欧美喷潮久久久XXXXx,野外性史欧美K8播放,欧美精品videosse精子

萬物互聯(lián)無小事

雖然物聯(lián)網(wǎng)被廣泛寄予厚望，但對于企業(yè)來說，要建設(shè)和部署物聯(lián)網(wǎng)架構(gòu)，卻并非易事。為了實現(xiàn)萬物的智能互聯(lián)，物聯(lián)網(wǎng)逐漸形成了覆蓋云、管、邊、端的全方位體系架構(gòu)。其中，“云”指的就是云平臺，相當(dāng)于物聯(lián)網(wǎng)的神經(jīng)中樞；所謂“管”是指通訊方式；“邊”則是指邊緣計算，將機(jī)器學(xué)習(xí)引入邊緣計算，是打造智能化網(wǎng)絡(luò)的關(guān)鍵；而“端”指的就是物聯(lián)網(wǎng)中所謂的物，也就是設(shè)備節(jié)點(diǎn)。

發(fā)表于：12/16/2020

基于Wi-Fi信號的環(huán)境反向散射技術(shù)分析

環(huán)境反向散射技術(shù)給物聯(lián)網(wǎng)低功耗設(shè)備部署的商業(yè)化帶來了新的技術(shù)方案。首先簡要概述反向散射技術(shù)的分類和基本特點(diǎn)，然后基于Wi-Fi信號下的環(huán)境反向散射技術(shù)，分析反向散射的設(shè)備通過接收Wi-Fi報文及反射信號來傳遞信息的可行性，討論設(shè)備實現(xiàn)Wi-Fi雙向通信的硬件框架和軟件模塊結(jié)構(gòu)，介紹反向散射技術(shù)的應(yīng)用場景，并歸納該技術(shù)的挑戰(zhàn)和改進(jìn)方向。最后展望了基于Wi-Fi信號的環(huán)境反向散射技術(shù)的發(fā)展趨勢和研究方向。

發(fā)表于：12/16/2020

構(gòu)建智慧物業(yè)管理服務(wù)平臺大力推進(jìn)居住社區(qū)物聯(lián)網(wǎng)建設(shè)

新浪科技訊 12月15日午間消息，據(jù)住房和城鄉(xiāng)建設(shè)部官網(wǎng)12月15日消息，為推進(jìn)基于信息化、數(shù)字化、智能化的新型城市基礎(chǔ)設(shè)施建設(shè)，對接新型基礎(chǔ)設(shè)施建設(shè)，加快建設(shè)智慧物業(yè)管理服務(wù)平臺，補(bǔ)齊居住社區(qū)服務(wù)短板，推動物業(yè)服務(wù)線上線下融合發(fā)展，滿足居民多樣化多層次生活服務(wù)需求，增強(qiáng)人民群眾的獲得感、幸福感、安全感，住房和城鄉(xiāng)建設(shè)部等六部門發(fā)布《關(guān)于推動物業(yè)服務(wù)企業(yè)加快發(fā)展線上線下生活服務(wù)的意見》。

發(fā)表于：12/15/2020

交通部：鼓勵運(yùn)輸企業(yè)利用“互聯(lián)網(wǎng)+”信息化手段整合物流資源

冷鏈物流

發(fā)表于：12/15/2020

基于CNN-LightGBM模型的高速公路交通量預(yù)測

有效的交通流量預(yù)測對人們出行和交管部門監(jiān)管都有著重要的意義。傳統(tǒng)的交通量預(yù)測模型主要基于交通流的時間特性，未結(jié)合交通流的時間和空間特性進(jìn)行深入挖掘，因此預(yù)測效果有時不佳。提出了一種基于CNN與LightGBM結(jié)合的交通流預(yù)測模型，首先利用CNN模型挖掘出高速公路相鄰路段監(jiān)測點(diǎn)和出入口的時間和空間關(guān)聯(lián)性，實現(xiàn)對交通流數(shù)據(jù)的時空特征提取，然后將CNN提取到的特征向量輸入到LightGBM模型中進(jìn)行預(yù)測。為了驗證模型的有效性，實驗中使用了多種預(yù)測模型進(jìn)行對比，實驗結(jié)果表明，所提出的考慮到時空特性的CNNLightGBM組合的模型可以明顯降低預(yù)測誤差，是一種有效快速的交通流預(yù)測模型。

發(fā)表于：12/15/2020

基于GWO-SVM算法的物聯(lián)網(wǎng)入侵檢測研究

物聯(lián)網(wǎng)時代悄然而至，然而物聯(lián)網(wǎng)技術(shù)在給人們帶來方便的同時，其安全問題也日趨突出。針對物聯(lián)網(wǎng)存在的網(wǎng)絡(luò)入侵安全問題，提出GWO-SVM算法實現(xiàn)網(wǎng)絡(luò)入侵檢測?；依莾?yōu)化算法(GWO)具有收斂速度快、全局搜索能力強(qiáng)等優(yōu)點(diǎn)，將GWO用于優(yōu)化支持向量機(jī)(SVM)的參數(shù)選擇，有助于提升分類模型的準(zhǔn)確率。同時通過調(diào)整適應(yīng)度值函數(shù)，避免分類模型過擬合。在UNSW-NB15數(shù)據(jù)集上，將GWO-SVM分類算法與SVM、PSO-SVM、GA-SVM分類算法進(jìn)行對比，實驗結(jié)果表明，GWO-SVM算法具有更高的分類準(zhǔn)確率和性能，適用于物聯(lián)網(wǎng)環(huán)境下的網(wǎng)絡(luò)入侵檢測。

發(fā)表于：12/15/2020

基于混合注意力機(jī)制的表情識別研究

針對目前傳統(tǒng)人臉表情識別算法存在特征提取復(fù)雜、表情識別率低等問題，提出一種基于混合注意力機(jī)制的ResNet人臉表情識別方法。該方法把通道注意力模塊和空間注意力模塊組成混合注意力模塊，將混合注意力模塊嵌入ResNet殘差學(xué)習(xí)分支中。針對CK+人臉表情數(shù)據(jù)集過小問題，采用數(shù)據(jù)增強(qiáng)策略擴(kuò)充數(shù)據(jù)集。實驗結(jié)果表明，改進(jìn)后的ResNet在CK+數(shù)據(jù)集上表情識別準(zhǔn)確率為97.04%，有效提高了表情識別準(zhǔn)確率。

發(fā)表于：12/15/2020

一種融合注意力和記憶網(wǎng)絡(luò)的序列推薦算法

傳統(tǒng)基于協(xié)同過濾和矩陣分解的靜態(tài)表示推薦算法，不能很好地體現(xiàn)用戶的動態(tài)興趣。循環(huán)神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行序列推薦，但存在序列之間的長距離依賴性差、各項目的區(qū)分度差等問題。由此提出一種融合注意力和記憶網(wǎng)絡(luò)的序列推薦算法，根據(jù)Word2vec算法，引申item2vec和user2vec，初始化用戶和項目的固定表示嵌入矩陣，通過結(jié)合注意力機(jī)制和長短期記憶網(wǎng)絡(luò)(Long ShortTerm Memory,LSTM)解決序列之間的長距離依賴性差和區(qū)分度差問題。利用記憶網(wǎng)絡(luò)獲取用戶的動態(tài)鄰居，加強(qiáng)用戶的動態(tài)表示，實現(xiàn)更準(zhǔn)確的推薦。通過在MovieLens數(shù)據(jù)集上的實驗結(jié)果表明，所提出的算法相比其他算法推薦效果顯著提高。

發(fā)表于：12/15/2020

人民日報：“雙12”網(wǎng)聯(lián)處理網(wǎng)絡(luò)支付56.33億筆

本報北京12月14日電（記者葛孟超）記者14日從網(wǎng)聯(lián)清算有限公司獲悉：“雙12”大促期間，網(wǎng)聯(lián)平臺組織支付行業(yè)各方順利完成網(wǎng)絡(luò)支付交易峰值保障，支付清算系統(tǒng)平穩(wěn)運(yùn)行。

發(fā)表于：12/15/2020

電力物聯(lián)網(wǎng)信息安全防護(hù)技術(shù)研究

介紹了電力物聯(lián)網(wǎng)在配電網(wǎng)的應(yīng)用場景，總結(jié)了我國電力物聯(lián)網(wǎng)信息安全防護(hù)的發(fā)展歷程，分析了當(dāng)前電力物聯(lián)網(wǎng)信息安全應(yīng)用中存在的主要問題和解決電力物聯(lián)網(wǎng)信息安全的關(guān)鍵技術(shù)，最后提出了電力物聯(lián)網(wǎng)終端本體的信息安全防護(hù)的四道防線模型和實踐。

發(fā)表于：12/14/2020

一種支持工業(yè)物聯(lián)網(wǎng)故障檢測的混合互認(rèn)證方案

在工業(yè)物聯(lián)網(wǎng)（IIoT）中，工業(yè)機(jī)器人和員工在制造過程中扮演著非常重要的角色。一個安全、高效的工業(yè)機(jī)器人和員工認(rèn)證方案一直是研究熱點(diǎn)，并面臨諸多挑戰(zhàn)。例如，工業(yè)機(jī)器人和員工在身份驗證階段容易受到模擬和去同步攻擊。同時，控制中心很難找到不受控制的工業(yè)機(jī)器人。針對上述情況，提出了一種支持工業(yè)物聯(lián)網(wǎng)故障檢測的混合互認(rèn)證方案。分別為員工和工業(yè)機(jī)器人（IR）設(shè)計了基于橢圓曲線加密（ECC）的認(rèn)證和基于物理不可克隆函數(shù)（PUF）的認(rèn)證。使用了基于閾值的故障檢測，添加了禁用表以防止無授權(quán)員工訪問監(jiān)控和數(shù)據(jù)采集中心（SCDAC）。最后，分析論證了該方案的可行性和高效性。

發(fā)表于：12/14/2020

基于改進(jìn)VGG16的猴子圖像分類方法

為提高對細(xì)粒度圖像分類的準(zhǔn)確性和分類速度，提出基于改進(jìn)VGG16和遷移學(xué)習(xí)的圖像分類方法。首先從kaggle平臺中獲取十種不同猴子數(shù)據(jù)集，并對數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，包含圖片去椒鹽噪聲、將數(shù)據(jù)集轉(zhuǎn)換為TensorFlow中提供的統(tǒng)一TFRecord數(shù)據(jù)格式。然后遷移學(xué)習(xí)改進(jìn)的VGG16卷積神經(jīng)網(wǎng)絡(luò)，模型的優(yōu)化包括利用Swish作為激活函數(shù)、將softmax loss與center loss相結(jié)合作為損失函數(shù)以實現(xiàn)更好的聚類效果、采用性能完善的Adam優(yōu)化器。用訓(xùn)練集訓(xùn)練模型以確定微調(diào)參數(shù)信息，再用測試集檢驗?zāi)Ｐ蜏?zhǔn)確性。結(jié)果表明，該方法對猴子圖像分類的準(zhǔn)確度可達(dá)到98.875%，分類速度也得到了顯著提升。與其他傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型相比，該方法具有更高的準(zhǔn)確性和適用性。

發(fā)表于：12/14/2020

一種基于卷積神經(jīng)網(wǎng)絡(luò)的立體匹配算法設(shè)計

為了解決傳統(tǒng)立體匹配算法對立體圖像在低紋理以及遮擋區(qū)域匹配效果較差的問題，設(shè)計了一種端到端的基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的立體匹配算法。該算法采取了殘差卷積神經(jīng)網(wǎng)絡(luò)對圖像特征進(jìn)行提取，之后利用空洞空間金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模塊來獲取圖像的上下文信息，并結(jié)合多尺度的三維卷積神經(jīng)網(wǎng)絡(luò)對代價空間進(jìn)行規(guī)整，最終實現(xiàn)了高精度的立體匹配算法。所獲取的視差圖在KITTI2015測試平臺上的誤匹配率為2.42%，與幾何上下文(Geometry and Context,GC)網(wǎng)絡(luò)相比較，視差圖的精度提高了0.45%，且運(yùn)行時間縮短了一半。

發(fā)表于：12/14/2020

歐瑞博攜手Silicon Labs打造全新智能面板，改善智能家居體驗

中國，深圳 – 2020年12月11日 – 致力于建立更智能、更互聯(lián)世界的領(lǐng)先芯片、軟件和解決方案供應(yīng)商Silicon Labs（亦稱“芯科科技”，NASDAQ：SLAB）與AIoT智能家居設(shè)備、系統(tǒng)和解決方案供應(yīng)商歐瑞博（Orvibo）宣布雙方正在開展合作，歐瑞博利用Silicon Labs的Zigbee無線技術(shù)開發(fā)了全新系列的智能家居設(shè)備。包括最新MixPad X系列在內(nèi)的歐瑞博MixPad系列產(chǎn)品先后采用了Silicon Labs的Zigbee EFR32 MG21片上系統(tǒng)（SoC）解決方案，從而能可靠地將智能家居面板和開關(guān)與諸多應(yīng)用連接，包括照明設(shè)備、窗簾、暖通空調(diào)（HVAC）系統(tǒng)和家居安防設(shè)備。

發(fā)表于：12/14/2020

供應(yīng)鏈數(shù)字化轉(zhuǎn)型初探

　　供應(yīng)鏈?zhǔn)怯芍T多上下游企業(yè)因利益攸關(guān)而構(gòu)建。供應(yīng)鏈的形成和運(yùn)行具有買方驅(qū)動、自發(fā)構(gòu)建、協(xié)同作業(yè)、持續(xù)改進(jìn)等特點(diǎn)?，F(xiàn)如今競爭已從企業(yè)之間延伸到企業(yè)的供應(yīng)鏈之間，主要體現(xiàn)在三個維度，一是供應(yīng)鏈運(yùn)行效率高低；二是供應(yīng)鏈的持續(xù)優(yōu)化能力；三是對數(shù)據(jù)資源的匯聚和利用能力。打造一個服務(wù)于采購招標(biāo)和供應(yīng)鏈管理的信息化、數(shù)字化系統(tǒng)，其本質(zhì)是探討數(shù)字化如何賦能供應(yīng)鏈管理。深入研究用戶的業(yè)務(wù)場景，對底層架構(gòu)、技術(shù)路徑、產(chǎn)品形態(tài)以及運(yùn)行方式進(jìn)行高度統(tǒng)籌的“頂層設(shè)計”。數(shù)字化賦能必須聚焦供應(yīng)鏈伙伴企業(yè)的協(xié)同作業(yè)，以及可持續(xù)發(fā)展所依賴的資源，包括供應(yīng)商資源和數(shù)據(jù)資源的匯聚和利用。　

發(fā)表于：12/11/2020