基于时间敏感网络的列车通信网络研究及应用

[目的]TCN(列车通信网络)拓扑结构复杂而且对传输实时性要求较高,目前列车数据传输主要采用TRDP(列车实时数据协议)进行承载,但会存在网络时延不确定的问题,故研究采用TSN(时间敏感网络)保证数据传输的有界时延,来解决TCN面临的以上问题。[方法]提出了TTAM(一种TRDP与TSN自适应的方法),以实现TRDP与TSN的协议转换,保证列车数据在网络中传输的时间确定性。[结果及结论]通过搭建TSN测试台,对TSN网络功能及性能(IEEE 802.1 AS与IEEE 802.1 Qbv协议)进行测试,验证了TTAM在TSN技术应用中的有效性。

ORESP:基于有序回归的软件缺陷严重程度预测方法

为提高软件缺陷严重程度的预测性能,通过充分考虑软件缺陷严重程度标签间的次序性,提出一种基于有序回归的软件缺陷严重程度预测方法ORESP。该方法首先使用基于Spearman的特征选择方法来识别并移除数据集内的冗余特征,随后使用基于比例优势模型的神经网络来构建预测模型。通过与五种经典分类方法的比较,所提的ORESP方法在四种不同类型的度量下均可取得更高的预测性能,其中基于平均0-1误差(MZE)评测指标,预测模型性能最大可提升10.3%;基于平均绝对误差(MAE)评测指标,预测模型性能最大可提升12.3%。除此之外,发现使用基于Spearman的特征选择方法可以有效提升ORESP方法的预测性能。

一种变粒度缺陷报告严重程度预测方法

已有工作一般将缺陷报告严重程度预测问题建模为粗粒度分类问题(即二分类问题)或细粒度分类问题(即多分类问题),更细的预测粒度意味着对分类准确性提出更高的要求,因而预测性能通常会下降。通过有效利用粗粒度分类的高预测性能与细粒度分类更为精细的预测粒度,提出一种变粒度缺陷报告严重程度预测(variable granularity bug report severity prediction,VG-BSP)方法,VG-BSP方法首先对缺陷报告进行基于二分类的粗粒度划分,然后根据二分类的结果,选择对应的预测模型以预测出具体的严重程度(即基于多分类的细粒度划分)。为了验证VG-BSP方法的有效性,搜集了来自Eclipse的两个子项目JDT和CDT的缺陷报告和来自Mozilla项目的缺陷报告;并将VG-BSP方法与逻辑回归(logistic regression,LR)方法、K近邻(K-nearest neighbors,KNN)方法、决策树(decision tree,DT)方法、随机森林(random forest,RF)方法、支持向量机(support vector machine,SVM)方法等经典细粒度分类方法进行了对比。实验结果表明:基于macro-F1指标,VG-BSP方法的性能与已有的细粒度方法相比平均可提升19.6%。除此以外,使用LR分类算法和Spacy词向量可以使得VG-BSP方法取得最好的性能。

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题,提出一种基于深度学习的问题帖分类方法,采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型.实验结果表明,基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法,且使用的Adam优化器优于SGD优化器,使用Glove预训练的词向量优于使用随机生成的词向量.该方法以提问目的对帖子进行分类,可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度.

琥珀雕刻审美分析

琥珀雕刻的美丽在于它天然的图案、纹理及不同的颜色,如果再有一个技艺高超的雕刻者,非常容易使雕刻品浑然天成。传统的琥珀雕刻使用的手法一般都是具象或者符号化的展现,如今的琥珀雕刻以写实、意象、抽象等为主要表现形式,这使得雕刻者必须要了解其中包含的文化,尊重其文化内涵,而且还要与当代的特征相结合,保留传统手法的同时也要有创新,这就给琥珀雕刻的审美带来了极大的优势。

迷路的“飞虫”

近日看到一篇文章，题为《迷路的飞虫》，大意是这样的：一只飞虫钻进了作者的左耳，弄得他整个耳道里奇痒无比，非常难受。他想用挖耳勺把它掏出来，朋友说这样有可能逼飞虫往深处逃命，导致耳膜穿孔。朋友的妻子建议往左耳里倒进去一两滴食用油，把飞虫粘住或憋死，