国产欧美精品一区二区色综合,天天综合色网,午夜性刺激小说

云環(huán)境下國產(chǎn)可信根TCM虛擬化方案研究[通信與網(wǎng)絡(luò)][信息安全]

將可信計(jì)算技術(shù)應(yīng)用于云計(jì)算環(huán)境中是保證云安全的有效途徑。針對國產(chǎn)可信計(jì)算的可信根可信密碼模塊(Trusted Cryptography Module，TCM)只適用于單機(jī)平臺，無法為多虛擬機(jī)的云平臺提供安全可信性保障的問題，對TCM的虛擬化方案進(jìn)行研究，構(gòu)建云可信根(Cloud TCM，C-TCM)架構(gòu)。在C-TCM物理環(huán)境內(nèi)部構(gòu)造宿主可信根和虛擬可信根，分別為物理宿主機(jī)和虛擬機(jī)提供可信服務(wù)，同時(shí)在虛擬機(jī)監(jiān)視器層部署虛擬可信根管理機(jī)制，實(shí)現(xiàn)虛擬可信根對C-TCM硬件資源的共享。該方案可有效保證云平臺的安全可信性。

發(fā)表于：12/16/2020

基于圖像技術(shù)的EAN-13條碼識別系統(tǒng)設(shè)計(jì)[模擬設(shè)計(jì)][其他]

條形碼技術(shù)作為一種數(shù)據(jù)采集和自動識別技術(shù)應(yīng)用非常廣泛。為了更好地滿足應(yīng)用場景的自動化功能需求，利用圖像處理相關(guān)技術(shù)，對EAN-13條形碼識別的相關(guān)算法進(jìn)行了研究。首先，針對采集到的條形碼圖像進(jìn)行圖像預(yù)處理，包括圖像灰度化、基于Hough變換的圖像傾角矯正、目標(biāo)分割和圖像濾波；然后根據(jù)條形碼編碼的既定規(guī)則，采用平均值法和校驗(yàn)碼驗(yàn)證法對條形碼進(jìn)行譯碼；最后，利用MATLAB仿真軟件，設(shè)計(jì)了一個(gè)條形碼識別系統(tǒng)。通過實(shí)驗(yàn)驗(yàn)證，所設(shè)計(jì)的系統(tǒng)識別率可以達(dá)到99%以上，取得了很好的效果。

發(fā)表于：12/16/2020

基于C/S架構(gòu)的機(jī)場地理信息系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[模擬設(shè)計(jì)][智能交通]

近年來，隨著生活水平的提高，人們越來越多地選擇飛機(jī)作為長距離旅行的交通工具，因此對機(jī)場效率提出了更高的要求，機(jī)場信息化就成為了大勢所趨。而地理信息系統(tǒng)作為機(jī)場信息化的重要組成部分，對其研究和開發(fā)就成為了機(jī)場信息化建設(shè)的重要內(nèi)容之一。分析了當(dāng)前機(jī)場地理信息系統(tǒng)的技術(shù)現(xiàn)狀，針對其實(shí)時(shí)性差和安全性不高等問題，提出了一種基于C/S架構(gòu)的新型機(jī)場地理信息系統(tǒng)。該系統(tǒng)在中航油智慧加油改造項(xiàng)目中實(shí)現(xiàn)并得到成功應(yīng)用，具有實(shí)時(shí)性好、安全性高等特點(diǎn)。

發(fā)表于：12/16/2020

基于TrackRay的滲透測試平臺設(shè)計(jì)[其他][信息安全]

如何維護(hù)網(wǎng)絡(luò)信息安全一直是IT行業(yè)重點(diǎn)關(guān)注的問題。滲透測試是一種常見的網(wǎng)絡(luò)安全評估方法，由于滲透測試所采用的安全工具過于繁雜，因此設(shè)計(jì)一個(gè)基于TrackRay的滲透測試平臺，內(nèi)置有漏洞掃描器和Web服務(wù)接口，并集成和綜合多種安全工具的優(yōu)點(diǎn)，功能強(qiáng)大，簡便易用。特別是支持Java、Python、JSON等方式編寫插件，調(diào)用各種類型插件來進(jìn)行滲透測試，可移植性大大提高。經(jīng)試驗(yàn)結(jié)果表明，該滲透測試平臺搭建簡單方便，可運(yùn)用于Windows和Linux等系統(tǒng)，并且可以進(jìn)行靈活的編寫插件實(shí)現(xiàn)快速的Web安全漏洞檢測。

發(fā)表于：12/16/2020

基于非凸包的灌注區(qū)包絡(luò)自動擬合方法[其他][其他]

在微觀驅(qū)替實(shí)驗(yàn)中，往往利用玻璃刻蝕模型來觀察油水在巖心孔隙中的運(yùn)動過程。對實(shí)驗(yàn)中采集到的微觀驅(qū)替序列圖進(jìn)行分析研究，能夠?qū)︱?qū)替效果進(jìn)行定量計(jì)算。針對微觀驅(qū)替序列圖中灌注區(qū)數(shù)量不固定、形態(tài)特征不規(guī)則、圖像數(shù)量多等問題，提出了一種基于非凸包的灌注區(qū)包絡(luò)自動擬合方法。即先對灌注區(qū)點(diǎn)集進(jìn)行邊緣提取，再對灌注區(qū)進(jìn)行聚類分析，最后采用非凸包算法對每個(gè)灌注區(qū)提取包絡(luò)。結(jié)果顯示采用該方法得到的波及系數(shù)比傳統(tǒng)凸包算法具有更高的精確性，并可實(shí)現(xiàn)包絡(luò)擬合的自動化，具有比較高的應(yīng)用價(jià)值。

發(fā)表于：12/16/2020

公路視頻實(shí)時(shí)車輛檢測分類與車流量統(tǒng)計(jì)算法[模擬設(shè)計(jì)][智能交通]

公路視頻實(shí)時(shí)車輛檢測分類與車流量統(tǒng)計(jì)是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)經(jīng)典問題。傳統(tǒng)設(shè)置檢測帶法，易漏檢復(fù)檢，自動化性不好?；谏疃染W(wǎng)絡(luò)的one-stage算法實(shí)時(shí)性好，但是經(jīng)常會把變化的背景、運(yùn)動的非車輛物體納入其中，同時(shí)對光照變化敏感，夜間分類效果不好。因此，提出采用one-stage做目標(biāo)檢測，并不直接獲取分類結(jié)果，而是根據(jù)標(biāo)注框?qū)⑽矬w切割出來，去除背景，提升抗背景擾動性能和分類效果；再送入一個(gè)經(jīng)過遷移學(xué)習(xí)的淺層神經(jīng)網(wǎng)絡(luò)；將分類輸出和目標(biāo)檢測網(wǎng)絡(luò)的位置輸出合并送入一個(gè)全圖匹配算法，進(jìn)行車流量統(tǒng)計(jì)。該方法在保障實(shí)時(shí)性的同時(shí)降低了漏檢和復(fù)檢率。

發(fā)表于：12/16/2020

基于AHP的威脅情報(bào)網(wǎng)站價(jià)值評估方法[其他][其他]

威脅情報(bào)的采集是情報(bào)搜集工作中至關(guān)重要的一個(gè)環(huán)節(jié)，威脅情報(bào)網(wǎng)站是其重要載體。首先確定了威脅情報(bào)的價(jià)值特性，然后討論了利用層次分析法確定諸多模糊聚類因子的權(quán)重，并且應(yīng)用模糊綜合評價(jià)方法建立了模糊綜合評價(jià)方法的兩級模型，從而得到對威脅情報(bào)網(wǎng)站的客觀評估，方便用戶在搜集信息時(shí)進(jìn)行權(quán)衡。與其他方法相比該方法評價(jià)結(jié)果更具準(zhǔn)確性，具有較大的現(xiàn)實(shí)意義和應(yīng)用前景。

發(fā)表于：12/16/2020

基于改進(jìn)LeNet-5的形狀類似物體識別方法[人工智能][工業(yè)自動化]

針對深度學(xué)習(xí)在對外形類似物體的識別上存在著識別精度低、耗時(shí)長等問題，提出基于改進(jìn)的LeNet-5的識別方法。在傳統(tǒng)LeNet-5網(wǎng)絡(luò)基礎(chǔ)上，將卷積層變?yōu)殡p層非對稱卷積使網(wǎng)絡(luò)有更好的特征提取能力；通過批量歸一化提高網(wǎng)絡(luò)泛化能力；采用全局平均池化替代原Flatten層，用于克服傳統(tǒng)全連接層參數(shù)多、耗時(shí)長的缺點(diǎn)；通過對訓(xùn)練集進(jìn)行增廣增加訓(xùn)練樣本。實(shí)驗(yàn)結(jié)果表明，改進(jìn)LeNet-5網(wǎng)絡(luò)的訓(xùn)練精度達(dá)到91%，識別形狀類似物體的精度為87%，且能在較少迭代次數(shù)內(nèi)收斂，這些指標(biāo)均顯著優(yōu)于原網(wǎng)絡(luò)。

發(fā)表于：12/16/2020

卷積神經(jīng)網(wǎng)絡(luò)識別地基云圖的數(shù)據(jù)庫建立及處理方法[其他][其他]

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)具有非比尋常的從樣本中學(xué)習(xí)特征的能力，訓(xùn)練需要大量帶有標(biāo)簽的圖像樣本。因此，在使用卷積神經(jīng)網(wǎng)絡(luò)對地基云圖相關(guān)研究時(shí)，建立云圖樣本庫是第一步，也是非常重要的一步。首先，通過數(shù)碼相機(jī)直接拍攝、從互聯(lián)網(wǎng)上下載、從公開發(fā)行的云圖類書籍獲取以及由全天空照相機(jī)拍攝等手段獲取三個(gè)云圖樣本庫；接著，對三個(gè)樣本庫圖像的分辨率、噪聲、數(shù)量等問題進(jìn)行了分析；然后，采用雙線性插值和數(shù)據(jù)增強(qiáng)方法對樣本庫進(jìn)行歸一化預(yù)處理；最后，利用卷積神經(jīng)網(wǎng)絡(luò)、LBP、Heinle feature和Textonbased method三種方法對增強(qiáng)后的數(shù)據(jù)集進(jìn)行云識別分類驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，利用本文方法進(jìn)行增強(qiáng)數(shù)據(jù)可有效解決卷積神經(jīng)網(wǎng)絡(luò)對小樣本數(shù)據(jù)識別率不高

發(fā)表于：12/16/2020

基于Lucene的中文是非問答系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[模擬設(shè)計(jì)][其他]

針對中文是非問句，設(shè)計(jì)并實(shí)現(xiàn)了基于Lucene的問答系統(tǒng)，主要包括問句預(yù)處理、索引創(chuàng)建和答案整理三部分。問句預(yù)處理部分，引入句法成分權(quán)重和命名實(shí)體權(quán)重改進(jìn)TextRank算法，得到一種提取問句核心詞的方法。在索引創(chuàng)建部分，針對本地的多源數(shù)據(jù)進(jìn)行文檔融合創(chuàng)建索引，降低數(shù)據(jù)多樣性帶來的復(fù)雜度。在答案整理部分，對查詢索引結(jié)果進(jìn)行答案判決，輸出肯定或否定含義的答案。實(shí)驗(yàn)結(jié)果表明，數(shù)據(jù)融合能有效減少索引創(chuàng)建耗時(shí)，改進(jìn)TextRank的核心詞提取方法準(zhǔn)確率明顯高于TextRank，系統(tǒng)具有較為不錯(cuò)的性能。

發(fā)表于：12/16/2020

基于FTM和CSI的單站目標(biāo)跟蹤研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

WiFi技術(shù)在定位跟蹤領(lǐng)域得到了迅速發(fā)展和應(yīng)用，不僅可以通過精細(xì)時(shí)間測量(FTM)協(xié)議獲得到達(dá)時(shí)間，還能利用信道狀態(tài)信息(CSI)估計(jì)到達(dá)角，為單站目標(biāo)跟蹤提供了十分有利的條件。針對單站情況下到達(dá)時(shí)間和到達(dá)角的非線性跟蹤問題，提出了一種簡單有效的偏差補(bǔ)償卡爾曼濾波算法(BCKF)。該算法對非線性觀測方程進(jìn)行偽線性化，然后補(bǔ)償由偽線性化引起的估計(jì)偏差，實(shí)現(xiàn)更準(zhǔn)確的狀態(tài)估計(jì)。搭建WiFi測量平臺，并在室內(nèi)外兩種典型環(huán)境下進(jìn)行單站目標(biāo)跟蹤。實(shí)驗(yàn)結(jié)果表明，相較于其他非線性濾波算法，BCKF能以較低計(jì)算開銷實(shí)現(xiàn)更準(zhǔn)確的目標(biāo)跟蹤，在室內(nèi)外的80%跟蹤誤差分別不超過3.7 m和1.5 m。

發(fā)表于：12/16/2020

飛機(jī)舵機(jī)電液伺服系統(tǒng)智能PID控制方法研究[人工智能][智能交通]

針對飛機(jī)舵機(jī)電液伺服系統(tǒng)中PID控制器參數(shù)難以整定的問題，引入一種智能PID控制方法。該方法結(jié)合了粒子群算法和PID控制器的優(yōu)點(diǎn)，并利用蜂群算法的選擇策略對粒子群算法進(jìn)行優(yōu)化，適應(yīng)了飛機(jī)舵機(jī)電液伺服系統(tǒng)非線性動態(tài)控制環(huán)境的要求。實(shí)驗(yàn)結(jié)果表明，飛機(jī)舵機(jī)電液伺服系統(tǒng)智能PID控制方法能夠達(dá)到系統(tǒng)控制性能指標(biāo)要求，相較于傳統(tǒng)PID控制器具有更良好的跟蹤效果。

發(fā)表于：12/16/2020

基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測方法研究[人工智能][其他]

織物瑕疵檢測是控制織物產(chǎn)品質(zhì)量的重要步驟，傳統(tǒng)的織物瑕疵檢測方法檢測效率低，勞動強(qiáng)度大。因此，針對傳統(tǒng)檢測方法存在的問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的分類算法用于實(shí)現(xiàn)織物瑕疵檢測。網(wǎng)絡(luò)是在VGG16的基礎(chǔ)上進(jìn)行減枝，通過優(yōu)化網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)最優(yōu)結(jié)果。首先，由于織物瑕疵大小差別較大，提出將瑕疵邊緣作為檢測的目標(biāo)，這樣就可以將大尺度圖片分割為64×64的小尺度圖片用于網(wǎng)絡(luò)訓(xùn)練，既提高了網(wǎng)絡(luò)的分類準(zhǔn)確率，又解決了織物瑕疵圖像搜集困難的問題。其次，在測試過程中，提出對大尺度圖片進(jìn)行有重疊的分割，然后對分割后的圖片進(jìn)行分類，根據(jù)每張圖片的輸出標(biāo)簽和位置來實(shí)現(xiàn)大尺度圖片的瑕疵檢測。實(shí)驗(yàn)結(jié)果表明，本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)相比于傳統(tǒng)的VGG16和LeNet網(wǎng)絡(luò)結(jié)構(gòu), 具有檢測速度快、檢測精度高等優(yōu)勢。

發(fā)表于：12/16/2020

人工智能基礎(chǔ)軟硬件架構(gòu)的關(guān)鍵技術(shù)研究[人工智能][通信網(wǎng)絡(luò)]

針對當(dāng)前人工智能技術(shù)在軍用領(lǐng)域的應(yīng)用問題和難點(diǎn)，研究基于深度學(xué)習(xí)技術(shù)的軍用軟硬件架構(gòu)設(shè)計(jì)方法，并且結(jié)合業(yè)內(nèi)主流的軟硬件基礎(chǔ)架構(gòu)，分析在軍事應(yīng)用中涉及的關(guān)鍵技術(shù)和解決思路。通過對深度學(xué)習(xí)模型壓縮轉(zhuǎn)化、數(shù)據(jù)增強(qiáng)和分布式訓(xùn)練等軟硬件架構(gòu)的關(guān)鍵技術(shù)研究，設(shè)計(jì)構(gòu)建了一站式人工智能開發(fā)平臺、嵌入式邊緣智能計(jì)算平臺，對軍用人工智能提供端到端的訓(xùn)練、部署和測試支撐。該研究可為未來智能無人作戰(zhàn)系統(tǒng)提供軟硬協(xié)同的智能計(jì)算解決方案。

發(fā)表于：12/16/2020

基于改進(jìn)P-Unet模型的巖屑顆粒識別[人工智能][其他]

提出了一種基于改進(jìn)P-Unet模型的巖屑顆粒識別方法。該方法基于Unet模型結(jié)構(gòu)，運(yùn)用金字塔池化模塊聚合不同區(qū)域的上下文特征信息，以充分利用全局信息。改進(jìn)P-Unet模型采用了殘差網(wǎng)絡(luò)ResNeXt101，在提高巖屑顆粒識別準(zhǔn)確率前提下，減少了超參數(shù)數(shù)量。該模型采用了焦點(diǎn)損失函數(shù)，在一定程度上解決巖屑顆粒類別不平衡的問題，同時(shí)運(yùn)用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積，較大程度減少了網(wǎng)絡(luò)的參數(shù)以及預(yù)測的時(shí)間。實(shí)驗(yàn)結(jié)果表明，改進(jìn)P-Unet模型得到的識別準(zhǔn)確率對比同類先進(jìn)算法有一定的提升，對巖屑顆粒識別的結(jié)果更加準(zhǔn)確。

發(fā)表于：12/16/2020