本发明公开了一种采用基于 Delaunay 三角剖分的空间网络编码的网络传输方法，适用于包含 N 个终端点的传输网络；包括初始化步骤、Delaunay 预处理步骤、形成子矩形步骤、子矩形划分步骤、求平衡前线性规划最优解步骤、调整中继点到平衡位置步骤、求平衡后线性规划最优解步骤和 Delaunay 后处理步骤；通过采用 Delaunay 三角剖分得到斯坦纳点和增补的斯坦纳点作为候选的中继点，并通过非均匀划分得到候选的中继点，从上述候选的中继点中选出最优的中继点，对选出中继点的位置进行微调以进一步降低代价，从而得到采用空间网络编码的网络传输方案，解决现有技术中仅基于非均匀划分的空间网络编码方法中，当中继点与终端点非均匀密度分布时求线性规划最优解时计算量大的问题，进一步有效提升网络传输的总体性能。

本发明公开了一种网络舆情识别方法

一种面向多云架构的网络性能提升方法，属于云计算领域，解 决传统多云架构系统未考虑不同云存储服务器之间性能差异的问题， 以提升网络性能。本发明采用多云架构，将用户文件通过纠删码编码 后冗余地储存在多个云存储服务器中，每个云存储服务器都只能获得 文件的部分数据，在进行文件传输时能根据实际的网络环境尽可能多 地利用性能好的云存储服务器，同时避免被性能差的云存储服务器拖 累，使得系统的网络性能比传统的多云架构系统以及任一云存

本发明公开了一种社区网络的层次病毒免疫方法，包括以下步 骤：获取社区网络的网络结构；对获得的网络结构进行社区划分，划 分后分别得到社区层和用户层网络结构；依据社区层和用户层的网络 结构确定每一个社区的免疫节点数目；而后，利用本发明定义的能够 更恰当表述病毒传播动力过程的 SIRSR 模型，分别对社区层和用户层 的社区独立或者同时地进行病毒免疫，对于社区层采用图遍历的方法 进行病毒免疫，用户层采用目标免疫方法进行病毒免

本发明公开了一种工业蓝牙网络系统及组网方法，其中一个蓝牙网络系统包括一个主站和多个从站，每个从站拥有一个网络密钥装置，用于存储加密的蓝牙安全组网过滤参数。组网前，蓝牙主站根据微微网 ID 设置搜索过滤参数，确保只有符合要求的从站才能被搜索到；蓝牙从站将微微网 ID 设置为自身的设备类型，并根据主站的蓝牙地址设置连接过滤参数，确保能被自己隶属的主站搜索到并只允许该主站与自己建立连接。组网中，蓝牙主从站根据设置的组网过滤

本发明公开了一种移动社会网络中的人群划分方法，包括以下步骤：a、导入用户地理轨迹日志文件，计算任意两个用户之间的离散地理轨迹相似度 si,j；b、基于任意两用户的离散地理轨迹相似度，建立 User-User 相似性矩阵 G、Locate-User 矩阵 LU 和 User-Locate 矩阵UL；c、导入用户社交活动日志，根据用户彼此之间的手机呼叫历史记录建立社交网络模型，计算社交网络邻接矩阵 F；d、计算分块矩阵并划分人群。本发明通过对手机网络或基于位置在线社交网络中的用户精准划分，可应用于个性化内容推荐系统，向目标用户推送个性化内容。

本发明属于无人艇领域，并公开了一种基于云网络的无人艇监控系统，包括本地监控站、云端服务器和云终端监控站，所述本地监控站包括本地通信单元、本地显示单元和本地控制单元，所述云端服务器包括云端接收单元、云端存储单元和云端发送单元，所述云终端监控站包括终端通信单元、终端显示单元和终端控制单元。本发明能够实现无人艇本地监视与控制、数据信息云存储与云共享、远程云终端监视与控制等功能，可通过无人艇航行状态数据、环境数据和控制命令的云存储与云共享实现远程云终端与无人艇的信息交互。

TMMO网络游戏开发课程，网络通信的实现是基于ETServer，ETCore作为网络通信核心，是由 ETServer框架 演变而来的，我们的课程项目前，后端都会引用ETCore模块。

随着人工智能、大数据、物联网、区块链等新一代信息技术兴起，数据量呈现爆炸式增长，传统计算系统的算力难以满足海量数据的计算需求。与此同时，摩尔定律逐渐放缓，单纯依靠提高集成度、缩小晶体管尺寸来提升芯片及系统性能的路径正面临技术极限，通过引入忆阻器新器件、模拟计算新范式、存算一体新架构，将拓展出全新的高性能人工智能芯片与系统，实现计算能力的飞跃。 目前被广泛使用的经典冯·诺依曼计算架构下数据存储与处理是分离的，存储器与处理器之间通过数据总线进行数据传输，在面向大数据分析等应用场景中，这种计算架构已成为高性能低功耗计算系统的主要瓶颈之一：数据总线的有限带宽严重制约了处理器的性能与效率，且存储器与处理器之间存在严重性能不匹配问题。忆阻器存算一体系统把传统以计算为中心的架构转变为以数据为中心的架构，其直接利用阻变器件进行数据存储与处理，通过将器件组织成为交叉阵列形式，实现存算一体的矩阵向量乘计算。忆阻器存算一体系统可以避免数据在存储和计算中反复搬移带来的时间和能量开销，消除了传统计算系统中的“存储墙”与“功耗墙”问题，可以高效、并行的完成基础的矩阵向量乘计算，未来极有潜力成为支撑人工智能等新兴应用的核心技术。 清华大学吴华强教授团队实现了材料与器件、电路设计、架构和算法的软硬件协同等多方面原始创新，解决了系统精度损失等被广泛关注的难题： 材料与器件创新。科研团队选择了电学特性稳定的二氧化铪作为忆阻层核心材料，提出了通过插入少量氧化铝层来固定离子分布、抑制晶粒间界形成的新理论，提出了引入热增强层的新原理器件结构，成功抑制了忆阻器非理想特性的产生。 电路设计创新。开发了一套忆阻器与晶体管的混合电路设计方法，提出“差分电阻”设计思想，采取源线电流镜限流设计，抑制了忆阻器电路中可能产生的各种计算误差。 算法创新。提出了混合训练算法，仅用小数据量训练神经网络并只更新最后一层网络的权重，即可将存算一体硬件系统的计算精度达到与软件理论值相同的水平。 “技术链”创新。从“单点技术突破”拓展到“技术链突破”，开发了针对忆阻器存算一体芯片的电子设计自动化（EDA）工具，打通了从电路模块设计到系统综合再到芯片验证的设计全流程。 上述理论和方法发表于《自然》《自然·纳米技术》《自然·通讯》等国际顶级期刊，以及被誉为“集成电路奥林匹克”的“国际固态电路大会”等顶级学术会议。研究成果被“国际半导体技术路线图”和30多部综述文章长篇幅引用。团队已在该研究方向申请国内外专利72项，其中30项已获得授权，知识产权完全自主可控。 团队已研制出全球首款忆阻器存算一体芯片和系统，集成了8个忆阻器阵列和完整的外围控制电路，以更小的功耗和更低的硬件成本大幅提升了计算设备的算力。全系统的计算能效比当前主流的人工智能计算平台——图形处理器（GPU）高两个数量级。团队还设计了一款基于130nm工艺研制的完整忆阻器存算一体芯片，在MNIST数据集上计算速度已超过市面上28nm工艺的四核CPU产品近20倍，能效有近千倍的优势。