本发明公开了一种面向微博实时搜索的自适应索引方法，该方 法包括：新建大小为π0 的第 0 层倒排索引 i0；将新的微博索引到第 0 层倒排索引 i0；当第 0 层倒排索引 i0 空间不够时，生成第 0 层倒排索 引 i0 的副本第 0 层副本 i0`，将微博插入到清空后的第 0 层倒排索引 i0； 判断当前存在索引包的数量 k<、＝p 是否成立，若是，则创建大小 为 r^k×π0

本发明公开了一种快速关键字可搜索公钥加密方法，属于计算 机安全技术领域。本发明包括：(1)，系统初始化，设置系统公开参数 以及主秘密参数；(2)，为用户生成公开部分以及初始化隐藏结构；(3)， 选取关键字，并生成相应的关键字可搜索密文；(4)，为用户生成关键 字检索陷门；(5)，服务器根据用户提交的检索陷门搜索包含相应关键 字的所有密文。本发明的关键字可搜索公钥加密的检索复杂度是与包 含该关键字的密文数量线性相关的，

技术分析(创新性、先进性、独占性)开发了新颖的深度学习算法，准确识别患病部位，准备诊断患病类型，可以显著提高临床效益。自主独立开发。已经在两家大型三甲医院做测试，算法和程序代码完整，

技术分析(创新性、先进性、独占性) 开发了新颖的深度学习算法，准确识别患病部位，准备诊断患病类型，可以显著提高临床效益。自主独立开发。

Web挖掘技术属于信息科学领域，涉及自然语言处理、模式识别、知识工程、机器学习和随机过程等多个研究领域，并需要使用概率统计、矩阵理论以及其他软计算方法作为研究工具和手段。本项目主要针对Web挖掘中的Web数据模型、文本分类和信息检索等基本问题进行理论和算法上的研究，并就这些问题提出了潜在语义结构模型、基于投影寻踪的中文网页分类算法和基于Markov网络的信息检索等模型。同时，在理论上对这些方法进行了深入的研究和探讨，从理论上证明了其正确性。在实验方面，我们将分类模型应用于大规模的标准测试文档集（REUTER-21578语料库、复旦大学中文文本分类语料库），进行了大量的实验，结果表明这些方法均表现出了较好的性能，接近甚至优于SVM和KNN的分类效果，并应用检索模型在标准测试文档集（CACM、CISI、CRAN、MED）上进行了多次对比实验，其性能与BM25相当在某些指标上甚至更优。另外，课题组在北大天网测试文档集上应用上述模型，在近几年的全国搜索引擎和网上信息挖掘学术研讨会（SEWM）的中文WEB信息检索评测中均取得了优异的成绩。

项目背景：近年来，我国自动售货机蓬勃发展的最佳时 期已经到来，从零售行业的视角来看，随着线上流量红利的 衰退，线下流量的价值越来越突出，但线下门店业态也面临 着高昂的人力成本和租金成本压力。而智能化升级引入自动 售货机，通过网络实现移动支付功能以及货物管理功能，使 得自动售货机运营效率得以提升，业务模式上也有了无限的 想象空间。随着移动支付的兴起，国内自动售货机市场近几 年可谓遍地开花，发展迅猛。近些年自动售货机行业一直朝 着低成本、多功能、更便利、售货广的方向发现。所以一款 造价低、性能稳定，运营简单，购物便利，售卖商品范围广 阔的机器越来越受到运营商的青睐。目前智能视觉柜采用静 态识别系统将非常好的满足上述条件，将来的发展潜力巨 大。目前消费者扫码后开门，取走商品后，关门，通过录制 取走商品的视频进行解析消费者取走的什么商品，从后进行 自动结算流程。核心技术是视觉识别，能通过人工智能 AI 进行识别商品类别及数量。 所需技术需求简要描述：扫码开门，采集视频或图片， 关门后通过算法自动识别消费者购买的商品明细，目前算法 准确度只有 90%，尚需突破。希望能基于视频、图像等媒体 资源，针对工厂质检、智能识别商品明细、智能补货统计等 场景，提供整体 AI 算法解决方案，全面提升智能售货机开 门取货自动识别商品的准确率达到 100%，带来更便捷的购物体验。  对技术提供方的要求:1.具有成功的自动化控制实施案 例，承担过国家重点研发计划项目。2.熟悉产品结构设计， 熟悉产品信息化、自动化设计。3.具有工学博士学位或高级 工程师职称，技术方案成熟可靠稳定有创新思维，不涉及知 识产权侵犯。 

本发明公开了一种支持物理删除的动态可搜索对称加密方法， 属于密码学和云存储技术领域。本发明使得用户在云存储环境下实现 对自身密文数据的检索以及可搜索密文的动态更新功能，并且在动态 更新过程中不会泄露可搜索密文的信息，不会破坏已有的索引结构， 本发明在做文件删除时先做逻辑删除保护已有索引结构不被泄露和破 坏，然后在检索过程中完成物理删除减少系统存储开销。本发明为可 搜索对称加密方案存在的安全性，效率和实用性三个问题提出

1. 痛点问题 自主泊车功能的测试测评相比传统车辆测评更为复杂，而且条件更加严格。 如依照传统车辆主动安全测试方法对自主泊车功能进行测试，为了达到较高的安全性，则需要进行大量场地测试，其时间与金钱成本较大，如何在降低测试量的同时确保自主泊车功能的安全性成为痛点问题。 2. 解决方案 基于最大全局侵占率搜索的车辆自主泊车功能测评方法，该方法通过搭建仿真平台，对待测自主泊车功能和场景分析，对最差泊车场景进行全局搜索，搜索以最大全局侵占率为输出。通过实地再现最差泊车场景对待测自主泊车功能进行验证，如果待测自主泊车功能在最危险场景下可满足运行要求，则认定该待测自主泊车功能通过测评。 3.合作需求 1）寻求孵化资源，工程化、产品化所需的资金、实验场地与试验设备、相关领域的开发团队等； 2）寻求资源对接，目标合作领域为自动驾驶汽车领域，目标合作企业为主机厂或车辆检测单位。

近日，上海交通大学电子系义理林教授课题组基于智能锁模算法、时间拉伸技术和实时高速电路建立的实时光谱分析控制平台，实现了锁模激光器输出飞秒脉冲的实时光谱调控，对飞秒激光器的设计具有重要的应用价值。相关成果以“Intelligent control of mode-locked femtosecond pulses by time-stretch-assisted real-time spectral analysis”为题目于2020年1月发表于国际光学顶尖期刊《Light: Science & Applications》（中科院长春光机所与Nature出版集团合办期刊），并入选为封面文章，在“News & Views”栏目被专门评述。博士生蒲国庆为第一作者，义理林教授为通信作者。 图说：期刊封面文章 飞秒尺度（1E-15秒）脉冲对应着原子分子、材料、生物蛋白、化学反应等丰富物质体系的众多超快过程，有着广泛而重要的应用。锁模激光器作为产生飞秒脉冲的重要基础研究工具，在物理、化学、生物、材料、信息科学等领域都有广泛的应用。飞秒锁模激光器自上世纪六十年代发明以来，与其相关的研究分别于1999，2005，2018年获得过诺贝尔奖。 随着超快光学的快速发展，越来越多的前沿应用需要对飞秒脉冲的时域和光谱进行精细控制。由于飞秒脉冲的产生涉及非常复杂的非线性和色散传输效应，达到特定脉冲状态的稳态输出需要对激光器多个参数在高维空间进行优化，传统基于激光器光学设计和优化的方法已被证明难以精确实现。 通过对飞秒脉冲状态进行智能识别，结合智能算法对激光器多参数进行全局优化，有望获得理想的飞秒脉冲输出，但其主要挑战在于飞秒脉冲难以实时精确识别。低速时域采样无法识别飞秒脉冲宽度和形状，光谱仪虽可识别飞秒脉冲积分光谱但无法识别其瞬时光谱，因此传统方法都无法做到实时控制飞秒脉冲精确锁模状态。为了解决这一难题，义理林教授课题组提出在锁模控制环内引入时间拉伸-色散傅里叶变换（TS-DFT）技术，通过时域到光谱的转换，采用低速时域采样即可识别飞秒脉冲对应的瞬时光谱宽度和形状。结合智能控制算法，实现了以1.4nm为精度对飞秒脉冲光谱宽带从10nm到40nm进行可编程控制，光谱形状可编程为高斯型或三角形等。这是本领域首次实现飞秒锁模脉冲光谱宽度和形状高精度实时编程控制，解决了飞秒锁模脉冲锁模状态无法精确调控的难题。 基于实时的光谱控制，该研究还展示了从窄谱锁模态至宽谱锁模态以及从三角形光谱脉冲态至宽谱锁模态的演变过程，发现两者动力学过程具有相似性，提出了目标锁模状态可能决定中间动力学过程的猜想，为人们进一步探索锁模激光器内部机理提供新视角。 图说：基于快速光谱分析的飞秒锁模脉冲智能控制 非线性光学著名专家John Dudley教授（欧洲物理学会主席，IEEE/OSA Fellow）在《Light: Science & Applications》的“News & Views”栏目撰文介绍此项工作，认为本工作极具创新性，开拓了研究锁模动力学新的可能性，很可能应用于多种锁模光纤激光器中。 义理林教授课题组过去六年来一直致力于解决飞秒锁模激光器的智能控制问题，2019年发表在光学领域顶级期刊《Optica》的“智能锁模激光器”成果入选美国光学学会旗下新闻杂志《Optics & Photonics News》2019年光学年度进展“Optics in 2019”。该方向工作部分得到国家自然科学基金（61575122）的支持。《Light: Science & Applications》论文全文https://www.nature.com/articles/s41377-020-0251-x《Light: Science & Applications》“New & Views”评述论文https://www.nature.com/articles/s41377-020-0270-7

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IEEE Transactions on Cybernetics上发表了一种由生成对抗网络（GAN）驱动的进化多目标算法。