效的方法.本文采用近来解决大数据的分布式思想和并行式计算方法,并将它们与传统的矩阵分解算法相结合,提出一种基于并行式计算的分布式网络算法,以此实现大规模的非负矩阵分解问题.实验结果表明,所提出的算法较一般的分布式算法与集中式矩阵分解的算法更加有效和快速.