基于光电转台全局运动补偿与YOLOv3网络模型的运动目标检测算法

传统的动目标检测算法存在受噪声干扰大、背景建模时间长、无法识别目标类型等问题,并且背景建模等方法对全局运动存在限制要求.针对上述问题,提出新的运动目标检测算法,采用YOLOv3模型对观察序列中的视频进行检测,获得连续帧的目标识别结果;通过光电转台位置信息估算全局运动,对连续帧目标进行匹配获取一致性关系;计算目标像素速度与目标运动程度估值,判定目标运动状态.以车辆目标视频图像为研究对象,试验表明：算法在英伟达TX2与NX平台实现部署,单帧处理时间分别达到140 ms、36 ms,实现对多个运动目标的实时正确检测,并获取目标像素速度与运动方向等运动信息.     

基于目标场法的磁共振成像小尺寸射频线圈设计

为得到分辨率较高的实蝇磁共振图像(MRI),将目标场法引入小尺寸射频(RF)线圈设计,设计了一种磁场均匀性较好、适合实蝇磁共振成像的小尺寸圆柱体射频线圈。首先采用目标场法求出线圈表面的电流密度分布,利用流函数将电流密度离散为Fourier级数;然后基于Tikhonov正则化的方法,引入最小曲率惩罚函数和最小化电流密度的散度惩罚函数,解决了积分方程的高度病态问题,获得了线圈的绕线形状和感兴趣区域(ROI)内的磁场强度。结果表明,2种惩罚函数对应的惩罚因子λ1和λ2均会对线圈的绕线形状和磁场分布均匀性造成影响;对于不同尺寸的线圈,其合适的λ1和λ2的取值不同。因此,选取λ1和λ2时应综合考虑线圈绕线结构和磁场分布均匀性的要求。     

塔里木油田井漏特征及堵漏技术进展

针对塔里木油田井漏现象的普遍性、多变性和复杂性等特点,亟待找出针对井漏的行之有效的堵漏技术。通过对已有堵漏技术的现场应用和相关文献调研,并在对塔里木油田的井漏特征研究的基础上,重点分析了塔里木油田常用堵漏技术的特点、应用及其适应性,为今后的堵漏提供借鉴。     

安全高效的加密数据朴素贝叶斯训练和分类

云外包为大规模数据上的机器学习任务提供有力支撑的同时也带来了数据隐私泄漏的风险.本文旨在通过加密保护外包数据隐私并在加密数据上高效实现安全朴素贝叶斯训练和分类.现有安全朴素贝叶斯方案大多考虑的是外包训练好的贝叶斯模型以及预测阶段的计算任务.虽有少量工作考虑了同时在外包数据上完成朴素贝叶斯模型训练和分类,但这些工作在安全性和效率方面存在不足.本文结合somewhat同态加密算法、SIMD (single-instruction multiple data)技术和混淆电路提出了一个新的加密数据安全朴素贝叶斯训练和分类方案.本文在不影响正确性的前提下对朴素贝叶斯算法进行转换,设计了相应的明文编码方式避免计算过程出现数据溢出,并提出了新的交互协议在外包加密数据上安全批量地实现了朴素贝叶斯模型训练和分类所需的运算.提出的方案在保护外包数据集、朴素贝叶斯模型、待分类样本和分类结果的隐私的同时有效降低了计算和通信开销.本文在半诚实模型下证明了提出方案的安全性,并且通过实验验证了提出方案的有效性.