摘要：引入基于推广B样条的等几何分析方法对二维弹性问题进行边界元分析.首先使用推广B样条表示待分析的问题域,可以精确地表示待求域的圆弧边界;然后使用边界积分方程对边界未知量求解,将求得的位移通过细分方法插值到边界上;最后通过重心坐标法求得域内解,减少计算复杂度,提高了计算的精确度.分片测试及其他实例结果证实了该方法的有效性.

摘要：随着水下生物抓取技术的不断发展,高精度的水下物体识别与分割成为了挑战。已有的水下目标检测技术仅能给出物体的大体位置,无法提供物体轮廓等更加细致的信息,严重影响了抓取效率。为了解决这一问题,标注并建立了真实场景水下语义分割数据集DUT-USEG,该数据集包含6617张图像,其中1487张具有语义分割和实例分割标注,剩余5130张图像具有目标检测框标注。基于该数据集,提出了一个关注边界的半监督水下语义分割网络(US-Net),该网络通过设计伪标签生成器和边界检测子网络,实现了对水下物体与背景之间边界的精细学习,提升了边界区域的分割效果。实验表明:所提方法在DUT-USEG数据集的海参、海胆和海星3个类别上相较于对比方法提升了6.7%,达到了目前最好的分割精度。

摘要：通过几何观察,指出一条曲线上的最近点是另一条曲线的等距曲线与该曲线的切点这一事实,同时提出基于等距思想的方法来求解2条平面代数曲线间的最近距离.该方法几何意义明显,可同时用来计算代数曲线/参数曲线间的最近距离.对于平面二次曲线,采用文中方法得到的单变量多项式方程次数比已有类似方法中结果方程的次数更低,从而可以降低方程求解的计算复杂度或提高求解的稳定性.

摘要：针对车联网传统信誉机制存在的集中式信誉服务器不可信、威胁用户隐私及检测范围单一等问题,提出区块链架构下具有隐私保护的车联网信誉模型.基于区块链技术,设计分布式可信的车联网信誉更新模型.采用多密钥全同态加密算法实现评价数据的加密与计算,降低用户隐私泄露的风险.设计回溯时间间隔自适应调整策略,防止恶意车辆基于信誉更新特性绕过检测.仿真结果表明,该方案能够有效地保护用户隐私,对不同环境下的恶意车辆都能够保持较高的检测率和较低的误报率.与传统方案相比,该方案针对车辆恶意行为的检出率提高了32%.

摘要：病态情形的求交问题中,求交对象的判定以及如何精确求解交点是其中的两大难点.文中讨论了直线和直线、圆、平面NURBS曲线等病态情形下的求交问题,提出了基于曲线束理论的求解方法.该方法借助于曲线束中的一条曲线,将病态情形的求交判定问题转化为非病态的情形,从而在无交的情形下可以通过简单的方法准确地得出无交的结论,在相交的情形下转化为可以精确求解的非病态问题.最后通过实例说明了该方法求解结果的稳定性与精确性.

摘要：深度神经网络(deep neural network,DNN)已广泛应用于人类社会的许多领域.大规模的DNN模型可显著提高识别精度,然而在单个GPU设备上训练大规模的DNN模型需要耗费大量的时间.因此,如何借助分布式深度学习(distributed deep learning,DDL)技术,在GPU集群上并行地训练多DNN模型已受到工业界和学术界的广泛关注.基于此,提出一种面向GPU集群的动态资源调度(dynamic resource scheduling,DRS)方法,解决异构带宽环境下具有截止时间要求的多DNN任务调度问题.具体来说,首先基于Ring-AllReduce通信方式构建资源-时间模型,以衡量DDL任务在不同资源方案下的运行时间;然后基于截止时间需求构建了资源-性能模型,以实现高效的资源利用;最后,结合上述资源-时间和资源-性能模型设计了DRS算法,为多DNN任务训练实现资源方案决策.在DRS算法中融入最近截止时间原则进行实际资源分配,并利用资源迁移机制减少调度过程中出现的资源碎片场景的影响.在4个NVIDIA GeForce RTX 2080 Ti的GPU集群上的异构带宽的实验表明,DRS相较于对比算法提升了39.53%的截止时间保证率,并在调度过程中GPU集群节点的资源利用率达到了91.27%.

摘要：针对Brands电子支付体制在电子货币被重复使用时所存在的安全漏洞,即获取同一电子货币不同支付信息的攻击者可以以用户的身份重复使用该货币,通过引入知识的零知识证明以及概率加密等工具,提出了一个新的公正电子货币系统的设计方案,实现了在货币被重复使用时的强不可伪造性。同时该系统即使在银行或用户密钥被泄露时,仍然可以保证整个系统的安全性。其安全性基于随机Oracle模型和限制性盲签名假设。

摘要：RGB-Depth(RGB-D)显著性目标检测是一项有意义且具有挑战性的任务,基于现有卷积神经网络检测方法在简单场景中获得了良好的检测性能,但不能有效应对背景信息混乱,深度图质量低和目标轮廓复杂的情况.为应对上述问题,本文提出了一种跨模态融合和边界可变形卷积引导的RGB-D显著性目标检测方法.首先,本文以Swin-Transformer为特征提取器,分别对RGB模态与深度图模态进行特征提取,并通过跨模态注意力增强特征模块对两种模态特征进行融合以挖掘显著物的共性与互补特征.接着将提出的相邻多尺度特征增强模块嵌入编码器深层,以获得丰富的全局上下文特征信息,更精准地定位显著物的位置.然后通过构建一个边界特征提取解码器(U-Net架构)生成显著物的边界线索图,并重复采用跨模态融合特征确保生成显著物边界的完整性.最后,本文设计了一个边界可变形卷积引导模块,使用边界线索图与可变形卷积引导跨模态融合特征进行解码以得到更加准确的显著图.通过在6个公开基准数据集上与25种主流方法相比较,本文所提模型在多个指标上均有较明显的提升,从而证明了本文方法的有效性.

摘要：针对传统高光去除方法对梯级图像高光去除表现不佳问题,提出了一种基于条件生成对抗网络的梯级图像高光去除方法(multi-scale spatial dense gradient cascade generative adversarial network,MSDGC-GAN)。该方法设计了一种空间上下文密集模块(spatial contextual feature dense block,SCFDB)能够深度提取像素行与列之间的空间背景信息。此外,设计了一种多尺度梯度级联结构以弥补网络下采样中的尺度特征损失,并且该结构能够赋予模型多尺度鉴别能力同时稳定训练梯度分布。在分析了经典双色反射模型基础上,将最大漫反射度估计应用于损失函数以监督网络训练。实验结果表明,该方法在经典高光数据集和自制梯级高光图像数据集中表现均优于对比方法。

摘要：在移动Ad Hoc网中,由于节点以及网络拓扑结构的动态性,服务组合性能往往比在静态网络环境中更不稳定。为了提高服务组合的可靠性,大量的研究工作关注最小化服务组合的中断次数以及服务组合的重组,而对于在服务进行组合之前就预先判断服务的可靠性的研究较少。本文旨在利用移动预测技术结果,在服务组合使用之前寻找具有较低失效风险的服务组合方案,提出了失效风险模型以衡量服务组合的可靠性,并且在该模型的基础上设计了3种算法用于求解服务组合。本文还进行了相应的实验来评估所提出算法的特点。