食源性疾病事件智能探测与预警平台

食源性疾病由来已久,每年都会造成巨大的社会经济损失.人工智能技术给食源性疾病事件的探测和预警带来了新的方法.该文基于互联网大数据开发了食源性疾病事件智能探测与预警平台,该平台面向食源性疾病事件的数据获取、数据分析以及可视化展示的全过程,通过D-M-V分层模型以及模块化开发集成了多种模块.该平台主要解决了食源性疾病事件的数据获取、数据融合、事件探测、风险预测和可视化等问题,该平台能够自动从互联网中采集社交媒体、社会经济等数据;根据数据的时空坐标对多源异构数据进行高效融合;从社交媒体数据中探测出食源性疾病事件并推断其关键信息;利用多源数据对食源性疾病风险进行预测;提供高效的可视化方法和交互手段.该文通过2018年北京市食源性疾病数据作为示例验证平台功能.     

计算机与高速分组无线网快速数据交换的新方法

介绍利用计算机增强型并口与高速分组无线网交换数据的方法。重点阐述了增强型并口协议及增强型并口与高速分组无线网收／发模块间的通信过程,给出了较详细的软、硬件设计思想,并通过实验得到了一些增强型并口的传输参数。     

基于C_Model的UVM验证平台设计与实现

随着集成电路规模和复杂度的提高,其验证工作也日益复杂和重要,验证周期己经达到甚至超过整个芯片设计周期的70%,因此,急需找到一种高效的验证方法,以便提高验证效率,增强验证平台的可重用性。基于SystemVerilog语言的UVM验证方法学可以有效提高验证效率,缩短验证周期。采用高层次的抽象模型C_Model作为参考模型接入UVM平台,对数字基带处理单元中标签发送链路的编码模块进行验证,设计随机和非随机的testcase,通过driver和monitor验证组件来发送、监测并收集数据,包括硬件设计RTL代码产生的数据和参考模型产生的数据,然后将两数据送入设计的UVM计分板模块进行比对,从而实现对RTL的功能验证,验证系统的优劣可通过功能覆盖率来体现。验证结果表明,UVM计分板中比对正确且功能覆盖率达到了100%。     

视觉—语义双重解纠缠的广义零样本学习

目的 传统的零样本学习（zero-shot learning,ZSL）旨在依据可见类别的数据和相关辅助信息对未见类别的数据进行预测分类,而广义零样本学习（generalized zero-shot learning,GZSL）中分类的类别既可能属于可见类也可能属于不可见类,这更符合现实的应用场景。基于生成模型的广义零样本学习的原始特征和生成特征不一定编码共享属性所指的语义相关信息,这样会导致模型倾向于可见类,并且分类时忽略了语义信息中与特征相关的有用信息。为了分解出相关的视觉特征和语义信息,提出了视觉—语义双重解纠缠框架。方法 首先,使用条件变分自编码器为不可见类生成视觉特征,再通过一个特征解纠缠模块将其分解为语义一致性和语义无关特征。然后,设计了一个语义解纠缠模块将语义信息分解为特征相关和特征无关的语义。其中,利用总相关惩罚来保证分解出来的两个分量之间的独立性,特征解纠缠模块通过关系网络来衡量分解的语义一致性,语义解纠缠模块通过跨模态交叉重构来保证分解的特征相关性。最后,使用两个解纠缠模块分离出来的语义一致性特征和特征相关语义信息联合学习一个广义零样本学习分类器。结果 实验在4个广义...     

面向应用型事件的WSNs中间件研究与实现

无线传感器网络(Wirless Sensor Networks)作为一种新兴的技术受到广泛关注,无线传感器网络的应用系统发展迫切需要有合适的中间件提供完善的解决方案。针对当前无线传感器系统应用的需求,根据应用型事件的要求,研发了面向应用型事件的WSNs中间件软件。在该软件设计中,提出了设备无关性的思想;中间件的任务管理模块采用了动态配置技术,能动态装载所需的工作模块并调整运行方式;同时中间件软件的HSQL内存数据库技术可有效地提高数据访问的速度。     

一种人脸图像特征提取的局部和整体间距嵌入方法

针对边界Fisher分析(MFA)构建的惩罚图没有充分描述类间数据分离度的缺点,提出一种局部和整体间距嵌入(LGME)特征提取方法。该方法在构建惩罚图时采用了全部的不同类样本数据对,并适当地强调了间距较小的不同类样本数据对的作用。与MFA相比,LGME同时使用类间数据的局部和整体间距信息,对类间数据分离度进行了充分描述,从而使其提取的数据特征具有更强的判别力。实验结果表明,LGME方法提取的人脸图像特征在用于人脸识别时,具有较高的识别率,且更具鲁棒性。     

基于Hi3512的H.264视频编码器设计

为解决视频监控应用中数据量多,运算量大和实时性要求高的问题,提出了基于ARM9内核,片内集成视频硬件编码协处理器的海思Hi3512芯片的H.264视频编码器设计方案.采用理论与仿真相结合的方法,对复合视频分离电路和音频接口模块的硬件架构进行了分析,指出了设计中应注意的问题与采取的解决方法,并进一步讨论了视频处理模块中DDR2 (Double Data Rate 2 SDRAM)单元等关键电路的理论计算与仿真设计,通过多线程对视音频编码算法进行了实现.通过对实际样机的长时间不间断测试,验证了编码器的编码能力和可靠性,表明其达到了视频监控中的要求.     

基于GIS的长江三峡工程诱发地震预测信息管理与辅助决策系统

从系统需求分析出发,介绍了长江三峡工程水库诱发地震预测信息管理与辅助决策系统以地理信息系统(GIS)为基础平台的可视化设计思想及其相应结构体系,研制并开发了基础信息综合管理与分析模块、水库诱发地震概率预测与评估模块、按学科的水库诱发地震预测模块以及抗震救灾指挥辅助决策模块等多个主模块以及系统帮助模块等辅模块,并对各主要模块的功能分别进行了论述。     

基于随机子空间的最小最大模块化支持向量机

最小最大模块化支持向量机(M3-SVM)是一种对大规模数据进行模式分类的有效方法.为进一步提高M3-SVM对高维大规模不平衡数据的分类性能,文中分析多种随机子空间策略,并将其与M3-SVM相结合,以实现降维和增加特征层面上的集成机制,从而得到一类基于随机子空间的最小最大模块化支持向量机(M3-SVM-RS).在现实数据集上验证随机子空间策略的有效性,同时通过实验分析M3-SVM-RS中各个子模块(基分类器)之间的差异性.     

融合多尺度CNN和CRF的通用细粒度事件检测

事件检测是自然语言处理领域中事件抽取的主要任务之一,它旨在从众多非结构化信息中自动提取出结构化的关键信息.现有的方法存在特征提取不全面、特征分布不均等情况.为了提高事件检测的准确率,提出了一种融合BERT预训练模型与多尺度CNN的神经网络模型(BMCC,BERT+Multi-scale CNN+CRF).首先通过BERT(Bidirectional Encoder Representations from Transformers)预训练模型来进行词向量的嵌入,并利用其双向训练的Transformer机制来提取序列的状态特征;其次使用不同尺度的卷积核在多个卷积通道中进行卷积训练,以此来提取不同视野的语义信息,丰富其语义表征.最后将BIO机制融入到条件随机场(CRF)来对序列进行标注,实现事件的检测.实验结果表明,所提出的模型在MAVEN数据集上的F1值为65.17%,表现了该模型的良好性能.     

结合概率图模型与DNN的DDoS攻击检测方法

从传统网络到物联网,分布式拒绝服务攻击一直是网络安全的隐患。为提高分布式拒绝服务攻击的检测率,提出基于概率图模型与深度神经网络的DDoS攻击检测方案。该检测方案由数据预处理阶段和攻击检测阶段组成,在数据预处理阶段,研究了正常数据包与攻击包的区别,分别从TCP、UDP以及IP数据包包头信息提取出较高维的统计特征,根据随机森林计算的特征重要性因子,保留了前22个特征用于流量检测。22个统计特征通过概率图模型的隐马尔科夫算法进行聚类,然后将聚类结果通过检测阶段的深度神经网络对网络数据进行进一步的检测。在CICDoS数据集上进行验证性实验,结果表明,该检测方法的准确率最高可达99.35%,最低检测误报率和漏警率分别可达0.51%和0.12%。     

自适应低轨卫星MAC协议性能分析

针对低轨卫星通信信道碰撞检测能力弱,时延较长和大业务量的特点,提出一种具有接入控制机制的自适应APRMA MAC协议。通过对信道负载和业务优先级判断来确定不同业务的接入概率函数,并且接入概率在每个时隙中通过更新来动态适应系统资源的变化。该MAC协议确保多个终端合理共享有限的无线资源同时,系统能达到高容量。通过仿真对语音业务丢包概率、数据包平均时延和数据业务吞吐量三个衡量协议性能指标与传统协议进行分析对比,证明了APRMA MAC协议显著改善系统性能。     

基于BERT-CRF模型的中文事件检测方法研究

事件抽取是自然语言处理中信息抽取的关键任务之一。事件检测是事件抽取的第一步,事件检测的目标是识别事件中的触发词并为其分类。现有的中文事件检测存在由于分词造成的误差传递,导致触发词提取不准确。将中文事件检测看作序列标注任务,提出一种基于预训练模型与条件随机场相结合的事件检测模型,采用BIO标注方法对数据进行标注,将训练数据通过预训练模型BERT得到基于远距离的动态字向量的触发词特征,通过条件随机场CRF对触发词进行分类。在ACE2005中文数据集上的实验表明,提出的中文事件检测模型与现有模型相比,准确率、召回率与F1值都有提升。     

基于双层注意力神经网络的入侵检测方法

基于网络的入侵检测技术作为一种重要的安全防护手段,对及时发现网络攻击行为起着重要的作用。目前,采用特征工程的机器学习算法是检测分析网络入侵的常用方法,但是人工设计的特征往往会丢失有效载荷的重要信息;另外,网络攻击流量中的不同数据包信息在入侵检测中所起的作用是不同的,而现有算法大都对重要信息的捕捉能力不足。针对上述问题,提出了一种新的深度学习模型L2-AMNN,无需复杂的特征工程,直接提取原始网络流量的有效载荷数据作为样本,在双向长短时记忆神经网络基础上,引入双层注意力机制,捕获关键字节信息和数据包信息,生成更加准确的入侵检测特征向量。实验结果表明,与SVM、DNN、LSTM等模型相比,L2-AMNN对网络入侵检测的准确率、检出率平均提升了4.05%和2.48%,同时误报率、漏报率平均降低了4.41%和2.61%,总体检测性能优于其他同类模型。     

基于尺度不变特征金字塔的输电线路缺陷检测

针对现有目标检测算法在高压电力复杂巡检场景下电力部件与巡检缺陷检测精度较低的问题,提出一种基于尺度不变特征金字塔的输电线路缺陷检测方法.将主流目标检测方法用于该场景,对比得出RepPoints v2网络模型的检测精度最高.针对RepPoints v2中FPN结构不能有效提取跨层次间语义信息及角点验证过程中忽略尺度归一化...     

无人机平台下的行人与车辆目标实时检测

在无人机图像中快速准确地检测行人和车辆是一项有意义但又极具挑战的任务,其广泛应用于军事侦察、交通管制以及偏远地区救援等任务中。然而,由于无人机属于小型移动设备,其内存和计算能力非常有限,使得如何保证其检测实时性一直是难题。针对SSD算法模型过大、运行内存占用量过高、很难在无人机设备上运行的问题,精心设计了轻量级的基准网络,通过削减原始网络的通道数目以及卷积数目来降低网络的参数量;针对无人机场景下目标小、场景复杂等问题,提出轻量级感受野模块来增强网络特征表示能力,并结合上下文信息来进一步提高小型目标的检测精度。实验结果表明,提出的方法在基于无人机的行人与车辆目标检测任务上有较高的准确性和实时性。     

WSN中基于压缩感知的异常事件检测方案

异常事件检测问题是无线传感器网络中的研究热点之一。为提高检测效率,提出一种基于压缩感知的异常事件检测方案。通过压缩采样得到各个节点感知数据的测量值,将异常事件检测问题建模为带权的l_1范数最小化问题,采用正交匹配追踪算法进行迭代求解,根据检测函数对求解结果进行判断,并依据判断结果更新权值,开始下一轮迭代,直到检测出无线传感器网络中存在的所有异常事件。仿真实验结果表明,该方案的漏检率和误警率较低,与CCM和GEP-ADS方案相比,分别能节省约4.1%和5.8%的能耗。     

结合OCSVM的模拟电路故障诊断方法

基于支持向量机的传统模拟电路故障诊断方法对新故障无检测能力,且可扩展性较差。针对该问题,提出结合一类支持向量机(OCSVM)和多类支持向量机(MCSVM)的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类,采用MCSVM提高分类性能,以弥补OCSVM分类能力的不足。对OCSVM算法进行改进,以提高其检测和分类性能。通过模拟电路故障诊断实验验证OCSVM改进算法和联合故障诊断方法的有效性。     

IEEE 802.11e中基于失真度度量的视频包传输方法

为改善H. 264编码的视频流在802. 11e中的传输性能, 提出了一种结合H. 264/AVC中不同类型的数据分割对视频重建质量的重要性因子和队列状态的视频包映射方法。首先定量分析H. 264/AVC中A、B、C三种分割的丢失对视频重建质量的影响, 得到其重要因子; 然后依据重要因子和队列长度将视频数据包映射到802. 11e的不同EDCA队列中。算法改进了EDCA机制中数据包的静态映射机制, 根据视频分割数据的不等重要性, 提供差异性服务。仿真结果表明, 与目前的视频包静态映射机制相比, 该算法提高了视频重建质量, 最好可提高1 dB以上。     

特征平衡的无人机航拍图像目标检测算法

无人机航拍图像目标较小、图像视角变化大,导致目标检测效果不佳。针对此问题,设计了一种适用于无人机小目标检测的网络。该网络中的可变形卷积模块可以提高多视角目标的特征提取能力,以解决航拍图像目标视角变化剧烈致使目标特征难以提取的问题;特征平衡金字塔模块可以增强网络中底层小目标特征,以解决航拍图像中的小目标因特征易丢失而造成其检测效果差的问题;同时利用像素重组构建底层大尺度特征以解决特征平衡金字塔模块的底层特征卷积运算量大的问题;交叉自注意力机制获取目标上下文信息,改善严苛条件下的漏检错检问题。公开数据集上的仿真结果表明,在保证实时检测的情况下所提算法的平均准确度优于主流检测算法。