摘要：为准确聚类海量云数据,提出一种基于密度峰值的海量云数据模糊聚类算法。将含有噪声的云数据采用BP神经网络分离,将输出的噪声利用奇异值分解重构,获取联合算法输出的噪声,将带有噪声的云数据和输出噪声相减,得到去噪后的云数据。将密度峰值和优化后的模糊聚类算法相结合,自适应形成初始聚类中心,确定聚类数量,最终实现海量云数据模糊聚类。实验结果表明:本文算法获取的聚类效果和聚类效率明显优于其他算法。

摘要：目的:新印象派作品和数字成像有着相似的画面组织形式,点彩表现的笔触与像素一样作为最基础的离散单元构成整个画面.这一离散风格的历史成因在既往的图像学研究中往往侧重分析画家创作的个人动机与绘画史的前后关联,尚未关注画家的科学技术背景如何间接促成点彩风格的诞生.文章旨在通过数字技术脉络分析这一表现风格的历史成因.方法:文章从符号学和谱系学的角度探究新印象派作品背后的离散性成因.首先通过引入表象、失真的探讨,区分新印象派作品中信息学和符号学的两个维度;同时从符号角度分析离散表现的视觉性成因;最后从视觉性成因出发,探究从学院派到印象派再到新印象派的风格转变中,笔触作为一种媒介逐渐离散化的历史性原因.结果:在"学院派—印象派—新印象派"的转变过程中,承载信息的媒介逐渐离散化,其原因有三:第一,离散性媒介直接作用在人的身体层面,当时的人们逐渐意识到视觉的复杂性,用零散的笔触构建画面,迎合了这种认识;第二,创作者对表象的认识加深,同时其创作观念受用数字表示世界万物的毕达哥拉斯主义的影响;第三,技术的进步也为这种媒介的诞生提供了支撑,得益于化工化的颜料生产技术和标准化的生产工艺技术,工业化的颜料生产直接参与到新印象派的创作中.结论:在传统的图像学分析之外,谱系学视角强调促成离散性媒介诞生的权力和知识背景,从考察结果可以看出,新印象派中离散化表现的历史成因分别在于生理、意识及社会生产三个方面,确实存在数字化的脉络.

摘要：为充分发掘文本序列中潜层语义关系信息,提出一种实体和关系联合抽取的潜层关系增强模型SREM(text subtext relationship enhancement model)。在潜层关系表示层利用结构化对齐的方式,获取并保持文本序列中的语义信息结构。在融合注意力机制的关系网络层中对数据进行建模,提高模型对文本词汇间关系信息的捕获能力。结合注意力机制获取细粒度语义信息,对上下文信息进行选择过滤。实验结果表明,在数据集NYT和WebNLG上取得的F1值分别为92.40%和92.52%,验证了模型的有效性。

摘要：为有效改善粒子群算法进化后期收敛速度慢,克服易陷入局部极值的缺陷,提出一种自适应免疫粒子群算法并在面向路径的测试数据生成中得到应用。本文提出自适应的惯性权重的调整方法和学习因子的调节策略,加快算法的搜索速率;引入免疫算法中的免疫算子,提出抗体的浓度调节机制,使得粒子群的多样性更加丰富,提升算法的寻优能力;通过免疫选择操作,避免算法的早熟收敛;以分支函数叠加法构造适应度函数。实验结果表明,该算法避免了粒子群算法早熟收敛现象的发生,有效地提高了测试数据自动生成的效率。

摘要：针对DDPG(deep deterministic policy gradient)在线训练过程中陷入局部极小值及产生大量试错动作和无效数据的问题,提出一种基于离线模型预训练学习的改进DDPG算法。利用已有数据离线训练对象状态模型和价值奖励模型,提前对DDPG中动作网络和价值网络进行预训练学习,减少DDPG前期工作量并提升在线学习的品质。加入DDQN(double deep Q-Learning network)结构解决Q值估计偏高问题。仿真结果中获取平均累积奖励值提升了9.15%,表明改进算法有效提高了DDPG算法效果。

摘要：随着信息技术产业的发展和物联网设备数量的增长,物联网安全防御的难度与复杂度不断上升,针对物联网与供应链的重大安全事件时有发生,这些事件揭示了物联网供应链安全管理的复杂性.目前存在许多信息安全公开知识库可用于物联网安全威胁分析,但知识库的异构性使威胁评估十分困难.对多个信息安全知识库进行研究,将防御方所关注的安全知识来源与攻击者的战术、技术和攻击模式整合成一个统一的关系映射链接图知识库,并导入威胁情报,旨在利用已披露的威胁事件来提升物联网安全威胁要素评估能力.提出了一个物联网供应链风险分析本体RIoTSCO,并以此模型为基础设计了物联网安全下的推理规则,利用本体的表达能力建立物联网安全领域知识之间的语义关系,以解决多源知识的语义异质性问题.同时,在一个物联网环境示例中基于所提方法进行安全评估,自动化推理缓解措施以应对威胁事件,并描绘威胁事件所能波及到的上下游供应链情报全貌.

摘要：红外与可见光图像融合可以生成包含更多信息的图像,比原始图像更符合人类视觉感知也有利于下游任务的进行。传统的基于信号处理的图像融合方法存在泛化能力不强、处理复杂图片融合性能下降等问题。深度学习有很强的特征提取能力,其生成的结果较好,但结果中存在纹理细节信息保存少、图像模糊的问题。针对这一问题,文中提出一种基于多尺度Swin-transformer和注意力机制的红外与可见光图像融合网络模型。Swin-transformer可以在多尺度视角下提取长距离语义信息,注意力机制可以将所提特征中的不重要特征弱化,保留主要信息。此外本文提出了一种新的混合特征聚合模块,针对红外和可见光图像各自的特点分别设计了亮度增强模块和细节保留模块,有效保留更多的纹理细节和红外目标信息。该融合方法包括编码器、特征聚合和解码器三部分。首先,将源图像输入编码器,提取多尺度深度特征;然后,设计特征聚合融合每个尺度的深度特征;最后,采用基于嵌套连接的解码器重构融合后的图像。在公开数据集上的实验结果表明本文提出的方法对比其他先进的方法具有更好的融合性能。其中在客观评价指标中EI、AG、QP、EN、SD指标达到最优。从主观感受上,所提红外和可见光图像融合方法能够使结果中保留更多的边缘细节。

摘要：为了降低实时地形绘制任务中遥感纹理图像的装载时间,提出一种基于矢量量化的自适应遥感纹理压缩解压算法.基于人类视觉特性优化设计了量化器的纹理块相似度函数,并根据图像特性设计了基础阈值的自动计算方法,可通过自动调节局部阈值来适应遥感图像纹理复杂、局部差异性大的特点;对码字在逻辑邻域内进行优化处理,提高了码书的质量;对索引信息设计了支持随机访问的压缩方法,保证对压缩后索引信息的随机访问.为提高压缩解压速度,充分考虑图形硬件的并行特性,设计了高效的并行算法.实验结果表明,该算法能够在保证压缩率的基础上形成重构质量较好的压缩数据,并且对不同图像都能取得较好的压缩效率;利用图形硬件大幅提高处理速度,完全满足绘制对纹理解压的实时性要求.

摘要：《高等学校课程思政建设指导纲要》要求高校在注重专业知识和技能培养的同时,还要注重在工学类专业课中强化学生工程伦理教育。因此,高校课程教学需要将专业知识与思政元素有效结合,并在课程考核中加入思政元素,以改变传统的教学模式,提升教师的思想政治修养。本研究结合工科课程的特点,以Java程序设计课程为例,深入剖析其在融入思政元素过程中存在的问题,提出将思政元素有效融入专业课教学的方案,在课程内容改革、教学目标完善、教学方法实施和教学效果评价等方面进行了实践探索,为实现专业课与思政元素相融合提供了研究与实践依据。

摘要：针对当前多模态模型不能充分挖掘图像中非显著区域的空间关系和上下文间的语义关系,导致多模态关系推理效果不佳的问题,提出了一个基于跨模态多维关系增强的多模态模型(multi-dimensional relationship enhancement model,MRE),用于提取潜层结构下图像各要素之间的空间关系信息,并推理出视觉—语言间的语义相关性。设计了特征多样性模块用于挖掘图像中与显著区域相关的次显著区域特征,从而增强图像空间关系特征表示。同时设计了上下文引导注意模块来引导模型学习语言上下文在图像中的关系,实现跨模态关系对齐。在MSCOCO数据集上的实验表明所提模型获得了更好的性能,其中BLEU-4和CIDEr分数分别提升了0.5%和1.3%。将这种方法应用到视觉问答任务中,在VQA 2.0数据集上性能得到了0.62%的提升,证明了该方法在多模态任务方面的广泛适用性。