摘要：云边端协同架构中数据类型多样,各级存储资源与计算资源存在差异,给数据管理带来新的挑战.现有数据模型或者数据模型的简单叠加,都难以同时满足云边端中多模态数据管理和协同管理需求.因此,研究面向云边端协同的多模态数据建模技术成为重要问题.其核心在于,如何高效地从云边端三层架构中得到满足应用所需的查询结果.从云边端三层数据的数据类型出发,提出了面向云边端协同的多模态数据建模技术,给出了基于元组的多模态数据模型定义,设计了6种基类,解决多模态数据统一表征困难的问题;提出了云边端协同查询的基本数据操作体系,以满足云边端业务场景的查询需求;给出了多模态数据模型的完整性约束,为查询优化奠定了理论基础.最后,给出了面向云边端协同多模态数据模型的示范应用,并从数据存储时间、存储空间和查询时间这3个方面对所提出的数据模型存储方法进行了验证.实验结果表明,所提方案能够有效地表示云边端协同架构中的多模态数据.

摘要：知识图谱是一种用网络结构存储知识的知识库,在知识图谱中,单条知识被表示成三元组的形式,即(头实体,关系,尾实体).得力于知识图谱在各个领域的广泛应用,面向知识图谱的图嵌入学习也得到越来越多研究人员的关注.面向知识图谱的图嵌入学习任务旨在为图谱中的实体与关系学习低维且稠密的向量,通过图嵌入向量表达实体与关系的语义信息以及度量实体之间、关系之间、实体与关系之间的语义联系,已有许多研究证明图嵌入模型在下游任务中的有效性.近年来,越来越多研究人员开始关注知识图谱的图嵌入学习,并取得大量的研究成果,尝试将图嵌入算法分成了基于转移思想、基于张量分解、基于传统深度学习模型、基于图神经网络以及融入额外信息的图嵌入学习共5大类,梳理、介绍各类图嵌入算法的设计思路、算法特征以及优缺点,以帮助指导初步接触该领域的研究人员快速学习了解该研究领域的相关模型和算法.

摘要：针对大数据查询领域中出现的由于查询负载随时间动态变化且难以有效预测所导致的数据库管理系统无法及时优化的问题,提出了一种基于新型时间序列预测模型的查询负载预测算法。首先,该算法采用过滤、时域间隔划分以及查询负载构造等技术对原始的历史用户查询进行预处理,得到便于网络模型分析处理的查询负载序列。其次,所提算法以时间卷积神经网络为核心构建时序预测模型,提取查询负载数据的历史变化趋势及自相关性特征,高效地实现时序预测;同时,融入设计的时域注意力机制,对查询负载序列进行重要性加权,保证模型的分析计算效率,提升算法的预测性能。最后,基于上述时序预测模型,充分利用查询间隔时间完成对未来查询负载的精确预测,使得数据库管理系统得以预先实现自身性能调优,以适应工作负载的动态变化。实验结果表明,设计的查询负载预测算法在多个评价指标中均表现出良好的预测性能,并且能够在查询时间间隔内更加精确地预测未来查询负载的变化。

摘要：全切片数字成像(whole slide imaging, WSI)是病理切片数字化的核心技术,其自动对焦的速度和精度决定了WSI系统的性能.然而,传统的自动对焦方法需要拍摄多张离焦子图像创建图像堆栈,或者需要复杂的硬件调制光学系统,从而限制了WSI在实际场景中的应用.本文设计了基于深度学习的数字病理扫描系统单次曝光自动对焦方法,对子图像逐个进行网络虚拟自动对焦,将单张离焦子图像通过网络直接生成准焦子图像.本方法仅需要在任意离焦距离下的单次曝光拍照即可,从原理上避免了重复的对焦运动和相机曝光过程.实验结果表明,本方法具有高通量、高速度、低成本、实用性强、可线下处理等优点.

摘要：在现代电子战中,雷达面临的干扰环境比以前更加复杂,机载干扰机会根据突袭任务与突袭阶段的不同而改变其干扰方式。近年来,基于强化学习的雷达抗干扰方法在单一干扰对抗场景下取得了一定进展,但在实际复杂多干扰场景下的研究仍有不足。为了解决该问题,本文提出了一种基于复数域深度强化学习的多干扰场景雷达抗干扰方法以优化频率捷变雷达的抗干扰策略。首先,针对突袭任务的阶段性特点建立了噪声瞄准干扰、距离假目标欺骗干扰与密集假目标转发干扰3种干扰模型,并设计了3种干扰顺序策略来模拟实际干扰场景。其次,针对多干扰场景模型,构建了一种融合信干噪比与目标航迹完整性的强化学习奖励函数,并针对干扰信号的复数域特征,提出了一种基于复数域深度强化学习的多干扰场景雷达抗干扰方法。最后,基于3种干扰顺序策略设计了雷达抗干扰仿真实验,结果表明,所提方法能够有效解决雷达面临的时序条件下复杂多干扰场景的主瓣干扰问题,与两种经典深度强化学习算法相比该方法抗干扰决策性能大幅提高,平均决策时间降低至405.3 ms。

摘要：针对高层建筑物排布在日照等多个指标的自动优化问题,提出了基于强化学习的高层住宅自动布局设计方法,根据建筑设计中的建筑设计防火,城市居住区规划设计等规范要求设计奖励函数。通过各建筑单体与环境的不断交互、训练学习,输出多个满足设定约束的布局方案。然后对方案中的建筑群进行基于傅里叶描述子的模式表示和自动聚类,提供去冗余后的多元典型设计模式,为建筑设计师提供设计参考。最后,在北京某地块的真实环境中验证了方法的可行性和有效性。

摘要：云制造模式下,随着海量制造资源的云化和用户需求的爆炸式增长,传统云制造平台在服务选择环节出现了计算能力不足、实时数据缺乏及数据安全难以保证等问题。为解决上述问题,提出一种基于区块链的新型云制造服务选择方法。该方法结合主客观权重分析技术设计分布式云制造服务选择模型,实现算力源的转移和去中心化,解决计算能力不足的问题;提出基于结果证明机制的双链区块链数据存储模型,保证云制造过程中不同时间段产生的合约数据和交付数据的实时性和安全性。实验结果表明,该方法能够同时提高云制造服务选择的速度和质量,并实现云制造数据实时且安全的存储,从而大幅提升生产制造效率。

摘要：基于视频的人群异常行为检测对提前发现安全风险、预防群体安全事故发生具有重要价值。针对人群异常行为事件的稀少性导致的无法直接充分学习异常样本的表示、异常事件检测精度低的问题,在变分自编码器基础上,提出一种基于预测的空时对抗变分自编码器(spatial-temporal adversarial variational autoencoder,STAVAE)视频异常检测模型,通过引入长短期记忆网络(long short-term memory,LSTM)和对抗网络模块,对正常样本视频序列的时间维度与空间维度进行联合特征表示与重构,减少了正常样本重建过程中的特征损失进而扩大了异常样本的预测损失,避免了对异常样本的依赖,实现了基于模型重构误差的人群逃散异常行为检测。在公开数据集UMN及采集视频数据集上进行对比实验,证明ST-AVAE模型在基于监控视频的人群异常逃散行为检测中均具有最优的检测精度和召回率,对抗网络模块显著提升了异常检测的性能。

摘要：随着区块链技术的发展,区块链的应用场景也不断丰富和复杂,而能够进行高效安全的跨链操作是区块链技术大规模落地应用的必备条件,因为不同区块链网络可以拥有不同协议和架构,造成不同区块链之间难以跨链操作。本文在研究已有的跨链技术的基础上,结合信任度评价的思想,设计基于委员会轮换机制的跨链数据整合方案,为跨链技术的研究提供一个新的解决思路。方案设计动态信任模型,引入遗忘机制,对信任随时间的变化进行建模;以节点的信任度为标准选举委员会成员,作为跨链消息传输媒介;同时,本文参考PBFT共识算法的思想设计了基于距离的消息验证机制,委员会成员通过基于距离的消息验证机制对消息进行验证和签名,达成一致。

摘要：目的基于超声弹性及血流向量成像(VFM)技术联合无监督聚类分析和有监督机器学习方法,实现肝心一体化的早期评估。方法采用观察性研究设计,在无任何干预的条件下,选取2021年12月至2022年9月哈尔滨医科大学附属第一医院收治的肝硬化患者45例,肝纤维化患者43例,健康志愿者42例。应用肝脏联合弹性技术及VFM技术分别获取受检者肝脏和心脏信息。对获取的数据进行标准化处理,借助拓扑数据分析(TDA)技术对处理后的数据进行聚类,再基于统计学分析评估聚类结果,最后通过机器学习方法实现有监督的多分类任务。结果依据受检者相似性网络分为5类,各类维度的平均表现为:与其他类别相比,类别1的整体肝心状况最差,类别2、3次之,而类别4则均为肝心正常的健康对照组;类别5较为特殊,此类受检者的肝脏状况不佳,但根据心脏舒张功能评估指南,其心脏表现并无明显的异常,只有少数指标显示出较大的偏差。应用支持向量机(SVM)、随机森林(RFT)、多层感知机(MLP)在测试集多分类任务中准确性平均值分别为70%、81%、84%。结论通过结合肝脏联合弹性、心脏VFM技术及TDA技术构建的患者相似性网络,成功识别出常规心脏指标未显现异常,而可能存在潜在心功能异常的肝纤维化患者,对于指导临床干预措施的选择和优化患者管理分层具有重要意义。