随着计算智能方法得到更广泛的应用，其从问题本身学习的能力亟待增强。为此，越来越多研究提出使用机器学习模型来驱动计算智能。通常，这种基于模型的进化算法的性能高度依赖于所采用模型的训练质量。而传统机器学习方法需要大量训练数据进行模型训练，而且受维度灾难的影响，这类方法通常很难解决维度较高的问题，约束了计算智能方法的应用范畴。课题组在

本发明提出了一种基于时间-能耗重要性比重的并行任务调度算 法，在满足时间和能耗的双重限制下，实现异构并行系统下任务所用 时间和能耗的权衡优化。本发明考虑到实际情况中任务受各种因素的 影响，执行时间不是固定且确定的，而是近似于正态分布，因此在确 定任务调度顺序时，不采用以往技术中使用执行时间平均值的方法， 而是将执行时间的平均值和方差同时考虑进来使用近似权重。在任务 分配阶段，同时考虑时间和能耗这两个性能指标，并能根据

用电设备的最优管理是智能电网中实现需求侧响应的关键一环。然而该问题通常需要同时管理调度大量的用电设备，同时考虑多个时槽，是一个时间空间耦合的复杂问题，想要在短时间内解决该问题十分困难。因此，如何设计合理的算法，提高计算效率，降低计算时间，是目前的研究热点。

在串联回路中，当电弧或放电现象发生时，对电流进行频谱分析，根据电流 的频谱特征变化来确定是否有电弧发生，提供预警信息或保护动作。为了防止在 开关的瞬间或受到其他脉冲电流的干扰造成电弧故障检测电路误动作，同时在频谱分析的基础上综合电弧时间长短等其他特性作为电弧故障的判据。系统的硬件 部分包含电流检测、滤波、故障特征提取等模块。软件部分包含信号采集、信号 处理、故障判别等模块，并综合时间等其他因素降低误报率，提高检测系统的可 靠性。在算法中，采用了人工智能算法以提高系统的适应性。主要成果包

本发明公开了一种基于YOLOv8与LSD算法的车道线检测方法，适用于在雨天、夜间或标线磨损严重等复杂环境下准确识别车道线。通过在YOLOv8网络中引入Canny边缘检测，并结合LSD对检测区域内的直线段进行强化识别，可显著提升对模糊或部分遮挡车道线的捕捉能力。首先利用YOLOv8定位车道线大致区域，再采用Canny算法提取全局边缘特征，并在LSD算法的辅助下判断线段的长度、方向及完整性。若检测框紧贴图像边缘，则进一步裁剪子图并使用LSD检测线段连续性，通过周长与面积比值与紧凑度评估车道线是否已完全进入视野。该方法可有效减少漏检、误检，适应多种光照与天气条件，为自动驾驶及高级驾驶辅助系统提供高可靠度的车道线检测结果。

本发明涉及一种基于机器学习的空间数据匹配方法，包括四个步骤:1)自动生成匹配训练样本，2) 通过机器学习建立分类器模型及其参数，3)应用分类器模型对输入空间数据进行目标匹配，4)顾及逻 辑和领域约束对匹配结果的过滤和改善。其中机器学习采用以空间目标的位置、大小、形状和方位等多 种指标作为特征提取。具有如下优点:可避免量纲标准化和多指标加权中的主观任意性，匹配精度较加 权平均方法更高;匹配模型基于样本数据学习建立，数据的自适应性较高;建立模型的典型样本数量少， 可大规模应用;利用空间数据的内在几何信息，无需额外属性信息，使用准入性低。

本发明提供一种基于光谱抽样直方图的超光谱降维匹配方法及系统，包括对待匹配光谱和光谱库中 的所有光谱分别进行归一化处理，分别获取归一化后的待匹配光谱和光谱库中所有光谱的抽样直方图， 计算待匹配光谱的抽样直方图与光谱库中所有光谱的抽样直方图的欧氏距离，在光谱库中选取与待匹配 光谱抽样直方图欧氏距离最小的一条光谱作为匹配对象。本发明通过对归一化后的光谱使用等间距的窄 带进行抽样，从而获得维数远小于原始光谱的抽样直方图，完成了光谱的降维，然后使用降维后的抽样 直方图代替原始光谱进行匹配，显著降低了后续匹配时的运算量，同时在抽样时利用分段提取的方法保 留了光谱图中的相对位置信息，提高了匹配的精度。

1 成果简介随着互联网技术、内容管理技术的快速发展，电视传媒行业产生了深刻的变革。制播分离的趋势已经不可逆转，越来越多的电视节目内容制作可以从原来电视台内分离出来，媒体制作从也呈现了原来的全国媒体中心北京、上海等城市向其他城市转移的趋势。另外，多种新媒体形式如雨后春笋般涌现，手机电视、地面移动电视、网络电视、卫星电视、网游、 3G等多种新媒体形式需要大量的不同题材、不同格式、不同风格的媒体内容，媒体内容的制作需要有了飞速的增长。广播电视是海量数字媒体内容的典型代表。全国广播电视网络经过多年发展也形成了卫星、有线、地面无线多种类型、覆盖全国 31 个省份的传输网。另外我国电话用户和互联网用户发展迅猛，我国互联网用户有超过 1.6 亿在线视频用户，视频上传和视频观看均排名全球第一，手机视频已经越来越受到手机用户的青睐。 限于技术体系的不同与我国内容行业的特殊性，这些内容资源目前还仅仅是一个个的信息孤岛，大量视、音频内容的交互与交易仍在沿用传统的磁带递送方式，距离具有高度通用性、可服务于全社会、易接入、可靠、可监管的内容交换交易的文化产业目标还相距甚远。 本项目将重点探索研究及建设在现有的技术基础和相关项目研究及建设的基础上，如何建立起一个可有效服务于内容制造商、内容提供商、内容运营商、终端用户等环节的海量视频云产业基地，并结合示范工程研究及建设新媒体内容管理、交易和分发中的数字版权管理技术应用体系，同时考虑端到端的内容安全问题，并满足监管的需要。这项研究及建设工作将对促进我国新媒体相关产业的发展起到积极而且至关重要的作用。 本项目在组织实施上将有效利用中央电视台经过多年积累所形成的强大媒体内容资源优势和清华大学在信息技术/媒体信号处理技术/网络技术/云计算的技术优势，紧密结合当前数字新媒体应用部门的实际需求，充分发挥参与成员在视、音频媒体内容生产、存储、传播、分发、交换等方面的丰富经验及技术积累，同时广泛联合行业内外广播电视台、网及科研院校，产、学、研相互配合，协同合作。2 效益分析本产业分两期进行实施，期限为 4 年。产业基地预计需要投入经费总额 5 亿元人民币。以规划和建设产业园区占地 300 亩（ 20 万平方米）为例：建设海量视频云存储中心节目资源交易中心数字高清制作中心新媒体内容制作中心动漫产业中心网络游戏研发中心新媒体教育培训中心项目分两期实施： （ 1）第一期建设时间为 2 年，预计占地 150 亩（ 10 万平方米）。园区初步建成为视频云存储中心、数字高清制作中心、新媒体内容制作中心、网络游戏研发中心。 （ 2）第二期建设时间为 2 年，预计占地 150 亩（ 10 万平方米）。进一步扩建一期项目并使其规模化，同时建成节目资源交易中心 、动漫产业中心、新媒体教育培训中心等。进驻上下游企业达到 30 家。发展成全国性的海量视频云产业基地。 项目建设资金约 5 亿元人民币，研制开发具有自主知识产权的海量视频云存储、数字媒体内容及安全管理、高清节目制作、新媒体内容制作、新媒体内容管理交易分发、动漫产业和网络游戏内容制作等软硬件产品 30 种（类），建成集影视文化创意、节目制作发布、节目管理交易分发、网络/电视新技术研制为一体的，面向国际国内市场的大型海量视频云产业基地。3 合作方式商谈。4 所属行业领域信息领域。

针对国产云平台，本工具提出一套完整的测评体系，建立了针对云计算服务设施的测试分析与评估模型，实现了云基础设施测试 & 评估工具（软件）。该工具从功能和性能两个角度出发，结合云平台的特点，对云平台进行功能、性能测评；同时也可用于云平台的日常运营监控 & 告警用途。在性能测评方面，本工具可对云平台各节点的 CPU、内存、I/O、网络以及虚拟化能力进行监测、评估；在功能测评方面，本工具不但可以对云平台必备的基本功能（如镜像管理、虚拟机管理等等）完善度进行测评，还可以在模拟百万级别负载访问压力下，针对云平台高级能力指标（如动态扩展能力、节点失效处理能力、故障迁移处理能力、负载均衡等能力）进行定量的测评。最后，本工具还实现了测试过程的自动化和可视化，支持在线、离线两种测评模式，并最后根据测试结果自动生成 word 版测评报告。 该云平台基准测评工具支持如下指标： （1）对云平台各节点的 CPU、内存、I/O、网络以及虚拟化能力进行监测、评估。 （2）对云平台基本功能（如镜像管理、虚拟机管理等等）进行监测 & 评估。 （3）对云平台高级能力指标，动态扩展能力、节点失效处理能力、故障迁移处 理能力、负载均衡等能力进行定量的测评。 （4）支持在百万级别访问条件下的动态扩展、节点失效、负载均衡、 故障迁移等云计算平台功能特性的测评。 （5）支持提供不少于 1 万虚拟租户模拟系统访问，并依据测试分析与评估模型，产生测试报告。 （6）支持海量监控数据的采集、上报、存储和分析处理能力。 （7）支持自动化测试（减少人工干预）。 （8）支持测试过程动态可视化，图形化，可回溯，可跟踪。 （9）支持在线、离线两种测评模式。测试完成后自动生成 word 版测评报告。 （10）支持系统节点级、集群级、云平台三个级别的监控和告警功能。