日韩写真视频,大尺度人体videosex,在线视频 91

面向多源異構(gòu)數(shù)據(jù)的知識圖譜可視化融合方法[人工智能][其他]

為解決數(shù)據(jù)冗余沖突與關(guān)聯(lián)缺失問題，研究面向多源異構(gòu)數(shù)據(jù)的知識圖譜可視化融合方法，提升數(shù)據(jù)融合的可靠性。利用網(wǎng)絡(luò)本體語言為多源異構(gòu)數(shù)據(jù)建立對應(yīng)的領(lǐng)域本體庫與全局本體庫，使得知識實體抽取和知識融合在同一框架下進行；通過長短期記憶網(wǎng)絡(luò)-條件隨機場模型，在本體庫約束下，從多源異構(gòu)數(shù)據(jù)中抽取符合領(lǐng)域定義的知識實體；利用基于層次過濾思想的知識融合模型，可視化融合抽取的知識實體，解決多源異構(gòu)數(shù)據(jù)中冗余信息和不一致性問題，形成準確、完整、可靠的多源異構(gòu)數(shù)據(jù)可視化融合知識圖譜，有助于發(fā)現(xiàn)潛在的數(shù)據(jù)關(guān)聯(lián)，補全數(shù)據(jù)關(guān)聯(lián)缺失。實驗結(jié)果表明：隨著數(shù)據(jù)缺失比例的提升，尺度系數(shù)與屬性覆蓋度均開始下降，最低尺度系數(shù)與屬性覆蓋度是0.86與0.87，均顯著高于對應(yīng)的閾值；所提方法在處理四個數(shù)據(jù)源時，視覺清晰度達93%~97%，信息融合度達92%~96%，均優(yōu)于對比方法。說明該方法可有效抽取多源異構(gòu)數(shù)據(jù)知識實體，建立知識圖譜，實現(xiàn)多源異構(gòu)數(shù)據(jù)可視化融合；在不同數(shù)據(jù)缺失比例下，該方法多源異構(gòu)數(shù)據(jù)可視化融合的尺度系數(shù)與屬性覆蓋度均較大，即數(shù)據(jù)可視化融合效果較優(yōu)；同時有效提升了數(shù)據(jù)可視化效果和信息整合程度。

發(fā)表于：6/18/2025 4:50:05 PM

復(fù)雜景觀圖像的語義多狀態(tài)圖像風(fēng)格遷移[人工智能][其他]

復(fù)雜景觀圖像包含具有不同特征的各種對象，傳統(tǒng)的風(fēng)格遷移方法無法在同一圖像中對不同對象進行局部風(fēng)格遷移。CycleGAN可以通過偽監(jiān)督策略在沒有配對樣本的情況下實現(xiàn)風(fēng)格遷移。但是CycleGAN無法實現(xiàn)對復(fù)雜風(fēng)景圖像中不同類別對象的風(fēng)格遷移；同時CycleGAN在復(fù)雜場景中的泛化能力不足且復(fù)雜度高。因此，提出了一種基于語義類別的復(fù)雜風(fēng)景多狀態(tài)圖像生成方法，即語義類別風(fēng)格遷移（Semantic Category Style Transfer，SCST），能夠有效地結(jié)合局部特征實現(xiàn)復(fù)雜風(fēng)景的圖像生成。同時提出了上下文感知的風(fēng)格遷移模型GCycleGAN。實驗結(jié)果表明本文提出的GCycleGAN的性能優(yōu)于CycleGAN、DualGAN和Munit等基于深度學(xué)習(xí)的圖像生成模型。

發(fā)表于：6/18/2025 3:21:05 PM

基于特征選擇和優(yōu)化CNN-BiLSTM-Attention對SF6斷路器漏氣故障診斷[人工智能][智能電網(wǎng)]

SF6（六氟化硫）斷路器是保障電網(wǎng)穩(wěn)定運行的重要設(shè)備，但其在長期使用中容易發(fā)生漏氣問題，既影響設(shè)備性能，又威脅電網(wǎng)的安全性。為精準診斷SF6斷路器的漏氣故障，提出了一種基于Gini指數(shù)特征選擇和貝葉斯優(yōu)化（Bayesian Optimization， BO）的CNN-BiLSTM-Attention組合模型。首先，針對影響SF6斷路器漏氣的內(nèi)外部因素，進行特征映射與重要性分析，并采用KMeans-SMOTE技術(shù)解決數(shù)據(jù)分布不均的問題。其次，利用基于Gini指數(shù)的方法篩選關(guān)鍵特征，并通過貝葉斯優(yōu)化精調(diào)CNN-BiLSTM-Attention模型的超參數(shù)以提升分類性能。實驗結(jié)果表明，設(shè)備缺陷、運行年限、運維水平、天氣和溫度是導(dǎo)致漏氣的主要因素。與其他模型相比，所提方法在漏氣故障的0/1分類任務(wù)中展現(xiàn)出更高的分類精度和魯棒性。研究不僅驗證了方法的有效性，還揭示了引發(fā)SF6斷路器漏氣的關(guān)鍵因素，為設(shè)備巡檢和運維管理提供了科學(xué)支持，進一步提升了電網(wǎng)運行的安全性與可靠性。

發(fā)表于：6/18/2025 3:11:05 PM

電力系統(tǒng)較大波動數(shù)據(jù)條目自適應(yīng)檢索方法研究[模擬設(shè)計][智能電網(wǎng)]

針對電力系統(tǒng)數(shù)據(jù)具有復(fù)雜性、多樣性特點，導(dǎo)致檢索難度過高的問題，設(shè)計了電力系統(tǒng)較大波動數(shù)據(jù)條目自適應(yīng)檢索方法。依據(jù)電力系統(tǒng)出力變化率，選取二分量一維混合高斯模型，構(gòu)建電力系統(tǒng)波動概率分布模型。對比概率分布模型模擬的電力系統(tǒng)波動數(shù)據(jù)與量測數(shù)據(jù)，依據(jù)判定閾值辨識電力系統(tǒng)較大波動數(shù)據(jù)條目，構(gòu)建數(shù)據(jù)條目檢索庫。利用哈希函數(shù)獲取檢索庫內(nèi)較大波動數(shù)據(jù)條目的哈希特征，生成二值碼。較大波動數(shù)據(jù)條目檢索時，生成用戶檢索詞的二值編碼，計算檢索詞二值碼與檢索庫內(nèi)條目二值碼的漢明距離，并對其加權(quán)處理，利用加權(quán)漢明距離排序數(shù)據(jù)條目，獲取較大波動數(shù)據(jù)條目的自適應(yīng)檢索結(jié)果。實驗結(jié)果表明，該方法能夠依據(jù)用戶輸入的檢索詞，自適應(yīng)檢索電力系統(tǒng)較大波動數(shù)據(jù)條目，檢索結(jié)果的歸一化折損累積增益均高于0.9，檢索時間低于500 ms。

發(fā)表于：6/18/2025 3:01:05 PM

基于機器閱讀理解的電力安全命名實體識別方法[模擬設(shè)計][智能電網(wǎng)]

為解決現(xiàn)有命名實體識別方法在電力安全規(guī)程等領(lǐng)域文本中識別效果不佳的問題，提出了一種基于機器閱讀理解的電力安全命名實體識別方法。首先，使用預(yù)訓(xùn)練模型對待識別文本進行編碼處理得到文本向量表示。其次，利用層次化注意力機制捕捉嵌套實體間的層次關(guān)系，重新分配文本序列的注意力權(quán)重；在此基礎(chǔ)上，利用分類器預(yù)測文本中實體范圍，得到最終實體識別結(jié)果。將該方法在ACE 2005與OntoNotes 4.0公開數(shù)據(jù)集上進行驗證，對比主流方法其取得最優(yōu)的識別效果，在電力安全領(lǐng)域?qū)嶓w識別場景下，該方法可達到89.3%的識別準確率，實現(xiàn)電力安全領(lǐng)域命名實體的精準識別。

發(fā)表于：6/18/2025 2:50:05 PM

數(shù)據(jù)驅(qū)動的商業(yè)負荷集群動態(tài)聚合研究[模擬設(shè)計][智能電網(wǎng)]

商業(yè)負荷集群的動態(tài)聚合對提高電網(wǎng)的調(diào)度靈活性、優(yōu)化需求側(cè)管理以及促進可再生能源消納具有重要意義。基于典型相關(guān)分析（CCA）選取商業(yè)負荷特征，并結(jié)合DBSCAN 和 K-means等聚類算法對負荷進行分類，以構(gòu)建適用于不同場景的負荷集群。進一步，提出了三種負荷聚合標準，即基于調(diào)節(jié)速度、負荷穩(wěn)定性和經(jīng)濟性的標準，并分析不同標準下的商業(yè)負荷聚合特性、適用性及其在電力調(diào)度中的潛在應(yīng)用。

發(fā)表于：6/18/2025 2:39:04 PM

面向電氣設(shè)施火災(zāi)早期檢測的多模態(tài)融合模型[模擬設(shè)計][安防電子]

高層建筑電氣火災(zāi)難以預(yù)測，危害程度大。為此，提出了一種面向高層建筑電氣火災(zāi)早期檢測的多模態(tài)數(shù)據(jù)融合模型，該模型融合了溫度、CO氣體濃度與煙霧三種不同模態(tài)傳感器的數(shù)據(jù)，利用了各模態(tài)間的互補優(yōu)勢。首先使用gMLP捕捉三種模態(tài)數(shù)據(jù)的內(nèi)在模式，完成特征提取。然后利用基于多頭注意力的融合方法，融合不同模態(tài)數(shù)據(jù)間的有效信息，完成特征融合，并識別出存在火情隱患的電氣設(shè)施。通過在無隱患與不同電氣設(shè)施存在火情隱患情況下的多模態(tài)數(shù)據(jù)集上進行實驗，證明了多模態(tài)數(shù)據(jù)融合模型的早期預(yù)測具有較高的準確率，表明了融合方法的優(yōu)越性。

發(fā)表于：6/18/2025 2:27:03 PM

AirGAN：空調(diào)機理模型增強生成對抗模型[模擬設(shè)計][智能電網(wǎng)]

為引導(dǎo)資源龐大、調(diào)控靈活的空調(diào)負荷參與需求響應(yīng)實現(xiàn)“源荷互動”，保障電網(wǎng)的安全經(jīng)濟運行，各大研究單位開展了樓宇空調(diào)需求響應(yīng)實時控制仿真與實踐研究。然而，如何準確地估算空調(diào)的負荷，并對空調(diào)負荷進行預(yù)測是目前面臨的重要挑戰(zhàn)。當前主流方法包括模型驅(qū)動型、數(shù)據(jù)驅(qū)動型兩種方法體系。其中模型驅(qū)動型依賴對空調(diào)負荷的建模，難以實現(xiàn)對空調(diào)負荷復(fù)雜變化的模擬。數(shù)據(jù)驅(qū)動則是依賴大量數(shù)據(jù)進行模型訓(xùn)練，但難以覆蓋空調(diào)負荷的各類特點。為此，擬從模型驅(qū)動及數(shù)據(jù)驅(qū)動相結(jié)合的角度進行空調(diào)負荷的智能擬合，以提升空調(diào)負荷生成預(yù)測的準確性和適應(yīng)性。提出了一種基于機制模型與生成對抗網(wǎng)絡(luò)（GAN）相結(jié)合的負荷生成方法和模型AirGAN。該方法通過GAN生成器生成的虛擬數(shù)據(jù)，持續(xù)調(diào)整物理模型的超參數(shù)，以使其更好地符合實際空調(diào)負荷特性。同時，采用GAN判別器對機制模型預(yù)測的負荷進行判別，以此訓(xùn)練機制模型，從而提升其預(yù)測精度。

發(fā)表于：6/18/2025 2:14:03 PM

歐盟刑事跨境電子取證制度的新發(fā)展及啟示[其他][其他]

在數(shù)據(jù)時代，刑事犯罪與網(wǎng)絡(luò)空間的深入融合凸顯了電子數(shù)據(jù)證據(jù)在刑案偵破中的重要地位。跨境涉網(wǎng)刑案的日益增多也讓各國日益關(guān)注跨境電子取證制度的建設(shè)。在復(fù)雜的案件環(huán)境中，我國目前大力推行的刑事司法協(xié)助制度有著適用范圍小、啟動后效率低的問題。作為補充的單邊跨境電子取證制度則僅以缺乏有效監(jiān)督體系、范圍同樣有限的網(wǎng)絡(luò)在線提取為主。二者均難以滿足跨境電子取證高效率、取證充分的需求。以歐盟《電子證據(jù)條例》（European Production and Preservation Orders Regulation）為參考，可以看到屬人主義單邊跨境電子取證制度成為國際主流。有鑒于歐盟單邊跨境電子取證制度中對傳統(tǒng)主權(quán)理論的突破，我國應(yīng)當率先構(gòu)建以網(wǎng)絡(luò)服務(wù)商為取證節(jié)點的屬人主義刑事單邊跨境電子取證制度，再考慮刑事司法協(xié)助的改良方法，這有利于提高效率，充分取證，助力涉網(wǎng)跨境刑事案件的偵破，掌握國際網(wǎng)絡(luò)空間的主動性與話語權(quán)，維護我國數(shù)據(jù)主權(quán)。

發(fā)表于：5/29/2025 5:09:51 PM

論勞動者個人信息保護中知情同意規(guī)則的適用[其他][其他]

勞動者個人信息保護兼具個人信息保護的一般性與勞動者保護的特殊性，傳統(tǒng)知情同意規(guī)則面臨僵化、虛置的現(xiàn)實困境。知情同意規(guī)則作為個人信息保護的風(fēng)險防范機制發(fā)揮著不可替代的作用。在既有法律框架下通過規(guī)則解釋和制度續(xù)造，明確知情的內(nèi)容與標準，完善勞動者個人“敏感信息-一般信息-去標識化信息”的類型劃分并施加不同強弱同意模式、建立以同意撤回權(quán)為核心的個人信息動態(tài)同意機制，從而構(gòu)建更具勞動關(guān)系適應(yīng)性的知情同意適用機制，可以紓解勞動關(guān)系下知情同意規(guī)則的適用困境。

發(fā)表于：5/29/2025 4:59:00 PM