低雷诺数窄矩形管道强化传热的研究

通过实验研究了低雷诺下，粗糙窄矩形管道中．肋间距对阻力系数和传热系数的影响规律，建立了预测平均阻力系数（）和平均斯坦顿数（）的方法，其结果可以应用在低流量散热器的设计中．     

基于流量统计特征的端口扫描检测算法

根据网络流量的统计特征提出一种慢速端口扫描行为检测算法，以主机数和端口数的比值及被访问主机端口集合之间的相似度为基础，采用非参数累积和CUSUM算法及小波变换方法对流量统计特征进行分析，进而判断是否存在端口扫描行为。实验结果表明，所提取的网络流量特征及算法可以有效地检测异常行为，该方法和Snort相比较具有低的漏报率和误报率。     

一种基于matlab的DPD仿真设计

在WCDMA,LTE等无线通信系统中,高的峰平比(PAPR)对功放线性性和效率提出了更高的要求。自适应预失真技术是一种用于补偿高功率放大器非线性失真的有效技术。文中介绍了数字预失真的原理,模型,并通过在matlab中的仿真,提出一种合适的系数量化方法,最后给出一种基于matlab的数字预失真器设计。仿真结果表明,该设计有效的补偿了功放的非线性,降低了信号的邻近信道泄漏比以及系统功耗,提高系统的性能。     

面向节点分类的图神经网络节点嵌入增强模型

考虑到实际的图结构往往是有噪的，可能包含实际不存在的边或者遗漏节点间实际存在的部分边，提出可微分相似度模型（DSM）.通过挖掘节点间隐藏关系增强节点嵌入，以提高节点分类的准确度. DSM基于普通图神经网络方法（GNN）得到各节点的基础表征，根据节点表征相似度为目标节点选出相似节点集合，结合相似节点集合的基础表征对目标节点进行嵌入表征增强.在数学上，DSM是可微分的，可以将DSM作为插件与任意GNN相结合，以端到端的方式进行训练. DSM具有挖掘隐藏连接关系的能力，能促使GNNs学习到更具辨识性和鲁棒性的节点表征.基于最常用的多个公开的节点分类数据集，开展实验验证.结果表明，将已有GNNs与DSM结合能显著提升分类准确度，其中GAT-DSM相对GAT在数据集Cora和Citeseer上分别取得了2.9%、3.5%的提升．     

面向案件审判难度预测的神经网络模型研究

审判难度预测(TDP)是指在给定案情描述文本的情况下,自动预测案件审判难易程度,其在司法智能化系统中具有广阔的应用前景.现阶段,案件审判难度预测工具严重依赖专家经验规则,存在较大偏差,相关的研究工作较少.针对此问题,将其归结为自然语言处理中的文本分类问题,通过分析发现传统分类方法未考虑起诉状中审判要素间的结构独特性和逻辑依赖性,导致难以准确预测案件难易程度.为解决上述挑战,通过对起诉状的研究,结合案件繁简审判要素,提出一种新的神经网络模型MAT-TAN.具体地,该模型首先采用一种掩码注意力网络(MAT)对案情描述文本进行细粒度分析.其中的掩码机制扮演智能门控者的角色,起到聚焦审判要素特定位置的作用,结合自注意力机制,实现了对各审判要素全面、准确的特征提取.其次,提出一种拓扑关联网络(TAN)对要素间的司法逻辑依赖关系进行建模,并有效融合不同要素的特征,最终实现案件审判难度预测.在法院真实数据上的实验结果表明,与基准的文本分类方法相比,该模型宏平均F1值提升了0.036,在审判难度预测上具备较好的使用效果.     

低温采暖设计过程以及应注意的问题研究

文章通过分析低温地板辐射采暖系统中易出现的一些问题,指出低温地板辐射采暖系统在设计过程中需要特别注意的几点事项。     

建筑水暖设计施工的几点反思

根据多年从事建筑水暖设计施工的经验,从地漏安装、立管位置、管道噪声的处理等方面提出了建筑水暖设计施工中应注意的问题,指出了设计、施工时,各专业间配合的重要性,为建筑水暖设计提供了参考依据.     

深度学习容器云平台下的GPU共享调度系统

近年来，容器由于具有轻量级以及高可扩展性，逐渐替代了虚拟机，被广泛应用于深度学习云平台中。但目前深度学习云平台在GPU资源管理上依然存在着不足，主要表现为由于容器编排技术的限制，多个容器无法共享使用GPU资源，而对于一些小规模模型的训练任务和推理任务，单个任务并不能充分利用整张GPU卡的计算资源。当前的独占模式会导致昂贵的GPU资源的浪费，降低资源效率和服务可用性。针对这一问题，提出了一种GPU共享调度系统。一方面，基于Kubernetes的Operator机制对现有集群功能进行扩展，实现了多个Pod共享使用GPU资源，同时设计了一种代理机制保证了与原生Kubernetes的兼容性。另一方面，基于GPU时间片与抢占机制，实现了GPU资源的动态管理与调度，在多个任务之间进行细粒度的协调，并减少了任务干扰。实验结果表明，与原生Kubernetes调度系统相比，该系统能够将一组深度学习训练任务的完成时间平均减少约20%,使得集群GPU资源利用率平均提升约10%。在共享使用GPU时高优先级任务性能相较于独占GPU损耗不到5%,同时能够使得低优先级任务以20%的性能运行在同一张GPU上。     

基于宽容训练和隐私保护的快速监控视频检索模型

监控视频关键帧检索和属性查找在交通、安防、教育等领域具有众多应用场景,应用深度学习模型处理海量视频数据在一定程度上缓解了人力消耗,但是存在隐私泄露、计算资源消耗大、时间长等特点.基于上述场景,提出了一个面向大规模监控视频的安全、快速的视频检索模型.具体地,根据云端算力大、监控摄像头算力规模小的特点,在云端部署重量级模型,并使用所提出的宽容训练策略对其进行定制化知识蒸馏,将蒸馏后的轻量级模型部署在监控摄像头内,同时使用局部加密算法对图像敏感部分进行加密,结合云端TEE技术和用户授权机制,在极低资源消耗的情况下实现隐私保护.通过合理控制蒸馏策略的“容忍度”,能够较好地平衡摄像头视频输入阶段和云端检索阶段的耗时,在保证极高准确率的前提下,保证极低的检索时延.相比于传统检索方法,该模型具有安全高效、可伸缩、低延时的特点.实验结果显示,在多个公开数据集上,该模型相比于传统检索方法提供9×-133×的加速.