论侵犯公民个人信息犯罪的认定

随着社会经济和网络信息技术的飞速发展,网络为人们提供传输与存储等服务,让人们的生活有了极大便利的同时,在互联网催化作用之下,侵犯公民个人信息的行为逐渐多起来,让社会的有序生活遭受了不利影响。在我国相关法律中,关于公民个人信息方面维权的相关规定实现从零到一,并在近些年进行了强化。然而在司法实践过程中,也存在着公民个人信息概念不清、犯罪认定范畴边缘不清晰、就侵权行为如何进行认定有着一些争论、情节严重的认定没有可遵循的实际依据等问题。本文对侵犯公民个人信息行为的现状展开分析,并对侵犯公民个人信息罪的认定进行了研究。     

基于多模态特征融合的三维点云分类方法

针对点云数据本身信息量不足导致现有三维点云分类方法分类精度较低的问题,结合多模态特征融合,设计一种三维点云分类模型。通过引入投影图对点云数据信息进行扩充,将点云数据与图像数据同时作为输入,对PointCNN模型提取的点云特征与CNN模型提取的投影图特征进行加权融合,从而得到最终分类结果。在ModelNet40数据集上的分类结果表明,该模型的分类精度达到96.4%,相比PointCNN模型提升4.7个百分点。     

基于约束聚类的k-匿名隐私保护方法

针对现有的匿名方案往往较少考虑离群数据的敏感问题以及信息损失与时间效率的最优化问题,提出一种基于约束聚类的k-匿名隐私保护方法.通过K近邻思想划分初始集群,根据设定的阈值δ将集群进行重新划分,划分过程始终遵循信息损失最小化原则,得到每个等价类元组数都在k与2k之间,过程中分类考察准标识符属性并充分考虑离群点对聚类结果的影响,有效降低匿名过程中的信息损失.实验结果表明,该方法有效节省了执行时间并降低了信息损失.     

基于深度残差长短记忆网络交通流量预测算法

针对多步交通流量预测任务中时间空间特征提取效果不佳和预测未来时间交通流量精度低的问题,提出一种基于长短时记忆（LSTM）网络、卷积残差网络和注意力机制的融合模型。首先,利用一种基于编解码器的架构,通过在编解码器中加入LSTM网络来挖掘不同尺度的时间域特征;其次,构建基于注意力机制挤压激励（SE）模块的卷积残差网络嵌入到LSTM网络结构中,从而挖掘交通流量数据中的空间域特征;最后,将编码器中获得的隐状态下的信息输入到解码器中,实现高精度多步交通流量的预测。基于真实交通数据进行实验测试和分析,实验结果表明,相较于原始的基于图卷积的模型,所提模型在北京和纽约两个交通流量公开数据集上的均方根误差（RMSE）分别获得了1.622和0.08的下降。所提模型能够高效且精确地对交通流量作出预测。     

区块链环境下基于秘密共享的数字权限管理方案

针对数字权限保护中对内容加密密钥的安全保存和有效分发的需求,提出了一个区块链环境下基于秘密共享的数字权限保护方案。该方案主要包括系统初始化、内容加密、许可授权和内容解密4个协议。在该方案中,利用Pedersen可验证秘密共享方案和属性基加密（ABE）算法来实现内容加密密钥的保护和分发,将内容提供商从管理内容加密密钥的任务中解放出来,从而确保了密钥管理的安全性和灵活性。此外,基于区块链的数字权限保护方案具有信息公开透明、不可篡改等特点。安全性分析表明,该方案在区块链环境下是安全可行的;仿真实验结果表明,该方案能够以较低的开销实现数字内容的权限保护。     

基于张量距离算法预测空调系统的室内温度及供水温度

以维持室内温度舒适和提供运行策略、节约能源为目的,设计了张量距离模型用于挖掘不断增长的历史数据中的有效信息解决空调供暖问题.考虑到空调运维数据的时空特性及各参数的多维特性,将历史数据确定日类型、划分时间段、扩充室外温度后,构造历史温度特征张量,爬虫建筑物所在地的未来室外温度插值后按同样方法扩充数据为未来温度特征张量作为输入,衡量历史时间段与预测时间段中各输入参数的张量距离,找到最小值的索引及对应的纤维,逐小时输出预测时间段空调系统的室内温度及其供水温度.连续7日的预测数据表明:基于张量距离模型预测的室内温度与实际的温度差为0.46℃,比基于支持向量回归(SVR)模型预测的温度差(0.75℃)小,更接近实际温度;基于张量距离模型预测的供水温度与实际的温度差为2.08℃,可用作供水策略.     

基于LSTM神经网络的声纹识别

声纹识别利用说话人生物特征的个体差异性,通过声音来识别说话人的身份.声纹具有非接触、易采集、特征稳定等特点,应用领域十分广泛.现有的统计模型方法具有提取特征单一、泛化能力不强等局限性.近年来,随着人工智能深度学习的快速发展,神经网络模型在声纹识别领域崭露头角.文中提出基于长短时记忆(Long Short-Term Memory,LSTM)神经网络的声纹识别方法,使用语谱图提取声纹特征作为模型输入,从而实现文本无关的声纹识别.语谱图能够综合表征语音信号在时间方向上的频率和能量信息,表达的声纹特征更加丰富.LSTM神经网络擅长捕捉时序特征,着重考虑了时间维度上的信息,相比其他神经网络模型,更契合语音数据的特点.文中将LSTM神经网络长期学习的优势与声纹语谱图的时序特征有效结合,实验结果表明,在THCHS-30语音数据集上取得了84.31％的识别正确率.在自然环境下,对于3 s的短语音,该方法的识别正确率达96.67％,与现有的高斯混合模型和卷积神经网络方法相比,所提方法的识别性能更优.     

基于BERT的临床术语标准化

电子病历中的临床术语描述形式具有多样性和不规范性,阻碍了医疗数据的分析和利用,因此对临床术语标准化的研究具有重要的现实意义。当前国内医疗机构临床术语标准化主要由人工完成,效率低,成本高。该文提出了一种基于BERT的临床术语标准化方法。该方法使用Jaccard相似度算法从标准术语集中挑选出候选词,基于BERT模型对原始词和候选词进行匹配得到标准化的结果。在CHIP2019临床术语标准化评测任务的数据集上准确率为90.04%。实验结果表明,该方法对于临床术语标准化任务是有效的。     

通信距离约束下异构水下爬游机器人任务分配

为了保证执行任务的水下爬游机器人之间时刻保持信息交互,提出了一种带通信距离约束的异构水下爬游机器人集群任务分配方法;首先,建立了异构水下爬游机器人集群的任务分配数学模型;其次,分析了多水下爬游机器人通信距离、航程等约束条件;最后,采用蚁群优化算法对异构水下爬游机器人集群的任务分配问题进行求解,在满足约束条件情况下实现了多爬游机器人总航行距离最短;仿真验证了该方法在通信距离约束下实现多水下爬游机器人任务分配的有效性.     

基于LSTM算法的门座式起重机减速箱故障诊断研究

为实现门座式起重机减速箱机械故障的智能诊断和分类,运用长短期记忆网络构建了门座式起重机减速箱机械故障的自动诊断分类模型;首先设计并使用了基于labview的数据采集系统对门座式起重机的复合故障数据进行了采集,结合东南大学公开的齿轮箱故障数据建立了数据集;然后用数据增强的方法对数据进行预处理,接着采用长短期记忆神经网络,构建门座式起重机减速箱机械故障诊断模型;最后使用测试数据集对模型的诊断分类准确性进行了验证实验,结果表明该诊断模型能快速准确的对门座式起重机减速箱的机械故障进行自动诊断和分类,实现了96.8％的诊断分类准确率,与传统的基于CNN的诊断分类模型相比,准确率提高了4.1％,为下一步便携式智能诊断仪器的开发和应用奠定了一定的理论基础.