混淆查询区域下的电网多维数据聚合查询方法研究

为了降低电网多维数据查询的缺失率，研究了混淆查询区域下的电网多维数据聚合查询方法。在用户兴趣生成混淆查询区域，从生成的查询轨迹数据中收集邻接近点信息，并与查询目标保持安全距离。计算实际电网用户密度与查询样本的混淆程度，以保护数据聚合时的用户隐私。在向量化处理关键字和数据对象后，完成关键字词的匹配查询，以控制数据查询的缺失率。在此基础上，构建了多维数据聚合查询的控制树，量化评估了多维数据，以减少多维点查询的响应用时，实现了高隐私行业的电网数据聚合查询。仿真结果证明：该方法在不同数据查询缺失率下的查询结果始终保持在35个类型；多维点查询的平均响应用时最短为38.2 s。该方法数据查询过程中需要的节点成本更低、查询性能更好。     

融合 CNN 和 Transformer 的机器人室内场景识别

为了提高机器人在复杂的室内环境中场景识别的准确率，本文提出一种融合卷积神经网络(convolutional neural network, CNN)和视觉Transformer结构的机器人室内场景识别模型。本文模型利用CNN提取场景局部特征，然后使用视觉Transformer结构捕捉特征中远距离依赖关系，其中提出的视觉Transformer结构包括3个部分，分别是特征编码结构(Attention Embedding)、Encoder结构和一个将高层语义特征转化成像素级特征的结构(Attention Project)。本文研究的机器人场景识别模型利用CNN提高视觉Transformer局部细节特征的描述能力，同时通过视觉Transformer帮助CNN构建远距离特征的依赖关系，从而能够有效的表征和利用机器人工作场景图像的视觉特征。最后，通过机器人在实际工作环境中采集的数据集和开源的COLD数据集进行实验，验证了本文研究模型的有效性，场景识别精度更高。