复杂的光谱干扰限制了ICP-AES分析技术的进一步发展。最近提出的一些光谱干扰校正算法都因运算量大,而难以在一般微机上实时运行。本文基于算法和处理速度的综合考虑,采用VLSI数字信号处理器(DSP芯片)构成光谱干扰校正硬件与Shen Lansun(沈兰荪)等人(1989)提出的算法相结合,初步实现了对ICP-AES光谱干扰的实时校正,从而为光谱干扰实时校正的研究开辟了一条新路。

基于视觉采样原理，该文提出了一般化的视觉采样聚类方法VSC。该方法将视觉原理与著名的Weber定律结合起来，其特点是：对聚类初始条件不敏感；Weber定律提供了新的聚类有效性标准，并且该方法所得到的合理的聚类数可以依据Weber定律而得到。大量的实验结果表明了算法VSC的有效性。文中讨论了算法VSC与由Yang Miin-Shen等人(2004)新近提出的基于相似度量的聚类算法SCA之间的内在联系，得出了这两个算法具有一定的同解性质，从而揭示了该文所提方法VSC能够有效地克服算法SCA中参数 不易确定的困难。

在车载网络(VANETs)中，联邦学习(FL)通过协同训练机器学习模型，实现了车辆间的数据隐私保护，并提高了整体模型的性能。然而，FL在VANETs中的应用仍面临诸多挑战，如模型泄露风险、训练结果验证困难以及高计算和通信成本等问题。针对这些问题，该文提出一种面向联邦学习的可验证隐私保护批量聚合方案。首先，该方案基于Boneh-Lynn-Shacham (BLS)动态短群聚合签名技术，保护了客户端与路边单元(RSU)交互过程中的数据完整性，确保全局梯度模型更新与共享过程的不可篡改性。当出现异常结果时，方案利用群签名的特性实现车辆的可追溯性。其次，结合改进的Cheon-Kim-Kim-Song (CKKS)线性同态哈希算法，对梯度聚合结果进行验证，确保在联邦学习的聚合过程中保持客户端梯度的机密性，并验证聚合结果的准确性，防止服务器篡改数据导致模型训练无效的问题。此外，该方案还支持车辆在部分掉线的情况下继续更新模型，保障系统的稳定性。实验结果表明，与现有方案相比，该方案在提升数据隐私安全性和结果的可验证性的同时，保证了较高效率。