检索结果-南通市图书馆

一种面向联盟链Hyperledger Fabric的并发冲突事务优化方法

在线全文

学校读者我要写书评

暂无评论

计算机研究与发展 2024年第8期61卷 2110-2126页

作者：吴海博刘辉孙毅李俊中国科学院计算机网络信息中心北京100190 中国科学院大学北京100049 山东省区块链金融重点实验室(山东财经大学) 济南250014 中国科学院计算技术研究所北京100190

随着区块链技术应用的普及,联盟链Hyperledger Fabric(简称Fabric)已成为知名区块链开源平台,并得到广泛关注.然而Fabric仍受困于并发事务间冲突问题,冲突发生时会引发大量无效交易上链,导致吞吐量下降,阻碍其发展.对于该问题,现有面向... 详细信息

随着区块链技术应用的普及,联盟链Hyperledger Fabric(简称Fabric)已成为知名区块链开源平台,并得到广泛关注.然而Fabric仍受困于并发事务间冲突问题,冲突发生时会引发大量无效交易上链,导致吞吐量下降,阻碍其发展.对于该问题,现有面向块内冲突的方案缺乏高效的冲突检测和避免方法,同时现有研究往往忽略区块间冲突对吞吐量的不利影响.提出了一种Fabric的优化方案Fabric-HT(fabric with high throughput),从区块内和区块间2方面入手,有效降低事务间并发冲突和提高系统吞吐量.针对区块内事务冲突,提出了一种事务调度机制,根据块内冲突事务集定义了一种高效数据结构——依赖关系链,识别具有“危险结构”的事务并提前中止,合理调度事务和消除冲突;针对区块间事务冲突,将冲突事务检测提前至排序节点完成,建立以“推送-匹配”为核心的冲突事务早期避免机制.在多场景下开展大量实验,结果表明Fabric-HT在吞吐量、事务中止率、事务平均执行时间、无效事务空间占用率等方面均优于对比方案.Fabric-HT吞吐量最高可达Fabric的9.51倍,是最新优化方案FabricSharp的1.18倍;空间利用率上相比FabricSharp提升了14%.此外,Fabric-HT也表现出较好的鲁棒性和抗攻击能力.

关键词：并发冲突区块链 Hyperledger Fabric 事务调度冲突检测

强噪声与非周期脉冲激励下单稳系统的随机共振及应用

在线全文

学校读者我要写书评

暂无评论

振动与冲击 2024年第10期43卷 279-284,298页

作者：孙博文黄升平王重秋杨建华李尚袁杨岩中国矿业大学江苏省矿山机电装备重点实验室江苏徐州221116 中国矿业大学计算机科学与技术学院江苏徐州221116

随机共振是噪声背景下非线性系统对微弱特征信号的最优响应,能够对微弱特征信号进行增强。偏置单稳态系统相较于传统的双稳态系统,对非周期脉冲激励具有良好的共振特性。然而,非线性系统的参数影响系统的最优输出,对不同的非周期脉冲激... 详细信息

随机共振是噪声背景下非线性系统对微弱特征信号的最优响应,能够对微弱特征信号进行增强。偏置单稳态系统相较于传统的双稳态系统,对非周期脉冲激励具有良好的共振特性。然而,非线性系统的参数影响系统的最优输出,对不同的非周期脉冲激励,系统难以自适应调节。针对上述问题,该研究强噪声与非周期脉冲激励下偏置单稳态自适应随机共振。首先,基于优化算法实现不同非周期脉冲激励下的自适应随机共振。然后,以强噪声背景下钢丝绳漏磁检测信号为应用对象,经偏置单稳态系统自适应随机共振输出后,以峰峰值作为损伤特征演化评价指标,评估不同微弱损伤特征间的差异。同时,应用偏置单稳态自适应随机共振法和自适应移位平均法对强噪声背景下钢丝绳漏磁信号进行对比分析,以峰峰值增益和信噪比增益为指标,结果表明偏置单稳态自适应随机共振法效果优于自适应移位平均法。最后,讨论了噪声强度对单稳态自适应随机共振的影响,发现偏置单稳态自适应随机共振具有较强的抗噪能力。

关键词：非周期脉冲激励强噪声自适应随机共振钢丝绳损伤识别

在线全文

学校读者我要写书评

暂无评论

基于相关性得分的伪标签优化行人重识别

控制与决策 2024年第8期39卷 2579-2587页

作者：程德强黄绩寇旗旗张剑英李云龙中国矿业大学信息与控制工程学院江苏徐州221116 中国矿业大学计算机科学与技术学院江苏徐州221116

无监督域自适应行人重识别旨在将源域训练的识别能力泛化到目标域上,以减少对标签的依赖.目前基于聚类方法的网络,聚类过程中不可避免地会受到环境噪声的影响,降低网络原有识别性能.为了解决这一问题,提出一种基于相关性得分的伪标签优... 详细信息

无监督域自适应行人重识别旨在将源域训练的识别能力泛化到目标域上,以减少对标签的依赖.目前基于聚类方法的网络,聚类过程中不可避免地会受到环境噪声的影响,降低网络原有识别性能.为了解决这一问题,提出一种基于相关性得分的伪标签优化行人重识别网络.首先,通过计算全局与局部特征间前k个相似样本集合的相关性得分,找到两类特征直接可靠的关联性,从而提取已有伪标签优化方法所忽略的局部细粒度特征;然后,利用得分对局部伪标签进行优化处理,降低网络对与行人无关局部特征的关注;最后,依赖于相关性得分,利用优化后局部伪标签的预测结果对全局伪标签进行细化,缓解聚类过程中噪声的同时也细化了行人的特征完整表示.与近年无监督域自适应行人重识别方法相比,所提出网络在DukeMTMC-ReID、Market 1501和MSMT 17三个公开数据集上的实验结果表现优异,验证了所提出网络的有效性.

关键词：无监督域自适应行人重识别深度学习细粒度特征相关性得分伪标签优化

面向高性能计算环境的多维自适应授权访问策略

在线全文

学校读者我要写书评

暂无评论

高技术通讯 2024年第4期34卷 331-341页

作者：和荣王小宁肖海力卢莎莎赵一宁迟学斌中国科学院计算机网络信息中心北京100083 中国科学院大学北京100049

高性能计算能力是国家综合实力和创新能力的重要体现,是支撑我国科技持续发展的关键技术之一。随着高性能计算的发展,越来越多领域的科研人员开始关注并使用高性能计算环境。高性能计算环境目前面临资源有限、用户数目增多等挑战。为保... 详细信息

高性能计算能力是国家综合实力和创新能力的重要体现,是支撑我国科技持续发展的关键技术之一。随着高性能计算的发展,越来越多领域的科研人员开始关注并使用高性能计算环境。高性能计算环境目前面临资源有限、用户数目增多等挑战。为保证环境的安全性、提高环境资源的利用率,需设置一定的授权访问策略来约束用户的访问行为。本文针对高性能计算环境服务对象用户和应用社区或业务平台,基于机器学习算法对用户行为进行分析获取相关属性,设计并实现了一种多维自适应授权访问策略(MAAC)。实验表明,MAAC可实现对环境资源有效和灵活访问控制,同时该策略的决策时间可控制在1 ms内,与策略响应时间相比可忽略不计。

关键词：高性能计算环境授权属性用户行为安全

基于微震多维信息融合的冲击地压全时空预测方法

在线全文

学校读者我要写书评

暂无评论

采矿与安全工程学报 2024年第3期41卷 511-521页

作者：杨旭刘亚鹏曹安业刘耀琪王常彬赵卫卫中国矿业大学计算机科学与技术学院矿山数字化教育部工程研究中心江苏徐州221116 中国矿业大学矿业工程学院江苏徐州221116 中国矿业大学煤炭精细勘探与智能开发全国重点实验室江苏徐州221116

为解决当前冲击地压时间与空间预测协同难、微震数据时空特征挖掘不充分的困境,结合深度学习相关理论与方法,提出了基于微震多维信息融合的冲击地压全时空预测方法,该方法主要包括微震时空特征指标、时间预测以及空间预测3个模块,设计... 详细信息

为解决当前冲击地压时间与空间预测协同难、微震数据时空特征挖掘不充分的困境,结合深度学习相关理论与方法,提出了基于微震多维信息融合的冲击地压全时空预测方法,该方法主要包括微震时空特征指标、时间预测以及空间预测3个模块,设计了基于主成分分析和核密度估计的微震时空特征指标构建方法,在此基础之上,构建了基于深度循环神经网络的冲击地压时间预测模型,提出了基于长短期时间窗融合的冲击地压空间预测方法,从而实现了冲击地压时间⁃空间协同的全时空预测。此外,为了评估所提方法的有效性,在内蒙古鄂尔多斯矿区某冲击危险工作面进行了工程应用测试,测试时间段共出现13条大于10^(5)J的大能量微震事件,在时间预测方面,对于大能量事件的时间预测结果为10个强危险、3个中等危险,并且整个测试阶段模型误报率仅为0.133。在空间预测方面,对于大能量事件的空间预测结果的分布区域为6个强危险、3个中等危险、4个弱危险。实验表明该方法可满足工程应用的需求,研究成果可为冲击地压监测预警提供参考与借鉴。

关键词：冲击地压全时空预测微震时空特征指标深度循环神经网络

基于蓝图分离卷积的轻量化矿井图像超分辨率重建方法

在线全文

学校读者我要写书评

暂无评论

煤炭学报 2024年第9期49卷 4038-4050页

作者：寇旗旗程志威程德强陈杰张剑英中国矿业大学计算机科学与技术学院江苏徐州221116 中国矿业大学信息与控制工程学院江苏徐州221116

煤矿井下复杂受限空间中,人造光源照明不均匀、工作面尘雾浓度大及复杂电磁干扰等环境因素都会严重影响井下监控视频的高清成像。针对受复杂环境影响下的矿井图像出现分辨率较低、模糊不清的问题以及目前图像超分辨率重建方法多以牺牲... 详细信息

煤矿井下复杂受限空间中,人造光源照明不均匀、工作面尘雾浓度大及复杂电磁干扰等环境因素都会严重影响井下监控视频的高清成像。针对受复杂环境影响下的矿井图像出现分辨率较低、模糊不清的问题以及目前图像超分辨率重建方法多以牺牲网络深度和宽度为代价来提高图像重建效果,从而导致算法的复杂度大幅增加、网络模型的内存占用率变大、难以应用到实际边缘移动设备中的问题,提出了一种基于蓝图分离卷积的轻量化矿井图像超分辨率重建方法。首先,该方法使用高效率的蓝图分离卷积替换残差块中的标准卷积,设计出一种轻量残差注意力模块,接着引入坐标注意力机制并添加跳跃连接对残差块进行改进,使模型保持较低参数量和计算量的同时也具备良好的特征提取能力。其次设计了一种增强层次特征融合模块,对网络中的不同层次特征以先局部再全局的方式融合,进一步促进网络中的信息流动,增强模型的特征利用率。最后在网络末端添加像素注意力机制,用于增强网络对信息特征的关注度,提高模型的特征表达能力,为图像重建模块提供更丰富的细节特征。实验结果表明,基于蓝图分离卷积的轻量化超分辨率重建网络所重建后的图像质量不仅在客观指标和视觉感受上均优于其他对比算法,而且能够在模型性能和复杂度之间取得更好的权衡。当缩放因子为4时,相比于轻量级算法AWSRN-M,参数量相当的情况下,在煤矿井下测试集上客观指标PSNR平均值提升了0.1772 dB,SSIM平均值提升了0.0107,浮点运算量减少了66.9%。结果证明了所提方法可以有效提取不同层次的细节特征信息,实现浅层特征和深层特征的深度融合,且更加高效地重建出纹理细节清晰的高分辨率图像。

关键词：煤矿井下图像超分辨率重建注意力机制特征融合轻量化

在线全文

学校读者我要写书评

暂无评论

混合注意力特征增强的航空图像目标检测

计算机工程与应用 2024年第4期60卷 249-257页

作者：管文青周世斌张国鹏中国矿业大学计算机科学技术学院江苏徐州221116

针对航空图像背景复杂、目标分布密集、尺度差异大等特点,提出一种新的航空图像检测网络,称为混合注意力网络(hybrid attention network,HA-Net)。在主干网络中设计同时兼顾局部注意力和全局注意力的Transformer结构,利用注意力消除背... 详细信息

针对航空图像背景复杂、目标分布密集、尺度差异大等特点,提出一种新的航空图像检测网络,称为混合注意力网络(hybrid attention network,HA-Net)。在主干网络中设计同时兼顾局部注意力和全局注意力的Transformer结构,利用注意力消除背景噪音,使密集目标边界更加清晰,提升密集目标特征提取能力;在特征融合前,提出使用连续平均池化和最大池化的空间金字塔池化模块来丰富图像特征信息,增强不同尺度目标的表示能力;在特征融合时设计特征重构模块重新调整特征金字塔的特征信息,此模块混合了跨尺度空间注意力和非局部通道注意力,可以减少不必要信息的干扰,提升多尺度目标的检出率。在DOTA航空数据集上对HA-Net进行评估,在单尺度和多尺度测试上评估指标mAP分别达到77.04%和78.28%,较基准网络,mAP分别提升了2.38个百分点和3.62个百分点。在HRSC2016数据集上mAP达到89.95%。实验结果的提升证明了HA-Net在航空图像目标检测中的有效性。

关键词：航空图像旋转目标检测 Transformer 注意力机制

在线全文

学校读者我要写书评

暂无评论

弱监督场景下的支持向量机算法综述

计算机学报 2024年第5期47卷 987-1009页

作者：丁世飞孙玉婷梁志贞郭丽丽张健徐晓中国矿业大学计算机科学与技术学院江苏徐州221116 矿山数字化教育部工程研究中心(中国矿业大学) 江苏徐州221116

支持向量机(Support Vector Machine,SVM)是一种建立在结构风险最小化原则上的统计学习方法,以其在非线性、小样本以及高维问题中的独特优势被广泛应用于图像识别、故障诊断以及文本分类等领域.但SVM是一种监督学习算法,它旨在利用大量... 详细信息

支持向量机(Support Vector Machine,SVM)是一种建立在结构风险最小化原则上的统计学习方法,以其在非线性、小样本以及高维问题中的独特优势被广泛应用于图像识别、故障诊断以及文本分类等领域.但SVM是一种监督学习算法,它旨在利用大量的、唯一且明确的真值标记样本来训练学习器,在不完全监督、不确切监督以及多义监督等弱监督场景下难以取得较好的效果.本文首先阐述了弱监督场景的概念和SVM的相关理论,然后从弱监督场景角度出发,系统地梳理了目前SVM算法的研究现状和发展,包括基于半监督学习、多示例学习以及多标记学习的方法;其中基于半监督学习的方法根据数据假设可细分为基于聚类假设和基于流形假设的方法,基于多标记学习的方法根据解决方案可细分为基于示例水平空间、基于包水平空间以及基于嵌入空间的方法,基于多标记学习的方法根据处理思路可细分为基于问题转换和基于算法自适应的方法;随后,本文总结了部分代表性算法在公开数据集上的实验结果;最后,探讨并展望了未来可能的研究方向.

关键词：弱监督场景支持向量机半监督学习多示例学习多标记学习

在线全文

学校读者我要写书评

暂无评论

随机配置网络研究进展

软件学报 2024年第5期35卷 2379-2399页

作者：张成龙丁世飞郭丽丽张健中国矿业大学计算机科学与技术学院江苏徐州221116 矿山数字化教育部工程研究中心(中国矿业大学) 江苏徐州221116

随机配置网络(stochastic configuration network,SCN)是一种新兴的增量式神经网络模型,与其他随机化神经网络方法不同,它能够通过监督机制进行隐含层节点参数配置,保证了模型的快速收敛性能.因其具有学习效率高、人为干预程度低和泛化... 详细信息

随机配置网络(stochastic configuration network,SCN)是一种新兴的增量式神经网络模型,与其他随机化神经网络方法不同,它能够通过监督机制进行隐含层节点参数配置,保证了模型的快速收敛性能.因其具有学习效率高、人为干预程度低和泛化能力强等优点,自2017年提出以来,SCN吸引了大量国内外学者的研究兴趣,得到了快速的推广和发展.从SCN的基础理论、典型算法变体、应用领域以及未来研究方向等方面切入,全面地概述SCN研究进展.首先,从理论的角度分析SCN的算法原理、通用逼近性能及其优点;其次,重点研究深度SCN、二维SCN、鲁棒SCN、集成SCN、分布式并行SCN、正则化SCN等典型变体;随后介绍SCN在硬件实现、计算机视觉、医学数据分析、故障检测与诊断、系统建模预测等不同领域的应用进展;最后指出SCN在卷积神经网络架构、半监督学习、无监督学习、多视图学习、模糊神经网络、循环神经网络等研究方向的发展潜力.

关键词：随机配置网络神经网络深度学习随机化学习研究进展