摘要：随着专线业务带宽的不断提升,大颗粒专线业务端到端造价评估变得愈发重要。以大颗粒专线业务端到端承载方式和经济评价理论为依据,提出了一种造价评估模型,并辅以案例分析。该模型全面考虑了主设备、管道、光缆和机房等成本,可以准确评估大颗粒专线业务的年均总成本费用,并对运营商定价进行指导。

摘要：互联网有三大盈利模式：电商、网游和广告，在中国这个P2P泛滥、免费思想当道的国家，网络广告则成为了众多互联网企业、媒体的盈利之道，Google战略及产品发展高级副总裁NealMohan认为，展示类广告市场目前的价值在200—250亿美元，并且将扩张至2000亿美元，这种增长也许需要经过一些时间，但完全是可能的。

摘要：为提高常规自动语音识别(ASR)系统的精度,提出基于隐式马尔可夫模型混合连接时间分类/注意力机制的端到端ASR系统设计方法。首先,针对可观测时变序列语音识别过程中存在的连续性强、词汇量大的语音识别难点,基于隐式马尔可夫模型对语音识别过程进行模拟,实现了语音识别模型参数化;其次,使用连接时间分类目标函数作为辅助任务,在多目标学习框架中训练语音识别过程的关注模型编码器,可降低序列级连接时间分类目标近似度,实现语音识别过程精度提升;最后,通过在自建语音识别库上的仿真实验,验证所提算法在识别效率和精度上的性能优势。

摘要：为解决复杂场景中的非均匀模糊问题,提出一种端到端的多尺度条件生成对抗网络用于图像去模糊。在生成器网络中,针对现有的基于分层级联方式的多尺度策略会导致网络规模过大的不足,提出一种多尺度残差模块,通过在单个块内构造分级连接和增加不同感受野分支的方式来提高多尺度特征提取能力;在多尺度残差块和瓶颈层之间添加跳跃连接,自适应地提取不同尺度的特征信息。实验结果表明,与其它去模糊方法相比,该方法在去模糊效果和处理速度上表现更优。

摘要：为解决卷积神经网络在中文语音识别中识别准确率低、鲁棒性差的问题,提出一种基于双路卷积神经网络的声学建模方法。利用多尺度学习方法提取多尺度特征信息;将软阈值非线性转换层和注意力机制进行融合后嵌入残差网络,减轻网络梯度问题,加强网络特征信息传递,提高特征学习效果;采用连接时序分类技术分类,简化语音识别流程。实验结果表明,该模型与传统识别模型相比,词错误率降低了7.52%,在3种噪声环境下,错误率也低于传统模型。

摘要：系统端到端仿真是辅助实际合成孔径雷达(Synthetic Aperture Radar,SAR)系统开发和指标分析验证的有效手段。针对目前星载SAR仿真方法存在的考虑实际工作状态少、多模式仿真代码冗余和系统可维护性差等问题,设计了一种模块化的端到端仿真方法,通过工作模式分解和模块组合复用的方法实现了多模式仿真。此外,相对于传统回波数据仿真,增加了收发通道、传输链路、模糊区、运动误差、天线方向图和数据格式化等描述实际载荷工作过程的物理模型,实现了多模式星载SAR全链路仿真。仿真结果表明,该方法能够有效地模拟实际多模式星载SAR数据,且模块化后的系统更易于后期维护和更新。

摘要：虽然3G网络的安全机制扩展到核心网络,但是并没有实现端到端安全.基于自生成证书公钥密码体制,设计一种端到端密钥协商协议,只需要一个消息交换就可以建立安全的三方会话密钥.安全性分析结果表明:基于移动网络的端到端密钥协商协议能够解决密钥管理及第三方无举证窃听,与其他密钥协商协议相比,具有较好的安全性,为端到端加密在移动通信系统中的大规模应用提供基础.

摘要：鉴于传统的织物染料配方设计流程耗时耗力,提出一种端到端的机器学习框架,从染色工艺参数自动预测产品颜色出发,为染料配方工作提供精准的理论指导。理论上,该框架可由任意有监督回归模型实现。采用多维支持向量回归机(multi-dimensional support vector regressor,M-SVR)或反向传播神经网络(back propagation neural network,BPNN)对织物的颜色进行回归分析和预测,并提出用遗传算法(genetic algorithm,GA)优化神经网络参数初始值,从而提高网络的优化效率。从山东省华纺股份有限公司提供的真实生产资料中选取8种关键工艺参数和两种光照情形下的织物颜色CIELAB值,对模型进行训练和性能评估。结果表明:该框架最低预测误差可达0.48;在相同训练条件下,GA初始化的神经网络比随机初始化的网络耗时更少。由此可见,该框架有助于降低染料配方的误差,提高工作效率。

摘要：为解决乌金印刷多字体藏文的文本识别以字丁识别为主、识别字体类别单一或较少、无法实现端到端的藏文文本行识别等问题,根据藏文文字的书写特点,在基于分割的文本检测方法DBNet上,对比在MobileNetV3和ResNet34两种骨干网络下CRNN、Rosetta和RARE这3种端到端的文本识别算法;提出一种将常用74个藏文字符作为端到端文字识别的转录字典策略,提出一个针对藏文文本识别的评价指标。实验结果表明,以ResNet34为骨干网络的CRNN文本识别方法在测试集上的综合表现最佳。

摘要：针对传统声学模型存在模型组件复杂且不能统一进行训练,数据必须进行预对齐的问题,提出基于一维门控卷积神经网络与CTC的中文端到端语音识别模型。通过堆叠多层一维卷积神经网络进行声学建模,提取包含上下文信息的高层抽象特征,融合门控线性单元减少梯度弥散,利用CTC算法实现以汉字字符作为建模基元的端到端训练和解码。在公开数据集上的实验结果表明,与基线模型相比,该模型语音识别性能有明显提升,字错误率降低了3.3%以上。