設(shè)計應(yīng)用-AET-電子技術(shù)應(yīng)用

改進轉(zhuǎn)移概率矩陣的三維交互式跟蹤模型算法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

由于現(xiàn)有的簡單的轉(zhuǎn)移概率矩陣會導(dǎo)致跟蹤精度不高，復(fù)雜的轉(zhuǎn)移概率矩陣會導(dǎo)致跟蹤時間過長，難以滿足三維空間中機動目標(biāo)跟蹤要求。針對轉(zhuǎn)移概率矩陣的設(shè)計問題，從機理分析入手，提出了一種基于隸屬度函數(shù)的模型轉(zhuǎn)移概率矩陣設(shè)計方法，并對三維交互式多模型算法進行了改進完善。仿真結(jié)果表明，依據(jù)隸屬度函數(shù)修正轉(zhuǎn)移概率矩陣的方法有效提高了三維機動目標(biāo)的跟蹤精度。

發(fā)表于：7/25/2024 3:50:00 PM

有偏量測下基于最大相關(guān)熵卡爾曼濾波的目標(biāo)跟蹤方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對傳感器存在系統(tǒng)偏差且噪聲非高斯條件下目標(biāo)狀態(tài)估計精度較差的問題，提出一種有偏量測下基于最大相關(guān)熵卡爾曼濾波（Maximum Correntropy Kalman Filter， MCKF）的目標(biāo)跟蹤方法。該方法通過引入差分機制，利用目標(biāo)相鄰時刻的有偏量測之差構(gòu)建差分量測方程，有效克服了系統(tǒng)偏差的影響。隨后基于最大相關(guān)熵準(zhǔn)則（Maximum Correntropy Criterion， MCC）量化估計誤差的高階矩信息，并以差分量測為先驗條件推導(dǎo)出有偏量測下算法的濾波迭代方程。仿真結(jié)果表明，當(dāng)系統(tǒng)觀測值受傳感器系統(tǒng)偏差和非高斯噪聲干擾時，與現(xiàn)有方法相比，所提方法具有更好的跟蹤性能。

發(fā)表于：7/25/2024 3:40:00 PM

機動目標(biāo)跟蹤時滯問題分析[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

機動目標(biāo)跟蹤結(jié)果在時間軸上的滯后問題是當(dāng)前機動目標(biāo)跟蹤領(lǐng)域的一大難點。產(chǎn)生時滯的情況很多，一般在跟蹤初期和發(fā)生較大機動的時間段內(nèi)尤為明顯，常常會因此出現(xiàn)誤差高峰。如果能有方法抑制或者消除時滯現(xiàn)象，將能顯著提高跟蹤效果。從仿真實驗的結(jié)果和現(xiàn)象入手，結(jié)合卡爾曼濾波理論、交互式多模型算法和現(xiàn)代神經(jīng)網(wǎng)絡(luò)模型對時滯問題進行剖析，根據(jù)跟蹤各個階段情況的變化，分析時滯產(chǎn)生的不同原因，并提出可能的解決方法，以期為提高機動目標(biāo)跟蹤效果提供參考。

發(fā)表于：7/25/2024 3:30:00 PM

過程論視野下的算法裁量：形成機理、現(xiàn)實困境和法治路徑[其他][信息安全]

算法在行政裁量領(lǐng)域中的廣泛應(yīng)用，形成了一種新型的算法裁量模式，與此同時，亦帶來諸多法治挑戰(zhàn)，有必要對其形成機理、現(xiàn)實困境和法治路徑展開研究。在形成機理方面，基于法律與事實的交織構(gòu)造，算法裁量的產(chǎn)生得益于法律的代碼化以及技術(shù)對事實的豐富處理。從過程論視角，對其進行“接收-處理-輸出”階段性劃分，針對性地逐一釋明不同階段所存在的數(shù)據(jù)質(zhì)量問題、算法黑箱、算法歧視問題。基于此，有必要從范圍限定、程序約束及權(quán)利保障三個方面進行過程性的法律控制，從而推動算法裁量的法治化實踐。

發(fā)表于：7/2/2024 2:14:12 PM

數(shù)據(jù)知識產(chǎn)權(quán)登記對象研究[其他][信息安全]

發(fā)表于：7/2/2024 2:14:11 PM

網(wǎng)絡(luò)犯罪抽樣取證的實踐困境與完善[通信與網(wǎng)絡(luò)][信息安全]

信息網(wǎng)絡(luò)時代，網(wǎng)絡(luò)犯罪的海量證據(jù)引發(fā)證明困難的司法困境，抽樣取證規(guī)則為化解網(wǎng)絡(luò)犯罪海量證據(jù)取證困境提供了有益探索。然而抽樣取證在實踐中仍存在取證標(biāo)準(zhǔn)不明晰、取證程序設(shè)計不足、取證范圍寬泛、被追訴人權(quán)利保障不健全等困境。對此，需要明確抽樣取證的標(biāo)準(zhǔn)；程序設(shè)計上，需要從主體權(quán)限、審批程序、構(gòu)建類型化抽樣方法體系、非法抽樣證據(jù)排除角度進行完善；同時需要對抽樣取證的案件范圍、證據(jù)范圍、程序范圍進行必要限縮；最后需要從知情權(quán)、參與權(quán)、異議權(quán)等角度加強被追訴人救濟權(quán)保障。

發(fā)表于：7/2/2024 2:14:10 PM

從失范到規(guī)范：生成式人工智能的監(jiān)管框架革新[人工智能][信息安全]

生成式人工智能在技術(shù)變革下引發(fā)的失范性風(fēng)險，對既有人工智能監(jiān)管框架提出了挑戰(zhàn)。從底層技術(shù)機理出發(fā)，可知當(dāng)前生成式人工智能呈現(xiàn)出“基礎(chǔ)模型-專業(yè)模型-服務(wù)應(yīng)用”的分層業(yè)態(tài)，分別面臨算法監(jiān)管工具失靈、訓(xùn)練數(shù)據(jù)侵權(quán)風(fēng)險加劇、各層級間法律定位不明、責(zé)任界限劃分不清等監(jiān)管挑戰(zhàn)。為此需以分層監(jiān)管為邏輯內(nèi)核，對我國既有人工智能監(jiān)管框架進行革新。在監(jiān)管方式上應(yīng)善用提示工程、機器遺忘等科技監(jiān)管工具；在責(zé)任劃定上應(yīng)進行主體拆解與分層回溯，從而規(guī)范“基礎(chǔ)模型-專業(yè)模型-服務(wù)應(yīng)用”的分層監(jiān)管框架，以期實現(xiàn)有效監(jiān)管，促進生成式人工智能的高質(zhì)量發(fā)展。

發(fā)表于：7/2/2024 2:14:09 PM

基于生成對抗神經(jīng)網(wǎng)絡(luò)的流量生成方法研究[通信與網(wǎng)絡(luò)][信息安全]

網(wǎng)絡(luò)仿真中的流量生成對于確保仿真效果至關(guān)重要。目前常見的網(wǎng)絡(luò)流量生成器通常基于某種隨機模型，生成的流量只能服從指定的隨機分布。實際網(wǎng)絡(luò)中的隨機模型往往難以確定，導(dǎo)致現(xiàn)有模型對真實網(wǎng)絡(luò)流量的仿真有一定的偏差。為了解決這些問題，提出了基于生成對抗神經(jīng)網(wǎng)絡(luò)的時空相關(guān)流量生成模型；對網(wǎng)絡(luò)流量數(shù)據(jù)改進了其編碼方式，并使用 Z-score 處理流量數(shù)據(jù)，使數(shù)據(jù)趨于標(biāo)準(zhǔn)正態(tài)分布；提出了一種網(wǎng)絡(luò)流量時空相關(guān)性的度量方法。實驗結(jié)果表明，相較于現(xiàn)有的基線生成方式，所提出的方法在真實性和相關(guān)性的度量上平均提高了9%。

發(fā)表于：7/2/2024 2:14:00 PM

高校數(shù)據(jù)分類分級策略的探討與實踐[其他][信息安全]

隨著教育信息化的深度推進，高校數(shù)據(jù)業(yè)務(wù)越來越深入師生工作生活，數(shù)據(jù)安全與個人信息安全問題隨之日益突出。通過分析高校數(shù)據(jù)特點，結(jié)合高校數(shù)據(jù)實際，提出一套切實可行的分類分級策略，并提出針對不同分級數(shù)據(jù)采取的數(shù)據(jù)保護方案，旨在保障高校數(shù)據(jù)的安全性和隱私性。

發(fā)表于：7/2/2024 2:14:00 PM

企業(yè)數(shù)據(jù)分類分級自動化路徑研究[其他][信息安全]

數(shù)據(jù)分類分級自動化是提升企業(yè)數(shù)據(jù)分類分級效率、促進數(shù)據(jù)安全管理的重要手段。目前，針對數(shù)據(jù)分類分級自動化路徑的研究還相對較少。結(jié)合數(shù)據(jù)分類分級工作流程，總結(jié)企業(yè)數(shù)據(jù)分類分級面臨的主要問題挑戰(zhàn)，對數(shù)據(jù)探測、數(shù)據(jù)預(yù)處理、敏感數(shù)據(jù)識別、分類分級打標(biāo)等典型自動化技術(shù)進行分析，提出了企業(yè)數(shù)據(jù)分類分級自動化的框架和路徑，為企業(yè)更加高效有序地開展數(shù)據(jù)分類分級自動化工作提供有效借鑒。

發(fā)表于：7/2/2024 2:14:00 PM