领略“科技之心”

科技在德国的普及之深是德国的工业在世界上独领风骚的最重要原因。位于慕尼黑伊萨尔河中央小岛上的德意志博物馆是世界上最大的科技博物馆,由德国工程师奥斯卡·冯·米勒于1925年建成并对外开放,博物馆展览内容涵盖了汽车、飞机、     

Agent方法在基于HLA的作战仿真系统中的应用

在HLA框架下,以RTI作为联邦执行的底层支撑系统,通过引入Agent,提出一种扩展的联邦成员设计实现方法———Agent联邦成员,提高了仿真对象模型的智能决策能力,加强了计算机生成兵力建模技术中联邦成员的互操作性,并为系统智能性提供了足够支持,降低了系统耦合性。     

2014年9月份塑料市场点评

美联储维持联邦基金利率目标0~0.25%不变;缩减每月QE购买规模100亿美元,达到150亿美元。美联储预计10月结束资产购买,重申QE结束后相当长时间保持高度宽松。美联储对"相当长时间"的阐述,缓解了市场对美联储可能提早加息的担忧,目前市场预计美联储于明年夏天首次加息。表1示出2014年9月份国内塑料市场涨跌榜。     

面向联邦学习的6G大规模物联网资源跳跃多址方案

随着移动设备的广泛应用和大数据的快速增长,联邦学习作为一种在分散数据环境中进行机器学习的新兴范式,吸引了越来越多的关注。同时,5G/6G均将大规模物联网场景作为其核心场景之一,以通过实现大规模设备连接来完成未来海量分散数据的实时传输。因此,6G大规模物联网可以为联邦学习中海量终端的数据处理提供有力支撑。多址技术是6G大规模物联网实现海量连接的关键,现有研究提出了多种面向大规模物联网的新型多址方案,其中资源跳跃多址方案考虑信道资源的跳跃,通过给不同用户分配不同的资源跳跃图案从而实现海量用户接入。提出了资源跳跃多址与联邦学习的结合方案,将联邦学习客户端的通信信道划分为多个子信道,然后根据其数据特征和计算资源分配资源跳跃图案。结果表明,所提出的结合方案不仅能够提高联邦学习模型的训练速度,而且能够有效保护用户数据的隐私。     

批量归一化的自适应联邦学习算法

针对联邦学习模型在训练过程中出现的客户端漂移以及协变量偏移的问题,提出一种基于批量归一化的自适应联邦学习算法。该算法融合参数自适应更新与批量归一化。在迭代的过程中,客户端本地模型通过自适应参数不断优化,从而缓解客户端漂移。通过批量归一化约束模型复杂度,算法收敛速度显著加快。使用时装数据集以及图像10分类数据集分别在卷积神经网络以及多层感知机网络模型上进行实验。结果表明,相较于经典的联邦平均算法,提出的算法在提升精度的同时加快了30%以上的收敛速度。在非独立同分布的数据实验中,该算法在设备低参与率的情况下也能够达到预期的效果。     

智能物联网时序数据分析关键技术研究综述

智能物联网是人工智能和物联网的结合,通过人工智能技术处理物联网产生的海量数据,提供智慧化的分析和决策,从而提升数据的实用价值。智能物联网被广泛应用于智慧城市、智慧医疗、智能家居、无人驾驶等多个领域。时间序列数据是智能物联网中最重要的数据类型之一。时序数据泛指一切随时间有序变化的数据集合。智能物联网各种应用场景产生的海量监测数据多以时序数据的形式存在。智能化的时序数据分析技术,包括时间序列分类、聚类和异常检测等,是支撑智能物联网应用的重要基础。本文对智能物联网时序数据分析中重要程度高、需求迫切的关键技术问题进行总结和分析,并进一步探讨未来的研究方向。     

基于FedAvg的山林火灾扑救行动兵力预测模型构建方法

以夏秋季极端高温山林火灾扑救行动为研究对象,以分布式机器学习为理论基础对任务中气温及机动兵力的建模和预测进行研究。首先提出一种基于联邦平均算法(Federal Average Algorithm, FedAvg)的模型构建方法,从更贴近任务实际、更加精细的角度对各任务方向的最高气温及机动兵力数量进行定量预测;其次通过引接政府公共资源平台及作战数据库中多区域气温和机动兵力,在各数据客户端不互传数据的情况下,通过聚合不同客户端参数共同训练全局模型达到预测目的,为各数据源无法共享环境下分析数据、使用数据提供理论支撑。     

隐私计算在卫生健康行业的应用与安全研究

医疗健康数据难以安全共享、开放与利用是阻碍当前卫生健康行业信息化发展的最重要因素之一。研究探讨了卫生健康行业在数据共享与利用的实际应用场景下面临的困境,提出了隐私计算在各应用场景下的应用方案,并根据实际需求给出了对应场景下隐私计算模型安全的建议。     

基于车雾环境的联邦学习动态隐私保护方案

当前已经有研究将雾环境与联邦学习结合应用在车联网隐私保护中,但是缺乏对车辆移动性可能导致隐私需求改变的问题的考虑。为此,文中基于区域内车辆终端数目,提出了在不同的隐私需求下实施不同的隐私保护和效率调整的方案,在同态加密方案中进行双重加密聚合并且动态调整本地迭代次数,在差分隐私方案中动态调整每轮云聚合与雾聚合次数。实验表明,在区域内车辆终端数不同的情况下,本方案满足在隐私计算的同时保持较高精度。     

基于联邦卷积神经网络的鱼类检测系统

由于鱼类数据的多样性以及应用的广泛性,为了进一步提高鱼类检测的效率,以及在处理鱼类图片时提取到更高维的特征来提高鱼类检测的准确率,将卷积神经网络与联邦学习相结合,将鱼类图片数据按照非独立同分布的形式分发给用户。用户在本地训练模型,并将训练好的模型参数上传到云端,云端将完成模型参数的聚合与更新,并将更新好的参数返回到用户的终端,各个用户开始下一轮训练。以此过程来训练网络,并模拟联邦学习的过程。最后,用联邦卷积神经网络、联邦学习以及卷积神经网络分别对野生鱼类数据集上鱼类图片进行图像检测与识别,并将结果做对比。结果表明,联邦卷积神经网络模型最终的分类准确率为33.3%,传统的联邦学习的准确率为26.67%,Resnet50的准确率为87.97%,可以看出联邦卷积神经网络的分类准确率远高于传统的联邦学习。并且联邦卷积神经网络模型在训练轮数较少的情况下就可以得到较好的实验结果。联邦学习作为分布式计算的重要组成部分,它提供的快速模糊化处理以及数据独立的特性,为鱼类分类的效率和数据保护提供了有力保障。卷积神经网络也提高了联邦学习的学习效率。这使得提出的联邦卷积神经网络分类系统相比于传统的联邦学习在分...