色织物工艺设计中劈花方法的探讨

色织物工艺设计中劈花方法的探讨在色织行业中，劈花是工艺设计中十分重要的项目之一。色织物往往花型、组织复杂，经色纱排列变化较大，根据花纹的组织、配色、穿综、插箱及几何形状等特点，可将其分为对称性和非对称性两种。非对称性花纹的劈花一般是无规律可循的，习惯...     

可控震源动态扫描技术及应用

交替扫描、滑动扫描和距离分离同步扫描是现今最常用三种可控震源高效扫描技术,且各有其优势和适用条件。由于三种扫描方式的技术特点、施工组织方式和资源需求量差别较大,以往采集施工时只能单独选用其中一种方式,制约了优势技术应用范围和施工效率的提高。为此,研发了可控震源动态扫描技术,它突破了以往可控震源激发仅考虑时间域变化的局限,首次引入空间域理念,通过建立时空关系联合时间域与空间域,从而将交替扫描、滑动扫描及距离分离同步扫描等方式综合考虑并运用,即可根据预设时空关系自由编组并切换扫描方式,使采集作业方式更灵活,施工效率显著提高,且进一步拓展了可控震源应用范围。     

一种车联网辅助积极性感知的空间众包任务分配框架

针对大多数空间众包(Spatial Crowdsourcing, SC)中任务分配算法缺乏考虑工人主观积极性的影响，提出了一种利用车联网(Internet of Vehicles, IoV)技术辅助积极性感知的SC任务分配框架(Task Allocation Framework in Spatial Crowdsourcing Based on Internet of Vehicles Assisted Positivity Sensing, IOV-SCA)来甄别消极工人并进行任务分配。IOV-SCA模型分为2个阶段：第1阶段利用部署在路侧单元上的Bi-PSM模型(Positivity Sensing Model Based on BiLSTM)来挖掘消极工人，旨在利用加入注意力机制的BiLSTM模型计算工作停滞时间并与给定阈值比较，从而辨别工人的积极性；第2阶段利用部署在云服务器上的PS-TAA算法(Task Allocation Algorithm Based on Positivity Sensing)进行任务分配，旨在激励工人的同时满足系统效用最大化。在真实数据集上进行大量对...     

基于贡献度证明共识机制的去中心化联邦学习框架

在大数据背景下,保证数据可信共享是数据联邦的基本要求.区块链技术代替传统的主从架构,可以提高联邦学习(federated learning,FL)的安全性.然而,现有工作中,模型参数验证与数据持久化所产生的巨大通信成本和存储消耗,已经成为数据联邦中亟待解决的问题.针对上述问题,设计了一种高效的去中心化联邦学习框架(efficient decentralized federated learning framework, EDFL),能够降低存储开销,并显著提升FL的学习效率.首先,提出了一种基于贡献度证明(proof-of-contribution)的共识机制,使得区块生成者的选举基于历史贡献度而不采用竞争机制,从而有效发避免了挖矿过程产生的区块生成延迟,并以异步方式缓解模型参数验证中的阻塞问题;其次,提出了一种角色自适应激励算法,因为该算法基于节点的工作强度和EDFL所分配的角色,所以能够激励合法节点更积极地进行模型训练,并有效地识别出恶意节点;再者,提出一种区块链分区存储策略,使得多重局部修复编码块(local reconstruction code)可被均匀地分布到网络的各个节点...