电容式车辆称重装置静态性能测试与分析

针对目前车辆称重方法的不足,开发了基于电容传感器的车载式车辆称重装置。文章从结构设计、测量原理对称重装置作了介绍,重点讨论了其静态特性测试过程,提供了相应的试验数据,根据试验数据,从非线性、重复性、迟滞性等方面进行了误差分析,给出了迟滞补偿办法,显示了该电容称重装置的突出优点;电容式车辆称重装置具有一定的实用价值。     

反计算机取证技术研究

分析了反计算机取证的基本概念和方法,比较了反计算机取证所采用的数据擦除、数据加密、数据隐藏、数据混淆和数据转换等主要技术,并提出了一种安全、高效的基于m序列的数据擦除方法.     

基于模糊点数据的线性回归分析

在经典回归分析理论中,假定训练数据是独立同分布的随机样本,并且在回归方程的构建中是同等对待的.然而,在许多实际问题中,训练数据的作用是不同的;通常有些训练数据比其它数据可能更为重要,因而不同的训练数据对曲线拟合的贡献应该不同.人们要求重要的训练数据对曲线拟合做出更大的贡献.实现这一目标的策略是给每个训练数据赋予一个置信权重并且重新推导了经典的最小二乘回归方法,分析了它们的统计性质.受文[1]的启发,将这里的样本称为模糊点样本数据.     

基于深度学习的小样本墙壁缺陷目标检测及分类

近年来,无须人工干预的深度学习已成为缺陷图像检测与分类的一种主流方法。文章针对室内墙壁缺陷缺检测中数据集大多是小样本的问题,提出了相关的深度学习研究方法。首先,自制墙壁表面缺陷数据集（Wall surface defect dataset,WSDD）并对其进行数据标注,进而使用Faster RCNN和YOLOv5进行目标检测,两个模型的评价指标（Mean Average Precision,MAP）均高于0.517,表明本文采集的WSDD有效。然后,采用几种传统的数据增强方法（尺度调整、旋转和翻转）及图像拼接和图像融合的方法来扩充原始数据集的数量。最后,将增强前后的数据集分别用四种经典的深度卷积神经网络（ResNet34、ResNet50、DenseNet121、VGG16）模型进行测试,结果显示经过数据增强后,四种模型的识别精度明显高于增强前,分别为98.86%、99.47%、99.06%和90.25%,证明本文所采用的数据增强和深度学习方法缓解了数据集小样本的问题。     

浅谈图书馆智能化与人工智能服务的应用

图书馆作为公共文化服务资源,对社会发展具有重要的促进作用,其最基本的目标是为广大读者提供安全高效便捷的阅读服务。图书馆智能化发展是时代所趋,人工智能应用到图书馆中是未来图书馆发展的方向,从硬件到软件进行一系列改革,特别是在数字资源应用与服务方面会发生更大变革,使图书馆变得数字化、网络化、智能化。文章从人工智能在图书馆的应用等方面进行探析,对图书馆智能化建设具有一定的参考意义。     

DTNs中一种基于节点有效交互度和效用的节能路由算法

延迟容忍网络是一种通过节点机会通信的网络类型.由于该网络中节点不易预测的移动性模式和容易中断的连接,路由算法一直是DTNs中研究的重点.但是目前从节省能量消耗角度提出的路由算法较少.文章提出一种基于节点有效交互度和效用的节能路由策略.首先,从节点有效交互度出发来进行转发传输速率控制,在节能与转发成功率之间自适应调整.其次,从节点效用出发设置消息携带者转发概率,选择合适的节点进行消息转发,避免网络产生过多消息副本.再次,仿真实验结果显示,与其他路由算法相比,该文提出的算法在保障网络消息传递率的基础上可以降低约6%～15%节点能量消耗.     

大数据隐私保护过程中的博弈目标漂移现象及其控制

考虑到大数据在使用的过程中面临着诸多的安全风险,与传统信息风险相比,其复杂性表现在与空间、时间、关联关系等方面,利用大数据相关访问者与信息拥有者博弈模型,发现存在博弈目标漂移现象。建立了一个考虑博弈目标漂移的大数据隐私保护模型,该模型了考虑大数据在空间、时间、关联关系上存在的风险。通过实验与传统模型进行比较,研究表明,考虑博弈目标漂移的大数据隐私保护模型能够在提供必要信息的情况下有效地保护隐私信息。     

BIM技术在生产性实验实训基地建设中的应用研究——以湖南铁路科技职业技术学院高铁信号实验实训室为例

为提升生产性实验实训基地社会服务能力低下、信息化技术在轨道交通行业建设应用不明确的问题,依托单位高铁信号实验实训基地建设过程分析了BIM技术应用的主要内容,具体论述了基于BIM模型的可视化三维展示、基于BIM模型的优化性检测碰撞、基于BIM模型的协调性图纸会审、基于BIM模型完成4D虚拟建造、基于BIM模型的大数据技术应用、基于BIM模型的实验实训项目管理6项关键应用研究,最后对研究成果进行了总结,为实验实训基地运营维护高水平管理打下了良好的基础,有助于推动先进的信息化技术在轨道交通行业中的应用。     

基于语义相似度改进的少样本终身主题模型

对于终身主题模型而言,先验知识的正确性对后续的建模任务起到了至关重要的作用.因此,提出了一种基于语义相似度改进的少样本终身主题模型SS-AMC(Semantic Similarity-AMC),利用BERT获取共现词对的词向量,计算其语义相似度,通过设置相似度阈值进而优化知识库中的先验知识,以提升少样本终身主题模型的性能.在中英文数据集上的实验结果表明,SS-AMC模型的主题一致性较基线模型有了明显的提升.