全信息理论在自动文摘系统中的应用

该文介绍了全信息理论提出的背景及其主要内容,并将其应用到一种智能业务──自动文摘系统中,设计实现了一个基于理解的、面向神经网络学习算法领域的中文９动文摘系统 Ｌａｄｉｅｓ。该系统综合利用语法信息和语义信息来理解原文的句法和含义,并通过语用信息制导,对原文进行文摘信息的过滤、提取和生成高质量的文摘。实验结果证明,这一方法是行之有效的。     

Cross-source Data Error Detection Approach Based on Federated Learning

With the emergence and accumulation of massive data, data governance has become an important manner to improve data quality and maximize data value. Specifically, data error detection is a crucial step to improve data quality, which has attracted wide attention from both industry and academia. At present, various detection methods tailored for a single data source have been proposed. However, in many real-world scenarios, data are not centrally stored or managed. Data from different sources but highly correlated can be employed to improve the accuracy of error detection. Unfortunately, due to privacy/security issues, cross-source data are often not allowed to be integrated centrally. To this end, this paper proposes FeLeDetect, a cross-source data error detection method based on federated learning, so as to improve the error detection accuracy by using cross-source data information on the premise of data privacy. First, a Graph-based Error Detection Model, namely GEDM, is presented to capture sufficient data features from each data source. On this basis, the paper then designs a federated co-training algorithm, namely FCTA, to collaboratively train GEDM by using different cross-source data without privacy leakage of data. Furthermore, the paper designs a series of optimization methods to reduce communication costs during federated learning and manual labeling efforts. Finally, extensive experiments on three real-world datasets demonstrate that (1) GEDM achieves an average improvement of 10.3% and 25.2% in terms of the $F1$ score in the local and centralized scenarios, respectively, outperforming all the five existing state-of-the-art methods for error detection; (2) the F1 score of the error detection by FeLeDetect is 23.2% on average higher than that by GEDM in the local scenario.     

骨架引导的网格模型圆柱面参数化

针对传统平面参数化不能直接对零亏格封闭模型参数化,而球面参数化较为适用于形态接近于球体模型的问题,定义了一种超圆柱面的参数域表示,并提出一种渐进的超柱面参数化算法,对于形态接近于圆柱或具有单支简单骨架的网格模型能够提供较小的几何形变;基于此,提出一种骨架引导的网格模型圆柱面参数化方法,能够对具有复杂骨架结构的网格模型实现全局参数化,它通过分块参数化由骨架信息得到的网格模型主体和分支,进而将分支圆柱面参数网格配准、优化并拼接至主体参数网格得到无缝的全局参数网格;对于人体和动物等具有明显骨架结构的网格模型,骨架引导的圆柱面参数化具有较小的几何形变.最后给出了实验结果,并展示了圆柱面参数化在约束纹理贴图中的应用.     

J2EE平台上基于共同建构的协同学习系统CSCL

计算机支持的协同学习(CSCL)是CSCW理论在当代网络教育领域的新应用,其实现可采用J2EE与EJB组件技术及B/W/D三层结构,对实现过程中的一些关键技术如EJB的创建与调用、并发控制技术、协同感知技术等的研究也具有很高的应用价值。     

公平非否认协议的有限状态分析

本文针对公平非否认协议给出了一种基于有限状态自动机的分析模型,并使用SPIN模型检测工具,对Zhou-Gollmann非否认协议进行了分析,结果发现该协议不满足公平性和机密性．为此对该协议进行了改进。     

基于Android平台的可视对讲系统的设计与实现

将Android手机操作系统用于嵌入式平台,提出一种基于Android平台的可视对讲系统设计方案。阐述了音视频编解码技术,并结合JNI、NDK技术、嵌入式软硬件平台对可视对讲方案进行实现。该系统可以用于楼宇对讲系统。     

燃料电池的模糊控制

在所有类型的燃料电池中,质子交换膜燃料电池因具有重量轻,效率高、电流密度大、工作温度低、启动速度快以及使用无毒性的固态电解质膜等优点近年来发展最快。针对这种燃料电池提出了一种模糊控制算法,改善了燃料电池的输出性能。有实验结果证明所提出算法的有效性。     

多通道高速实时数据采集与处理平台的设计

针对红外导引头多元信息探测和实时数据处理要求,设计了基于FPGA和DSP的多通道高速实时数据采集和处理平台;在该平台中,通过FPGA实现了DSP的引导、多通道高速A/D、D/A、大容量存储器(SDRAM和FLASH)和数字I/O等功能模块的无缝链接及逻辑控制;利用时序分配和EDMA(扩展的直接存储器访问)技术以及McBSP(多通道缓冲串口)和HPI(主机口),实现了FPGA和DSP之间实时传输与通信控制;实际应用表明在该平台中A/D与FPGA之间串行传输速率可达20MHz,FPGA与DSP之间串行传输速率可达70MHz,且平台运行稳定、可靠,满足了红外导引头的实时信号处理要求。     

基于GPU的精确串匹配算法综述

精确 串匹配是计算机领域的一个经典问题。在大数据时代,海量的数据给串匹配问题带来巨大的挑战。当前,GPU的应用得到学术界和工业界的广泛关注。近年,基于GPU的串匹配算法研究已成为学术界的焦点。为展示近年的研究,本文综述了基于GPU的精确串匹配技术,针对不同的算法和GPU架构介绍精确串匹配技术在GPU上的改进：不同算法的改进具有差异性,研究时需扩展具体算法,并比较上述算法的优缺点。最后对评测指标进行介绍,展望其发展趋势。     

声纹认证前端音频预处理SOPC设计

针对声纹身份认证一体化设计需求,基于SystemVue和Quartus Ⅱ平台,利用DSP Builder技术,在EP2C35F芯片上完成了用于声纹特征提取的前端音频预处理模块的SOPC设计。主要通过SystemVue设计数字音频滤波器参数,然后结合Simulink平台完成基于线性相位结构和分布式(DA)算法的低通滤波器结构设计,最后通过Signal Compiler转换为HDL语言完成设计。实验结果表明,系统可以有效限制音频信号的带宽,减少带外噪声;利用DSP Builder设计具有线性相位结构和DA算法的滤波器,设计周期短,占用逻辑资源少,其运算速度有很大提高;MATLAB理论计算也验证了设计的正确性。