基于像素重组的彩色阵列超分辨率显示技术

电视技术的高清晰度和数字化，要求与之相应的视频显示设备具有较高分辨率，而室外全彩色LED显示屏之类的特种显示设备因各种原因，难以达到这样的高分辨率要求。以LED阵列显示技术为例，从阵列显示单元的组合排列方式出发，提出三角形像素重组和正方形像素重组，在欠抽样结构下实现过抽样的超分辨率显示技术；并且具体介绍该技术的数据分配、显示控制及控制驱动的实现方法。     

适于云计算的并行RAM程序的函数加密方案

针对云计算环境下的现有函数加密方案难以有效利用并行计算能力进行大数据运算的问题,提出了一种并行随机存取计算模型程序的函数加密方案,允许数据拥有者一次性传输加密数据,获得授权的云服务提供者利用其并行计算集群有效计算大量加密数据。该方案将混淆并行随机存取计算模型中的密码原件作为黑盒使用,将并行随机存取计算模型程序硬编码于电路中。并采用现有的基于电路模型的函数加密方案对该电路生成密钥,从而转化为并行随机存取计算模型程序的函数加密方案。通过理论分析该方案的时间效率相对原有并行算法仅有多项式时间的额外负载,并给出了该函数加密方案的不可区分性安全性证明。     

浅谈管带输送机输送线工艺布置设计

本文介绍了管状带式输送机在工艺设计中的基本构造与形式及初学者容易犯的错误。     

元信息混淆现象的文化阐释

跨文化交际中由于多种因素的存在和干扰 ,交际者意图传递的元信息常常被混淆。从文化的角度分析 ,这种现象的产生 ,主要源于参与与独立和语言形式与功能这两对矛盾     

论商品名称、包装、装潢的反不正当竞争保护——以《反不正当竞争法》第6条第1项为视角

【目的】解释《反不正当竞争法》第6条第1项法律内涵，厘清与商品名称、包装、装潢有关的反不正当竞争行为构成要件，为形成统一认定标准提供建议。【方法】分析近年来国内外相关案例，比较新旧法律条文，参考《关于不正当竞争的解释》，进一步阐释相关使用行为构成要素。【结果】《反不正当竞争法》虽明确了对未注册商品名称、包装、装潢的保护边界，但司法界对相关要素的认定存在不同观点，实践中存在同案不同判的情境，立法中缺乏对使用行为合法边界的标准释义。【结论】应结合地域要素、时间要素等进行多角度判断《反不正当竞争法》第6条第1项中“有一定影响”要素，划定商业标识范畴，并自一般公众视角厘清“实际混淆”标准。     

基于RoBERTa-wwm-ext与混淆集的中文文本校对模型

中文文本自动校对技术是自然语言处理领域中的主要任务之一.针对中文文本中字粒度级别的错误(音似、形似和义似替换错误),提出一种基于RoBERTa-wwm-ext与混淆集的中文文本校对模型.该模型在RoBERTa-wwm-ext结构的基础上，利用transformer结构中的encoder机制读取整段中文文本序列，然后通过softmax函数计算当前字符权重分布来判断该字符是否错误，并在纠错任务中引入混淆集，使用混淆集找到该错字对应的候选字符，最后结合掩码语言模型给出的修改建议，完成文本校对.在SIGHAN2014与SIGHAN2015中文拼写检查数据集上，设计字粒度级别的中文文本校对实验，对比模型性能.实验结果表明，与当前主流的中文文本校对模型相比，该模型的中文文本校对效果表现更佳，文本校对的准确率、召回率、F1值均有所提升.     

汉语元音//的知觉线索

汉语普通话元音一共有10个,其中/a,o,γ,i,u,y/六个元音的听辨线索已经被发现。而元音//的声学性质与/y/很接近,因此,二者的听辨线索就成为语音感知上的重要问题。本文通过一系列辨识和评价实验,研究汉语元音//的兴奋模式与其语音性质的关系,以此确定该元音的听辨线索。实验结果表明://的语音性质是由其第二兴奋模式峰位置决定,与其他兴奋模式峰无关(如果存在的话)。这与/y/的听辨线索是相同的,且其兴奋模式峰的位置也与/y/的比较靠近,这就解释了为何二者在很多听闻条件下容易被混淆的原因。     

地理省情监测中地表覆盖数据易混淆地物区分方法研究

该文通过深入研究国家制定的《第一次全国地理国情普查总体方案》等相关技术要求,结合河南的自然条件和社会发展现状,以河南省某镇为实例,进一步分析了该地区1:2000系统数据和遥感影像数据的实际情况,对于内业影像解译时易混淆地物的区分方法做了详细的描述。     

禁止混淆——确立商标权利范围的底线

禁止混淆是Trips协议和我国新《商标法》及《商标法实施条例》所规制的商标权利范围底线，国外立法对“混淆的可能”的规定可资借鉴，通过我国《反不正当竞争法》和《商标法》在制止混淆方面的对比，明确法律保护商标和商业标识权利人利益以及维护市场竞争秩序的必要性。     

基于深度学习的司法判决预测算法研究

司法判决预测任务指的是根据真实的案情描述文本来预测案件的判决结果,有助于司法专业人士高效的工作,在智能司法方面具有广阔的应用前景。在实践中,易混淆罪名和少样本罪名的判别问题是目前的两大难点,普通模型很容易在上述问题上出现误判。为使易混淆罪名得到更好的区分,结合BERT（Bidirectional Encoder Representations from Transformer）和双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU)深度学习网络,提出BGAAT（BERT BiGRU Attribute Self-Attention）网络模型。该模型引入具有区分性的罪名属性标签,通过注意力机制分别抽取属性特征与上下文特征,使用注意力分布对可解释性进行描述。为使少样本罪名更好的被识别,引入罪名分类权重,使模型在少样本罪名分类取得了更高的F1值。最后在真实的司法判决数据集上进行了实验,证明了所提出模型在该任务上有良好表现。