期刊指标
提交
杂志简介
编辑聚光灯
特殊的问题最新文章
更多文章
一种基于Wi-Fi指纹的混合定位方案，结合Fisher评分和堆叠稀疏自编码算法实现
随着无线技术的发展，基于Wi-Fi的室内定位技术得到了学术界和工业界的广泛关注。基于指纹的方法是Wi-Fi室内定位的主流方法，无需额外的硬件即可轻松实现。然而，信号的波动构成了一个关键问题，与提取鲁棒特征以实现所需的定位性能有关。本研究提出一种指纹特征提取方法，通常称为Fisher分数堆积稀疏自编码(Fisher - ssae)方法。剔除一些Fisher评分较低的特征，然后用SSAE提取具有代表性的特征。此外，本研究还利用全局模型和子模型建立了混合定位模型，以避免由于分区域定位误差而导致的坐标定位误差。实验结果表明，与其他特征提取方法和单一定位模型相比，结合支持向量回归、随机森林回归和多层感知器分类这三种可访问的基于指纹的定位方法提高了定位精度和响应时间。与现有的一些方法相比，该方法在使用大量特征时具有更好的定位性能。
深度学习安全与隐私防御技术综述
在最近的过去几年中，深学习呈现在像图像识别，模式匹配，甚至在网络安全不同领域的出色表现。深学习具有许多优点，包括快速解决复杂问题，巨大的自动化，非结构化数据的最大应用，给结果的高品质，高减成本，无需数据标签和复杂的相互作用的识别能力，但它也有像不透明性，计算密集型的，需要大量数据的限制，以及更复杂的算法。在我们的日常生活中，我们使用了使用深度学习模式，使基于预测的决策很多应用中，如果深度学习模式成为预测错误的原因是由于内部/外部的恶意影响，它可能会在我们的现实生活中的困难。此外，深学习培训模式经常有用户的敏感信息，这些模型不应该是脆弱和暴露的安全和隐私。深度学习和机器学习算法仍然容易受到不同类型的安全威胁和风险。因此，有必要调用行业的关注方面的安全威胁和相关对策技术深度学习，这激发了作者进行的本文深度学习的安全和隐私安全方面的挑战和对策进行全面调查。我们还讨论了开放的挑战和当前的问题。
点的识别设置在逼真的场景对象
随着新的智能传感技术，如3D扫描仪和立体视觉的出现，高质量的点云数据已经变得非常方便，成本更低。三维物体识别的基础上的点云的研究也受到了广泛的关注。点云几何数据结构的一个重要类型。由于其不规则的格式，许多研究者此类数据转换规则三维体素网格或图像集。然而，这可能导致数据并引起问题不必要的体积。在本文中，我们考虑在现实的感官认识对象的问题。我们首先使用欧氏距离聚类方法在逼真的场景段对象。然后，我们使用了深刻的学习网络结构直接提取点云数据的特征来识别的对象。从理论上说，这种网络结构显示出强大的性能。在实验中，有98.8％的准确率对训练集，以及在实验测试集的准确率可以达到89.7％。 The experimental results show that the network structure in this paper can accurately identify and classify point cloud objects in realistic scenes and maintain a certain accuracy when the number of point clouds is small, which is very robust.
智能移动应用：的系统映射研究
智能手机作为最经济实惠和实用的无处不在的设备通过使用许多方便的应用在我们日常生活中的增强很大程度上参与。然而，除了他们的异质性的移动用户数量显著（不同的配置文件和上下文）责成开发商，使它们更加智能，更灵活，以提高他们的应用程序的质量。这主要是实现通过分析移动用户的数据。机器学习（ML）技术提供的方法和需要从数据提取知识，以促进决策技术。因此，开发人员和研究人员确认在多个应用领域如电子医疗，电子学习，电子商务和电子相结合的教练ML技术和移动通信技术的好处。因此，本文的目的是在移动应用的设计和开发中使用的ML技术的概述。因此，我们进行的关于这个问题在2007年1月1日和12月31日之间的期间发表的论文的系统映射研究2019年甲选择的71个文件总数，研究，并进行分析，根据以下标准，年，源和信道出版，研究型和方法，实物收集的数据，并最终通过ML车型，任务和技术。
基于多叙聚变研究的室内场景分类机制
这项研究的目的是引起了传统的场景分类算法，包括多尺度或各种视角的变化和类和其他因素之间的相似度较高的非ROI（感兴趣区域）的信息干扰了很大的局限性。提出了一种基于多个描述符融合的有效室内场景分类机构，其引入深度图像来提高描述符效率。贪婪描述符滤波算法（GDFA）提出以获得有价值的描述符，并且还给出的多个描述符组合的方法是进一步提高描述符的性能。性能分析和仿真结果表明，多个描述融合不仅可以达到更高的分类精度比在具有描述符中，大尺寸的条件主成分分析（PCA），而且还能够提高分级精度比有效地将现有的其他算法。
云数据中心中基于协作游戏的虚拟机资源分配算法
随着云服务的不断增长的需求，云数据中心（疾病预防控制中心）可以提供灵活的资源，以适应工作量的需求供应。在疾病预防控制中心，虚拟机（VM）的资源分配问题是提供高效的基础设施服务的重要和具有挑战性的问题。在本文中，我们建议在CDC系统的虚拟机统一资源分配方案。为了提供一个公平高效的解决方案，我们专注于基本概念Shapley值并通过其变化，以有效地分配资源，疾病预防控制中心。基于特征价值解决方案，我们开发新的CPU，内存，存储和带宽资源分配算法。要切实履行我们的算法，应用类型被假定为合作游戏的玩家，和不同价值解决方案适用于优化资源利用率。因此，我们的四个资源分配算法共同组合成一个新的四倍博弈模型，并通过级联相互作用采取各种福利以理性的方式解决，而一些全面控制问题。为了确保云服务的不断增长的需求，该功能可以利用不同的充分协同作用价值解决方案。要检查我们提出的方案的有效性和优越性，我们进行了广泛的模拟。仿真结果表明，与现有的国家的最先进的协议，我们的算法有显著的性能提升。最后，我们总结了我们的合作博弈为基础的方法以及有关云计算辅助DC的资源分配模式未来的挑战讨论可能的重大研究课题。
