胞腔同调边缘学习算法研究

边缘划分问题是数据分析的核心问题之一.针对晶体数据的边缘分类问题,引入同调论的思想,提出了胞腔同调边缘算法和正则胞腔同调边缘学习算法及上同调边缘学习算法,并将其应用于晶体结构预测和分类.鉴于晶体数据满足对称群的基本性质,引用同调代数的方法从机器学习的角度来研究数据的边缘分类问题.为了从不同角度构造分类模型,先从相对同调边缘展开为局部同调和定向同调,再深入到上同调边缘算法和腔胞同调边缘算法,由着重系数定理扩展到正则胞腔同调,进而延伸至相对流形.仿真结果表明了算法的有效性.     

邻域同调学习算法

目前已有的边缘学习算法对边缘可变的数据划分问题存在一些不足,这些算法在分类过程中不能有效地保证数据的结构特征不变。因而文章首先通过引进同调代数中的单形划分理论,从机器学习的角度对分类问题中的边缘划分进行研究,提出了一种邻域同调学习算法。算法给出了图形的邻域复形的构造方法和判断2个给定图形相似性的判定标准。最后通过在USPS_ALL手写数字集数据库和MPEG7 CE图像库上与SVM、TVQ算法的对比实验验证了本算法的有效性。     

一种同调边缘学习算法

面对复杂的数据,边缘问题是其核心问题之一。目前比较成功的算法有SVM最大边缘算法和TVQ算法,这些算法各有优缺点。论文针对目前方法中存在的一些不足,引进同调理论,用同调代数的思想构建了一种同调代数的边缘学习算法,并通过实验和实例进行验证。     

计算机辅助拓扑设计 ——持续同调在几何设计和处理中的应用

持续同调是一种计算不同尺度拓扑特征的有效方法。其从一簇向后包含的单纯复形序列中提取 出拓扑特征的出现和消失时刻,并使用拓扑特征的“生命周期”来量化地衡量该特征的几何尺度和重要程度。拓 扑特征的提取与应用在几何设计中扮演着重要角色,催生出了一些基于持续同调的几何设计研究。从持续同调 特征的提取与基于持续同调的建模和优化两方面进行综述,在持续同调特征的提取方面,介绍了从点云和三角 网格数据中提取拓扑特征的不同方法,总结了拓扑特征在部分几何设计问题中的应用路径。在建模和优化方面, 综述了基于拓扑变换的单纯复形重建方法、拓扑可感知的曲面重建方法与基于持续同调的拓扑去噪和优化 方法。     

基于可信执行环境的物联网边缘流处理安全技术综述

万物互联时代,物联网中感知设备持续产生大量的敏感数据。实时且安全的数据流处理是面向物联网关键应用中需要解决的一个挑战。在近年兴起的边缘计算模式下,借助靠近终端的设备执行计算密集型任务与存储大量的终端设备数据,物联网中数据流处理的安全性和实时性可以得到有效的提升。然而,在基于边缘的物联网流处理架构下,数据被暴露在边缘设备易受攻击的软件堆栈中,从而给边缘带来了新的安全威胁。为此,文章对基于可信执行环境的物联网边缘流处理安全技术进行研究。从边缘出发,介绍边缘安全流处理相关背景并探讨边缘安全流处理的具体解决方案,接着分析主流方案的实验结果,最后展望未来研究方向。     

基于近邻边缘检测的支持向量机

针对标准支持向量机方法需要存储、计算和处理核矩阵而学习效率很低,不能有效处理较大规模数据挖掘的问题,提出一种基于近邻边缘检测的支持向量机方法 (SVM Method Based on Neighbor Edge Detection, ED_SVM)。该方法将近邻边缘检测技术引入SVM的训练过程,即首先对数据进行划分,选择混合类样本,通过边缘检测技术提取其中位于近似最优分类边界附近的含有较多重要支持向量信息的样本,构成新的小规模训练集,以在压缩训练集的同时保持原始支持向量信息的分布特性;并在新构成的训练集上训练标准SVM,在提高SVM学习效率的同时得到优秀的泛化性能。实验结果表明,本文提出的ED_SVM方法能够同时获得较高的测试精度和学习效率。     

面向大规模数据集的贝叶斯网络参数学习算法

贝叶斯网络的学习可以分为结构学习和参数学习。期望最大化（EM）算法通常用于不完整数据的参数学习，但是由于EM算法计算相对复杂，存在收敛速度慢和容易局部最大化等问题，传统的EM算法难于处理大规模数据集。研究了EM算法的主要问题，采用划分数据块的方法将大规模数据集划分为小的样本集来处理，降低了EM算法的计算量，同时也提高了计算精度。实验证明，该改进的EM算法具有较高的性能。     

基于边缘计算的智能电网数据调度与快速分发方法

常规的智能电网数据调度与分发方法多数采用大数据技术原理，缺少电网数据区域划分，其调度目标节点选择偏差较大，导致电网数据调度错失率较高，数据调度与分发任务完成效果不佳。基于此，引入边缘计算提出了一种新的调度与快速分发方法。首先，建立边缘计算集群分层模型，划分数据区域，分析集群节点状态参量，选择最优调度目标节点。其次，根据调度任务处理时间对任务有效价值的影响，设计智能电网数据流调度优先级，分配并执行数据调度处理任务。最后，设计数据快速分发机制，避免在调度处理任务执行中，出现节点失效和调度数据丢失的问题。根据实验结果可知，新的方法应用后，即使数据处理任务个数的增加，数据调度错失率也未出现大幅度波动，均控制在0.2%以下。     

边缘计算和深度学习之间的交融

随着网络终端的不断普及与互联网应用的快速发展,当今网络不仅要应对日益增长的传输流量,也要满足用户多样化的需求指标。云计算在诸如服务延迟与传输开销等方面难以适应趋势,边缘计算(Edge Computing)则将运算资源从云下移到了网络边缘,并通过就近处理数据的方式提升性能。作为人工智能的主要代表之一,深度学习一方面可以被集成到边缘计算的框架中以构建智能边缘,另一方面也能以服务的形式部署在边缘上从而实现边缘智能。本文从边缘计算与深度学习融合的趋势出发,介绍"边缘智能"与"智能边缘"的概念与应用场景,并说明典型的使能技术及其相互联系。     

智慧学习系统中的人工智能与边缘计算

作为智慧学习系统这一人工智能的代表技术,深度学习将受益于计算能力、算法和数据集的进步。而另一种技术是边缘计算技术,它是从传统的云计算技术发展而来的。因传统的云计算模型已经无法有效处理大量的计算任务,新的应用也对数据的实时处理提出了更高的要求,从而使得边缘计算应运而生。