城际（区域）轨道交通与大都市区新兴城镇协调发展案例研究

本文首先对城际（区域）轨道交通的概念、功能及发展现状作出阐述,再以沪宁城际铁路为研究对象,通过实地调研和数据资料的收集,分析沪宁城际铁路沿线站点开发建设、土地利用、运营状况对客流的影响作用,并建立评价体系,对铁路可行性研究报告和城市总体规划编制进行分析,提出综合解决方案,从而达到促进城际铁路良性发展及大都市区新兴城镇协调发展,实现“一日生活圈”的目的。     

无线网络邻近图综述

网络拓扑结构可由邻近图表述,定义其为一个包含点集V和边集E的图,某有向边(u,v)属于该图当且仅当点v位于点u的邻城内,这个邻域是在某事先定义的邻近测度作用下产生的.回顾了迄今为止一些重要图结构,内容主要集中在5个方面,包括邻近图的定义或概念、构造算法、图例、隶属关系、拓扑参数,还谈到进一步的研究方向.     

社会感知多副本车载自组织网络机会路由协议

为提高车载自组织网络(vehicular Ad hoc networks, VANETs)中消息投递的效率, 提出了一种社会感知多副本车载自组织网络机会路由协议(SAMOR)。协议结合了车载自组织网络中节点的社会性特点和多副本路由方案的优势, 采用携带—存储—转发的机会路由方式进行消息投递。利用节点间的相遇历史区分社区节点和全局节点, 并使用所提出的节点社区中心性和网络中心性的度量方法, 得到了节点的效用。在路由过程的扩散阶段, 节点间按效用分配副本, 在转发阶段, 副本继续向效用高的节点转发。仿真结果表明, SAMOR实现了较高的消息投递成功率和较低的延迟。     

用高新技术改造传统技术管理——SmarTeam在湖电PDM项目中的应用

人们希望借助计算机把大量的图纸和技术资料有效地管理起来,一旦企业对这些数据缺乏有效的管理和版本控制,就会造成数据十分混乱,甚至造成很大的损失,而产品数据管理系统(PDM)正是解决这些问题的根本途径。     

基于Pro/E实现Y系列钢板机座自顶向下设计

介绍利用Pro/E及其编程技术实现Y系列钢板机座自顶向下设计,通过Pro/Program进行机座设计的二次开发,提高了产品设计的效率。     

基于IXA的MPLS实现策略

MPLS（Multi-Protocol Label Switch）是一个简化了网络中数据转发的复杂度工业标准,实现了交换技术的转发特性且保留了网络层路由的灵活性与扩展性。MPLS并不是链路层和网络层的合并,而是在网络层和链路层之间定义了一个封装,但是MPLS的实现却是一个问题;IXA是为适应现代高速网络的产物。解决了如何将任务繁重的网络转发功能从通用CPU中解放出来,利用专有的网络处理器来提高转发性能。在IXA上实现MPLS是迎合现代网络发展趋势的一种思路。     

基于图卷积神经网络的位置语义推断

挖掘位置社交网络(LBSNs)中的签到数据背后所蕴藏的信息是城市计算、智慧城市的重要研究方向,其中一个关键的任务是推断位置语义。位置语义因其在位置检索、位置推荐、数据预处理等领域的广泛应用而受到越来越多的关注。现有的推断方法倾向于手工提取位置的时空特征或用户签到活动的时空模式训练分类器进而推断位置语义。然而,提取有价值的时空模式或时空特征是一项困难的任务。该文提出一种新的基于图卷积神经网络的位置语义推理模型(SI-GCN)。SI-GCN利用node2vec和变分自编码器来学习位置的空间和时间特征。构建用户?位置访问二部图,利用图卷积神经网络来捕获用户签到活动中的高阶信息。此外,SI-GCN引入自注意力机制区分用户?位置访问二部图中不同邻居节点的贡献。SI-GCN在两个真实签到数据集上的实验表明,SI-GCN比现有3种算法具有更好的推断性能。     

汽车SMC外饰塑料件涂装生产线分析

介绍了上汽依维柯红岩商用车有限公司的SMC外饰塑料件涂装生产线,分析了其工艺流程及相关设备系统等的特点,并剖析了其优缺点,期望对从事SMC塑料件涂装生产线设计规划的人有所帮助。     

空间众包中的位置隐私保护技术综述

群众外包(crowdsourcing,简称众包)是互联网发展带来的新的商业模式,依赖大量的工作者完成任务。许多众包任务都是在线完成的,其中存在一类特殊的任务依赖于用户实际的位置信息,这类依赖于用户实际位置信息的众包通常被称为空间众包。近年来,随着移动设备和无线网络的迅速发展,传感器能够更加精确的获取用户的位置、移动速度和方向等信息,空间众包中用户的位置隐私安全问题日益凸显。本文集中介绍空间众包的基本概念,工作流程以及已有空间众包平台中的位置隐私保护问题,并以此为基础详细阐述了空间众包中基于差分隐私、空间匿名以及加密技术的三种主流的隐私保护模型。最后总结并展望了我们未来的研究方向。     

在线增量极限学习机及其性能研究

针对在线学习中极限学习机需要事先确定模型结构的问题,提出了兼顾数据增量和结构变化的在线极限学习机算法。算法于在线序列化极限学习机的基础上,通过误差变化判断是否新增节点,并利用分块矩阵的广义逆矩阵对新增节点后的模型进行更新,使模型保持较高正确率。通过在不同类型和大小的数据集上的实验表明,所提算法相较于经典极限学习机及其在线和增量学习版本都具有较好的分类和回归准确率,能够适应不同类型的数据分析任务。