基于区块链技术的电网数据隐私保护与共享方法

针对传统电表数据在传输、存储和共享过程中存在的被篡改和隐私泄露等问题,研究了基于区块链的电网数据隐私保护方法。将区块链技术与Paillier同态加密方法相结合,进行数据的隐私保护与共享;在智能电表端直接对数据进行加密,以防数据被恶意窃听;由台区智能终端聚合台区内电力数据密文,然后上传至云端。在传输过程中,对数据密文进行哈希计算后上链存证,以防止数据被篡改。为提高加解密过程的计算效率,使用中国剩余定理分解了原算法中的模指数运算。经过测试,在满足安全性的前提下,不同的密钥长度加解密计算效率可提升50%~75%,可以满足在边端中直接使用密文数据进行动态定价、电费结算、异常分析等操作的要求。

融入三维语义特征的常识推理问答方法

现有使用预训练语言模型和知识图谱的常识问答方法主要集中于构建知识图谱子图及跨模态信息结合的研究,忽略了知识图谱自身丰富的语义特征,且缺少对不同问答任务的知识图谱子图节点相关性的动态调整,导致预测准确率低。为解决以上问题,提出一种融入三维语义特征的常识推理问答方法。首先提出知识图谱节点的关系层级、实体层级、三元组层级三维语义特征量化指标;其次,通过注意力机制动态计算关系层级、实体层级、三元组层级三种维度的语义特征对不同实体节点间的重要性;最后,通过图神经网络进行多层聚合迭代嵌入三维语义特征,获得更多的外推知识表示,更新知识图谱子图节点表示,提升答案预测精度。与QA-GNN常识问答推理方法相比,所提方法在CommonsenseQA数据集上的验证集和测试集的准确率分别提高了1.70个百分点和0.74个百分点,在OpenBookQA数据集上使用AristoRoBERTa数据处理方法的准确率提高了1.13个百分点。实验结果表明,所提出的融入三维语义特征的常识推理问答方法能够有效提高常识问答任务准确率。

基于深度强化学习的WRSN动态时空充电调度

高效的移动充电调度是构建长生命期、可持续运行的无线可充电传感器网络(WRSN)的关键之一.现有基于强化学习的充电策略只考虑了移动充电调度问题的一个维度,即移动充电器(MC)的路径规划,而忽略了充电调度问题中的另一维度,即充电时长调整,因而仍然存在性能限制.提出一种基于深度强化学习的WRSN动态时空充电调度方法(SCSD),建立充电序列调度和充电时长动态调整的深度强化学习模型.针对移动充电调度中离散的充电序列规划和连续的充电时长调整问题,使用DQN为待充电节点优化充电序列,并基于DDPG计算并动态调整序列中待充电节点的充电时长.通过分别从空间和时间两个维度的优化,在避免节点缺电失效的同时,所提出的SCSD可实现充电性能的有效提高.大量仿真实验结果表明,SCSD与现有的几种有代表性的充电方案相比,其充电性能具有明显的优势.

基于BoBGSAL-Net的文档级实体关系抽取方法

文档级实体关系抽取的主要任务是提取文档中实体之间的关系.相较于句内实体关系提取,文档级实体关系抽取需要对文档中多个句子进行推理.为了解决文档中不同实体之间的复杂信息交互问题,提出一个混合提及级图MMLG(Mixed Mention-Level Graph)策略,用于拟合文档中不同实体之间的复杂信息交互,提高模型对于文档级实体关系的感知能力.此外,为了应对实体关系中存在的关系重叠问题,构建了实体关系图ERG(Entity Relation Graph)模块,该模块融合了路径推理机制,主要针对实体间的多个关系路径进行推理学习,更准确地识别提及级节点实体及关系.通过将MMLG策略与ERG模块聚合到实体关系抽取模型中,构建BoBGSAL-Net(Based on Bipartite Graph Structure Aggregate Logic Network)模型,并在公开数据集DocRED和作者实验室构建的数据集AlSiaRED上开展实验,结果证明BoBGSAL-Net在文档级实体关系抽取任务中性能得到提升,其中BoBGSAL-Net+BERT模型在AlSiaRED数据集上的关系抽取任务中F1指标达到66.04%,和其他模型相比,整体性能提升了4.4%,泛化能力突出,综合效果最优.

数据驱动的三维服装快速建模

提出一种数据驱动的三维服装快速建模方法,可以从样本中快速生成新的三维服装模型.首先,输入三维服装模型集,通过形状款式分析,对三维服装进行语义分割.其次,将分割后的三维服装部件模型聚类为四大类(上身、下身、袖子、配件),构成三维服装部件库.然后,以服装部件模型的面积和边界周长比例为几何形状特征,定义度量服装部件重新组合的款式描述算子.最后,对三维服装部件模型聚类后的源模型进行优化,并通过自然拼接输出新的三维服装.实验结果表明,该方法提高了三维服装建模的效率,能较好地满足目前大规模三维服装数量的需求.

基于实时词共现网络的微博话题发现

针对微博的实时性、稀疏性和海量性特点,提出基于实时词共现网络的话题发现模型。首先,从原始语料中筛选出主题词集合,再利用时间参数计算共现主题词的关系权重以实现词共现网络的构建,通过该网络推算出与话题关联性强的潜在特征词以解决微博特征词的稀疏性;其次,采用改进Single-Pass算法实现话题增量聚类;最后,对每个话题的主题词按热度计算进行排序,获得最具代表性的话题主题词。实验结果表明,该模型与经典Single-Pass聚类算法相比,话题发现准确率约提高6%,综合指标提高8%。实验结果证明所提模型的有效性和准确性。

基于Kendall tau距离的在线服务信誉度量方法

用户偏好及评价准则不一致导致不同用户对同一服务的评分不可比较,基于评价准则一致性假定的信誉机制不能保证不同服务信誉间具有可比较性,从而用户利用这种信誉进行服务选择时会产生不客观的结果.为此提出一种基于Kendall tau距离的在线服务信誉度量方法.该方法首先定义距离指标以衡量2个评分向量之间的一致性,然后将在线服务信誉度量建模为寻找一个与用户-服务评分矩阵距离最小的信誉向量的最优化问题,最后采用模拟退火算法来求解该优化问题,将得到的信誉向量作为服务信誉.通过实验验证了该方法的合理性和有效性.实验结果表明:该方法能够满足大多数用户的偏好,从而使得用户可以参考该信誉结果做出正确的服务选择决策,并且方法在保证信誉度量效率的同时提高了信誉度量方法的抗操纵性.

改进加权Slope one协同过滤推荐算法研究

协同过滤推荐是最成功的推荐技术之一,但数据稀疏性问题导致推荐准确度和推荐效率不高。针对这个问题,提出了一种改进的加权Slope one协同过滤推荐算法。计算用户之间的评分相似度,找出每个用户的最近邻;根据最近邻用户评分,使用基于用户的协同过滤和改进的加权Slope one算法的加权评分预测目标用户的未评分项目;给出推荐。实验过程中采用Movie Lens数据集作为测试数据。实验结果表明:与原算法相比,算法提高了预测准确度,有效提高了推荐性能。

聊天机器人中用户就医意图识别方法

传统的聊天机器人中用户意图识别一般采用基于模板匹配或人工特征集合等方法,针对其费时费力而且扩展性不强的问题,并结合医疗领域聊天文本的特点,提出了基于短文本主题模型(BTM)和双向门控循环单元(Bi GRU)的意图识别模型。该混合模型将用户就医意图识别看作分类问题,使用主题特征,首先通过BTM对用户聊天文本逐句进行主题挖掘并量化,然后送入Bi GRU进行完整上下文学习得到连续语句最终表示,最后通过分类完成用户就医意图识别。对爬取的语料进行实验,BTM-Bi GRU方法明显优于传统的支持向量机(SVM)等方法,其F值更是高出目前较好的卷积长短期记忆组合神经网络(CNN-LSTM)近1.5个百分点。实验结果表明,在本任务上该混合模型重点考虑研究对象的特点,能有效提高意图识别的准确率。

自适应t扰动的正余弦花朵授粉算法

传统花朵授粉算法具有收敛精度低,后期收敛速度慢,易陷入局部最优的缺点。针对这些问题,本文提出了一种自适应t分布扰动的正余弦花朵授粉算法。该算法首先利用托普利兹矩阵划分解空间,使初始种群的个体均匀分布在解空间;然后引入正余弦算子对基本花朵授粉算法的局部搜索部分进行改进;最后提出一种自适应t分布扰动来帮助算法跳出局部最优解。在10个标准测试函数上进行实验的结果表明,自适应t分布扰动的正余弦花朵授粉算法具有较快的收敛速度,较高的收敛精度,较好的鲁棒性以及跳出局部最优解的能力,优于基本花朵授粉算法与其他几种相关群智能算法,是解决复杂高维函数问题的有效方法。

基于改进Yolov4的输电线路鸟巢轻量级检测算法

针对复杂背景图像中输电线路鸟巢识别检测精度低、实时性能不高的问题,提出一种改进Yolov4的输电线路鸟巢检测模型。首先,以Yolov4网络为基础检测模型,并采用MobileNetV2作为骨干特征提取网络。为增强骨干网络的表征能力,在MobileNetV2网络的逆向残差模块后加入混合域注意力机制CBAM(convolutional block attention module),并将CBAM中通道注意力模块的全连接网络替换为局部通道交互的一维卷积,以避免因降维操作导致的特征损失。然后,通过使用自适应特征融合结构来加强高层和低层特征语义之间的信息融合,以减少不同尺度特征之间关联所产生的冗余信息带来的负面影响。最后,为提高模型对受遮挡鸟巢图像的泛化能力,在数据增强时结合随机擦除策略。实验结果表明,对比初始的Yolov4,改进后模型的m AP(meanaverage precision)值提高了3.75%,模型大小压缩为原来的20.1%,检测速度达到53帧/s。

基于平行语料库的双语协同中文关系抽取

针对在中文资源的关系抽取中,由于中文长句句式复杂,句法特征提取难度大、准确度低等问题,提出了一种基于平行语料库的双语协同中文关系抽取方法。首先在中英双语平行语料库中的英文语料上利用英文成熟的句法分析工具,将得到依存句法特征用于英文关系抽取分类器的训练,然后与利用适合中文的n-gram特征在中文语料上训练的中文关系抽取分类器构成双语视图,最后再依靠标注映射后的平行语料库,将彼此高可靠性的语料加入对方训练语料进行双语协同训练,最终得到一个性能更好的中文关系抽取分类模型。通过对中文测试语料进行实验,结果表明该方法提高了基于弱监督方法的中文关系抽取性能,其F值提高了3.9个百分点。

U-Boot在Embest ATEB9200开发板上的移植与分析

对于嵌入式系统都有一个专门的Bootloader,其作用就像PC机中的BIOS程序,负责配置系统并引导系统内核。本文详细介绍了U-Boot的启动流程和U-Boot在Embest ATEB9200开发板上的移植过程。