1024欧美手机视频,欧美激情办公室aⅴ,国产日产欧美欧韩在线

基于參數(shù)約束的分支覆蓋符號(hào)執(zhí)行優(yōu)化算法[其他][其他]

發(fā)表于：12/14/2020 5:00:00 PM

直方圖移位安全可逆圖像水印算法的研究[其他][其他]

針對(duì)一些在數(shù)字版權(quán)保護(hù)和多媒體信息安全領(lǐng)域中，需要對(duì)嵌入的水印信息進(jìn)行加密來(lái)確保水印信息的機(jī)密性，提出直方圖移位安全可逆的圖像水印算法。對(duì)載體圖像的最大像素值和最小像素值分別進(jìn)行減一加一的操作，并且對(duì)該像素值進(jìn)行標(biāo)記，圖像預(yù)處理的方法，解決了嵌入水印信息時(shí)像素值修改產(chǎn)生的溢出問(wèn)題。利用祖沖之序列密碼算法(ZUC算法)對(duì)水印信息進(jìn)行加密。在水印嵌入階段，計(jì)算每個(gè)半平面像素的四鄰域、八鄰域的預(yù)測(cè)差值，來(lái)構(gòu)建二維直方圖，嵌入加密的水印。實(shí)驗(yàn)結(jié)果表明，算法能夠無(wú)損地恢復(fù)原始載體圖像，加密水印信息能夠正確解密，含加密水印圖像的峰值信噪比均達(dá)到50 dB以上；該方案具有良好的加解密效果，水印圖像具有很好的質(zhì)量和水印隱蔽性，算法具有可逆性，并且解決了像素溢出的問(wèn)題。

發(fā)表于：12/14/2020 4:56:00 PM

一種多架構(gòu)應(yīng)用軟件開(kāi)發(fā)及運(yùn)行方法研究與實(shí)現(xiàn)[其他][其他]

對(duì)國(guó)產(chǎn)基礎(chǔ)軟件運(yùn)行環(huán)境及運(yùn)行依賴庫(kù)進(jìn)行了研究，提出了一種多架構(gòu)應(yīng)用軟件開(kāi)發(fā)及運(yùn)行方法，并在FT1500A、X86(CPU)與麒麟(OS)相組合的兩類架構(gòu)環(huán)境上實(shí)現(xiàn)了該方法。運(yùn)行結(jié)果表明，該方法能夠提供良好的多架構(gòu)應(yīng)用軟件開(kāi)發(fā)及運(yùn)行服務(wù)，為國(guó)產(chǎn)基礎(chǔ)軟硬件生態(tài)的軟硬件適配、整體解決方案提供技術(shù)支撐。

發(fā)表于：12/14/2020 4:50:00 PM

支持眾創(chuàng)開(kāi)發(fā)的私有云平臺(tái)研究[其他][其他]

“支撐平臺(tái)+應(yīng)用/服務(wù)”是信息系統(tǒng)的典型架構(gòu)，在不同因素的驅(qū)動(dòng)下，支撐平臺(tái)和應(yīng)用/服務(wù)都處在不斷發(fā)展變化中，從而表現(xiàn)為信息系統(tǒng)的整體更新?lián)Q代。當(dāng)前，隨著業(yè)務(wù)需求和技術(shù)的不斷發(fā)展，“云+端”成為這一架構(gòu)的具體模式，并且表現(xiàn)出眾籌眾創(chuàng)的新型開(kāi)發(fā)形態(tài)。該平臺(tái)是一個(gè)基于國(guó)產(chǎn)基礎(chǔ)軟硬件生態(tài)、面向日常辦公和業(yè)務(wù)處理的私有云平臺(tái)，也是一個(gè)支持業(yè)務(wù)信息系統(tǒng)持續(xù)眾創(chuàng)發(fā)展的應(yīng)用生態(tài)服務(wù)環(huán)境。基于該應(yīng)用支撐平臺(tái)提出了一個(gè)支持眾創(chuàng)開(kāi)發(fā)的私有云平臺(tái)通用模型，并對(duì)該平臺(tái)的架構(gòu)、組成、主要特點(diǎn)及應(yīng)用等進(jìn)行深入研究。本文的成果能夠?yàn)槊嫦虮妱?chuàng)眾籌和持續(xù)集成的辦公及業(yè)務(wù)信息系統(tǒng)研發(fā)提供解決方案，同時(shí)為基礎(chǔ)軟硬件生態(tài)、私有云、微服務(wù)、容器等新技術(shù)在黨政機(jī)關(guān)辦公及業(yè)務(wù)領(lǐng)域的應(yīng)用提供參考和借鑒。

發(fā)表于：12/14/2020 4:43:00 PM

基于改進(jìn)VGG16的猴子圖像分類方法[人工智能][物聯(lián)網(wǎng)]

為提高對(duì)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(tái)中獲取十種不同猴子數(shù)據(jù)集，并對(duì)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(shí)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(cè)試集檢驗(yàn)?zāi)Ｐ蜏?zhǔn)確性。結(jié)果表明，該方法對(duì)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 4:36:00 PM

基于GPU并行優(yōu)化的網(wǎng)格參數(shù)化算法[其他][其他]

網(wǎng)格參數(shù)化是計(jì)算機(jī)圖形學(xué)、數(shù)字幾何處理領(lǐng)域的研究熱點(diǎn)，在動(dòng)畫、醫(yī)療、工業(yè)設(shè)計(jì)等領(lǐng)域中都發(fā)揮著重要作用。現(xiàn)有參數(shù)化方法主要思路是構(gòu)造一個(gè)高度非線性的全局優(yōu)化問(wèn)題，因此計(jì)算效率低，難以并行。提出了一種可并行、可擴(kuò)展的參數(shù)化算法。該算法通過(guò)引入輔助變量。然后使用交替方向乘子算法(Alternating Direction Method of Multipliers，ADMM)，迭代優(yōu)化每個(gè)面和每條邊上的子問(wèn)題得到參數(shù)化映射。為了驗(yàn)證算法模型的高效性，使用GPU加速，相比于現(xiàn)存單線程算法，本文算法因?yàn)楦叨炔⑿谢\(yùn)行時(shí)間縮短了至少百倍以上。

發(fā)表于：12/14/2020 4:33:00 PM

一種基于知識(shí)圖譜的工業(yè)互聯(lián)網(wǎng)安全漏洞研究方法[通信與網(wǎng)絡(luò)][信息安全]

　　工業(yè)互聯(lián)網(wǎng)安全問(wèn)題日益突出，對(duì)工業(yè)互聯(lián)網(wǎng)安全漏洞知識(shí)庫(kù)的深入研究是解決問(wèn)題的關(guān)鍵。為解決漏洞數(shù)據(jù)利用價(jià)值低、關(guān)聯(lián)分析手段欠缺、可視化程度不足等問(wèn)題，以工業(yè)互聯(lián)網(wǎng)安全漏洞庫(kù)為基礎(chǔ)，提出了構(gòu)建工業(yè)互聯(lián)網(wǎng)安全漏洞知識(shí)圖譜的方法，通過(guò)原始數(shù)據(jù)信息提取、關(guān)聯(lián)關(guān)系分析、數(shù)據(jù)存儲(chǔ)等手段，將知識(shí)圖譜導(dǎo)入到Neo4j圖數(shù)據(jù)庫(kù)，以實(shí)現(xiàn)高效存儲(chǔ)、查詢。從時(shí)間維度、空間維度、關(guān)聯(lián)關(guān)系維度進(jìn)行知識(shí)圖譜的分析，將查詢結(jié)果進(jìn)行了可視化展現(xiàn)。結(jié)果表明：提出的方法可以有效、直觀地展現(xiàn)工業(yè)互聯(lián)網(wǎng)安全漏洞數(shù)據(jù)的自身屬性與關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)漏洞數(shù)據(jù)內(nèi)在價(jià)值的深度挖掘。

發(fā)表于：12/14/2020 4:29:00 PM

國(guó)產(chǎn)平臺(tái)一體化測(cè)發(fā)指揮決策軟件研究[其他][其他]

針對(duì)在關(guān)鍵領(lǐng)域?qū)崿F(xiàn)國(guó)產(chǎn)化的需求，解決航天發(fā)射指揮過(guò)程中各系統(tǒng)數(shù)據(jù)互相獨(dú)立、智能化程度低、決策難等問(wèn)題，在采用基于國(guó)產(chǎn)化的基礎(chǔ)軟硬件平臺(tái)環(huán)境下，設(shè)計(jì)并實(shí)現(xiàn)了多系統(tǒng)集成的一體化測(cè)發(fā)指揮決策軟件，提出了基于插件的一體化軟件體系架構(gòu)，并對(duì)數(shù)據(jù)訂閱分發(fā)機(jī)制、顯示頁(yè)面快速定制、軟件性能優(yōu)化等關(guān)鍵問(wèn)題進(jìn)行了研究，對(duì)在國(guó)產(chǎn)化平臺(tái)下應(yīng)用軟件開(kāi)發(fā)有一定借鑒價(jià)值。

發(fā)表于：12/14/2020 4:24:00 PM

一種基于FPGA的多通道數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)[可編程邏輯][其他]

設(shè)計(jì)并實(shí)現(xiàn)了一種基于FPGA的四通道數(shù)據(jù)采集系統(tǒng)。系統(tǒng)由65 MS/s的模數(shù)轉(zhuǎn)換器AD9219實(shí)現(xiàn)對(duì)信號(hào)的高速采樣。為滿足采集數(shù)據(jù)實(shí)時(shí)存儲(chǔ)的要求，設(shè)計(jì)了高速、大容量的DDR2硬件電路和接口邏輯。采集數(shù)據(jù)可通過(guò)USB接口上傳至上位機(jī)，上位機(jī)負(fù)責(zé)數(shù)據(jù)的保存、處理和顯示，同時(shí)控制數(shù)模轉(zhuǎn)換器以直接數(shù)字合成的方式輸出波形。測(cè)試結(jié)果表明，系統(tǒng)運(yùn)行穩(wěn)定可靠，可靈活控制。該系統(tǒng)為高性能數(shù)據(jù)采集提供了一套包括軟硬件的整體解決方案，可以滿足低溫等離子診斷的要求。

發(fā)表于：12/14/2020 4:19:00 PM

一種基于卷積神經(jīng)網(wǎng)絡(luò)的立體匹配算法設(shè)計(jì)[人工智能][物聯(lián)網(wǎng)]

為了解決傳統(tǒng)立體匹配算法對(duì)立體圖像在低紋理以及遮擋區(qū)域匹配效果較差的問(wèn)題，設(shè)計(jì)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(duì)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(lái)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(duì)代價(jià)空間進(jìn)行規(guī)整，最終實(shí)現(xiàn)了高精度的立體匹配算法。所獲取的視差圖在KITTI2015測(cè)試平臺(tái)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(shí)間縮短了一半。

發(fā)表于：12/14/2020 4:03:00 PM