基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

瑶族女性头饰所反映的艺术元素在旅游文创产品设计中的应用

瑶族是我国的一个历史悠久的少数民族,瑶族女性的头饰是瑶族女性服饰的重要组成部分,具有极高的艺术水平和民族特色.现通过对瑶族头饰的起源、社会功能和艺术内涵等方面的分析,提炼出瑶族头饰的艺术元素的点、线、彩、法,并以此为依据设计了一组文创作品.将这些与众不同的瑶族头饰元素融入旅游文创产品设计中,不仅能促进旅游文化产业的发展,还能推进瑶族文化的传承与创新.     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

面向老龄化社会的产品服务系统设计赋能

目的 针对面向老龄化社会的产品及产品服务系统设计,将赋能的设计理念和价值引入其中,探索设计结果提升老年人能动性和参与性的赋能品质,为设计师开展设计赋能实践提供参考.方法 以设计教学中的学生设计方案作为研究材料,邀请设计研究者参与工作坊,对设计结果的赋能属性进行分析,并通过聚类获得类别化的设计属性,产生了能描述赋能品质的属性词汇表.结果 总结了包含5组形容词组的设计赋能品质集,这一集合包含"顺应性"和"激励性"两个面向.结论 研究结果为设计师进行老龄化设计提供了知识参考,有助于提升设计师的赋能意识.揭示了设计赋能充满矛盾性的品质,提出面向老龄化的设计赋能需要在"顺应"和"激励"之间找到平衡.     

开展安全生产教育培训工作的重要意义

生产经营单位安全生产工作关系着企业的利益、员工的利益,体现着企业的社会责任,反映着企业的社会形象。安全生产工作一直是党和政府十分关切的问题,是生产经营单位工作的重中之重。建材工业是国民经济重要的基础性产业,已形成门类比较齐全、产品基本配套、面向国际国内两个市场的完整工业体系。建材行业基本生产方式是窑炉作业和矿山开采,具有产品门类多、市场涉及面广、生产工艺繁杂、专业技术多样、作业条件艰苦、高温作业危险因素多和易发生事故的特点。     

记录美景,一部X60 Pro即可--带着vivo X60 Pro打卡渝中半岛网红景点

2020年年末,vivo推出了影像旗舰级产品X60系列中的“标准杯”X60和“大杯”X60 Pro。发布会后不久,我们拿到了采用三星5nm工艺的三星Exynos 10805G移动平台、第二代微云台、蔡司认证镜头以及全新Qrigin OS的vivo X60 Pro。对于这款影像旗舰产品,我们认为唯有走出去拍照才能有更好的体验。因此,我们选择了重庆渝中半岛网红景点一日游。     

指掌易签约深圳机场 助力用户安全高效开展移动业务

日前,指掌易签约深圳宝安国际机场(下称“深圳机场”),该签约项目通过部署指掌易移动业务智能安全管理平台,针对性地解决深圳机场日益增长的App应用管理及安全问题,进而帮助客户实现移动业务安全高效的开展。该项目负责人表示,在深圳机场的项目需求发布后,对比了市场上主流的安全厂商,指掌易凭借良好的客户口碑和强大的技术实力成功中标。该项目在机场信息化建设中属于创新型项目,没有过多案例参照,需要在不断调研和摸索实践中发现该平台的亮点和定位。在这个过程中指掌易方案满足项目需求,且项目实施期间服务团队的专业表现令人印象深刻,为日后的深度合作打下了很好的基础。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。