摘要：为避免发生通信安全事故,提高通信网络传输成功率,提出基于分形机理的通信网拓扑脆弱性评估方法。将通信网络整体看作一个有权无向网络,通过网络连接矩阵分析节点之间的业务相关性,结合分形理论的相关性特征,计算分形维数,构建通信网拓扑传输模型,探究信息传输方式,提高评估准确性;通过富者俱乐部系数描述节点连接紧密度,凭借熵值探究网络节点有序性,将节点中心化程度、链路介数和传输延时作为脆弱性评估指标;根据通信分形模型,选取参与通信的节点与链路,在物理层与业务层双重约束下构建综合评估函数,实现拓扑脆弱性评估。仿真结果表明,所提方法可准确评估出不同攻击模式下通信网拓扑脆弱性,同时针对不同类型网络也能得到理想的评估效果。

摘要：为了能够对铺设在墙壁中的照明线路进行定位,采用现代电磁学理论以及单片机为代表的微机控制技术设计非接触式照明线路定位仪器。仪器主要有主控部分、电磁探测部分、显示部分、电源部分等组成。主控板以STC89C516单片机为控制核心,电磁探测部分以74HC14触发器构成电磁感应电路,显示部分运用LCD12864显示模块,电源部分运用LM2596的3A电流输出降压开关型集成稳压芯片。同时设计中考虑可能存在的各种干扰因素,采用了软硬件结合的抗干扰技术,提高了系统的稳定性。最后对系统进行了模拟性能测试,测试结果表明系统性能良好。

摘要：本文分析了我国政府网站建设的现状,指出其缺乏科学的指标体系来指导和规范。进尔结合实际情况提出了一个比较适合我国政府网站发展水平的评价方法——层次分析法:政府网站的评价指标体系设计为三级指标体系,建立递阶层次模型,并根据彼此的相对重要性赋予相应的权重,计算出网站的评价分值,给出评价的具体实施办法。

摘要：新冠肺炎(COVID-19)自爆发以来严重影响人类生命健康,近年来残差神经网络广泛应用于COVID-19识别任务中,辅助医生快速地诊断COVID-19患者,但是COVID-19图像病变区域形状复杂、大小不一,与周围组织的边界模糊,导致网络难以提取有效特征.本文针对上述问题,提出一种M^(3)Res-Transformer的新冠肺炎胸部X-ray图像识别模型,采用Res-Transformer作为模型的主干网络,结合ResNet和ViT,有效地整合局部病变特征和全局特征;设计混合残差注意力模块(mixed residual attention Module,mraM),同时考虑通道和空间位置的相互依赖性,增强网络的特征表达能力;为了增大感受野,提取多尺度特征,通过叠加具有不同扩张率的扩张卷积构造多尺度扩张残差模块(multiscale dilated residual Module,mdrM),根据不同层次特征尺度的差异,使用3个逐渐收缩尺度的mdrM进行多尺度特征提取;提出上下文交叉感知模块(contextual cross-awareness Module,ccaM),使用深层特征中的语义信息来引导浅层特征,然后将浅层特征中的空间信息嵌入深层特征中,采用交叉加权注意力机制高效聚合深层和浅层特征,获得更丰富的上下文信息.为了验证本文所提模型的有效性,在新冠肺炎胸部X-ray图像数据集上进行实验,与先进的CNN分类模型、融合不同注意力机制的ResNet50模型、基于Transformer的分类模型对比以及消融实验.结果表明,本文所提模型的Acc、Pre、Rec、F1-Score与Spe指标分别为96.33%、96.36%、96.33%、96.35%与96.26%,在COVID-19胸部X-ray图像识别任务中有效提升了识别精度,并通过可视化方法对其进行进一步验证,为COVID-19的辅助诊断提供重要的参考价值.

摘要：X光片对肺炎疾病的诊断具有重要作用,但其成像时易受噪声污染,导致肺炎疾病的影像学特征不明显和病灶特征提取不充分。针对上述问题,提出密集双流聚焦网络DDSF-Net的肺炎辅助诊断模型。首先设计残差多尺度块,利用多尺度策略提高网络对医学影像中不同尺寸肺炎病灶的适应性,采用残差连接提高网络参数的传递效率;然后设计双流密集块,采用全局信息流和局部信息流并行结构的密集单元,其中Transformer对全局上下文语义信息进行学习,卷积层进行局部特征提取,利用密集连接方式实现两种信息流的深浅层特征融合;最后,设计具有中心注意操作和邻近插值操作的聚焦块,利用裁剪医学影像尺寸来过滤背景噪声信息,利用插值对医学图像进行放大,增强病灶的细节特征。在肺炎X光片数据集中与典型模型进行对比,本文模型的准确率、精确率、召回率、F1,AUC值和训练时间分别为98.12%,98.83%,99.29%,98.71%,97.71%和15729 s,准确率和AUC值较密集网络分别提升了4.89%和4.69%。DDSFNet能够有效缓解肺炎影像学特征不明显和病灶特征提取不充分的问题,通过热力图和三份公共数据集进一步验证了本文模型的有效性和鲁棒性。

摘要：X光片中肺炎存在影像学特征不明显、病灶与周围组织对比不明显、边缘模糊等问题,因此,文中提出基于多分辨率注意密集网络的肺炎分类识别方法.深度融合浅层定位信息与深层语义信息,并构造多分辨率空间注意力门,对不同分辨率的深层信息与浅层信息进行语义式交互增强,在深浅层信息中建立病灶信息的相互依赖关系.此外,设计坐标频率注意力,以方向和位置互补的方式自适应地增强肺炎特征的表达.在ChestXRay2017等5份肺炎X光片数据集上的实验表明,文中网络在肺炎分类识别任务上性能较优,同时还具有公共肺炎数据集上的鲁棒性.