摘要：联邦学习是一种新兴的人工智能基础技术,其设计目标是在保障大数据共享交换时的信息安全、保护终端个人数据隐私、保证合法合规的前提下,在多参与者或多计算节点之间开展高效率的机器学习,有望成为下一代人工智能协同算法和协作网络的基础。对近期联邦学习的相关研究与成果进行了综合评述,并对未来发展趋势进行了展望。首先,从数据孤岛和隐私保护等两个角度介绍联邦学习的兴起背景,并概述联邦学习内涵与机理;随后,聚焦技术革新和标准化建设“双轮驱动”,概述联邦学习最新进展,并以公共文化服务领域为示范应用场景,介绍基于联邦学习技术的数据共享交换典型应用案例;最后,从通信费用高、统计异构性、系统异构性、隐私问题等四个角度讨论联邦学习面临的困难与挑战。

摘要：为了满足电机在线监测系统对现场交流信号采集的实时性与准确性要求,设计了一种基于ARM的数据采集传输系统。该系统以32位ARM Cortex-M4微处理器为核心,实现了对电机电压、电流、振动和温度的多路信号监测、报警;另外,还可以通过以太网与上位机通信完成数据的存储、传输与处理;利用Qt编写了上位机软件,实现了电机数据在线采集、显示等功能。

摘要：提出了基于自适应滤波的天文/惯性/北斗组合导航算法。分析了卫星几何构型对北斗导航系统定位精度的影响,提出了基于卫星可见星数目及卫星几何构型的自适应滤波方案;针对卫星拒止情形,设计了天文辅助的惯性/北斗紧组合导航方案;基于树莓派3B,构建了组合导航系统样机,通过动态试验进行测试分析。结果表明,提出的自适应滤波算法整体性能优于单独采用北斗导航系统及非自适应滤波算法性能,导航结果验证了组合导航系统样机硬件平台及导航算法的正确性及工程实用性。