123,123

基于AQPSO-LSTM-BN的APU故障診斷模型[模擬設(shè)計(jì)][工業(yè)自動化]

針對飛機(jī)APU的常見故障，提出了一種基于量子粒子群優(yōu)化的長短期記憶網(wǎng)絡(luò)與批規(guī)范化相結(jié)合的飛機(jī)APU故障診斷模型。從QAR數(shù)據(jù)庫中整理出需要的APU故障數(shù)據(jù)，將其進(jìn)行歸一化處理并分為訓(xùn)練集和測試集兩部分，建立CSV文檔數(shù)據(jù)庫；對量子粒子群進(jìn)行改進(jìn)，使用改進(jìn)后的量子粒子群對長短期記憶網(wǎng)絡(luò)的隱含層單元數(shù)目進(jìn)行尋優(yōu)；將優(yōu)化參數(shù)后的長短期記憶網(wǎng)絡(luò)與批規(guī)范化相結(jié)合搭建網(wǎng)絡(luò)模型，并在網(wǎng)絡(luò)最頂層加入Softmax模型，生成AQPSO-LSTM-BN故障診斷模型，使用訓(xùn)練集對故障診斷模型進(jìn)行訓(xùn)練，然后使用測試集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該模型可以有效識別APU故障，與單一長短期記憶網(wǎng)絡(luò)模型、支持向量機(jī)模型、循環(huán)神經(jīng)網(wǎng)絡(luò)模型和極限學(xué)習(xí)機(jī)模型相比，識別準(zhǔn)確度有所提高。

發(fā)表于：2020/12/15 9:51:02

軟件定義邊界安全模型在電網(wǎng)企業(yè)系統(tǒng)中的應(yīng)用[可編程邏輯][智能電網(wǎng)]

針對電網(wǎng)企業(yè)在內(nèi)網(wǎng)環(huán)境下應(yīng)用系統(tǒng)訪問出現(xiàn)安全問題，結(jié)合傳統(tǒng)訪問控制機(jī)制，提出了一種基于軟件定義邊界（Software Defined Perimeter，SDP）的用戶多維度數(shù)據(jù)身份驗(yàn)證模型。首先分析了當(dāng)前電網(wǎng)企業(yè)應(yīng)用系統(tǒng)中訪問控制模型存在的不足，然后對現(xiàn)有的模型引入信任的屬性，依照最小化授權(quán)方式，建立每個(gè)人與公司業(yè)務(wù)系統(tǒng)的對應(yīng)關(guān)系，創(chuàng)建千人千面的安全軟邊界網(wǎng)關(guān)。實(shí)際應(yīng)用和理論分析表明，該模型可以實(shí)現(xiàn)用戶只能看到被授權(quán)訪問的應(yīng)用，建立強(qiáng)信任、強(qiáng)可控、強(qiáng)防護(hù)的新安全架構(gòu)，有效保護(hù)電網(wǎng)企業(yè)的各類應(yīng)用系統(tǒng)。

發(fā)表于：2020/12/15 9:50:00

融合懲罰因子和時(shí)間權(quán)重的協(xié)同過濾推薦算法[人工智能][工業(yè)自動化]

協(xié)同過濾算法是一種經(jīng)典的推薦算法，思想是依據(jù)近鄰用戶或者相似物品對目標(biāo)進(jìn)行推薦，常被應(yīng)用在各類推薦系統(tǒng)中。但傳統(tǒng)算法過分考慮熱門物品對評分的影響，而忽略了冷門物品對用戶興趣特征度量的貢獻(xiàn)，也未考慮用戶興趣動態(tài)變化的問題。對此，提出一種新的相似度改進(jìn)算法，改進(jìn)后的協(xié)同過濾算法將物品熱門懲罰因子和時(shí)間數(shù)據(jù)權(quán)重進(jìn)行加權(quán)計(jì)算，優(yōu)化了用戶相似度計(jì)算方法，形成了一種新的相似性度量模型。利用MovieLens電影推薦數(shù)據(jù)集驗(yàn)證改進(jìn)后的算法，實(shí)驗(yàn)結(jié)果表明，該算法將推薦平均絕對誤差(MAE)與傳統(tǒng)算法相比降低了13.2%，推薦質(zhì)量有了明顯提升。

發(fā)表于：2020/12/15 9:22:00

電力物聯(lián)網(wǎng)信息安全防護(hù)技術(shù)研究[通信與網(wǎng)絡(luò)][物聯(lián)網(wǎng)]

介紹了電力物聯(lián)網(wǎng)在配電網(wǎng)的應(yīng)用場景，總結(jié)了我國電力物聯(lián)網(wǎng)信息安全防護(hù)的發(fā)展歷程，分析了當(dāng)前電力物聯(lián)網(wǎng)信息安全應(yīng)用中存在的主要問題和解決電力物聯(lián)網(wǎng)信息安全的關(guān)鍵技術(shù)，最后提出了電力物聯(lián)網(wǎng)終端本體的信息安全防護(hù)的四道防線模型和實(shí)踐。

發(fā)表于：2020/12/14 18:00:00

一種支持工業(yè)物聯(lián)網(wǎng)故障檢測的混合互認(rèn)證方案[通信與網(wǎng)絡(luò)][物聯(lián)網(wǎng)]

在工業(yè)物聯(lián)網(wǎng)（IIoT）中，工業(yè)機(jī)器人和員工在制造過程中扮演著非常重要的角色。一個(gè)安全、高效的工業(yè)機(jī)器人和員工認(rèn)證方案一直是研究熱點(diǎn)，并面臨諸多挑戰(zhàn)。例如，工業(yè)機(jī)器人和員工在身份驗(yàn)證階段容易受到模擬和去同步攻擊。同時(shí)，控制中心很難找到不受控制的工業(yè)機(jī)器人。針對上述情況，提出了一種支持工業(yè)物聯(lián)網(wǎng)故障檢測的混合互認(rèn)證方案。分別為員工和工業(yè)機(jī)器人（IR）設(shè)計(jì)了基于橢圓曲線加密（ECC）的認(rèn)證和基于物理不可克隆函數(shù)（PUF）的認(rèn)證。使用了基于閾值的故障檢測，添加了禁用表以防止無授權(quán)員工訪問監(jiān)控和數(shù)據(jù)采集中心（SCDAC）。最后，分析論證了該方案的可行性和高效性。

發(fā)表于：2020/12/14 17:47:00

基于組件技術(shù)的通用指揮系統(tǒng)框架設(shè)計(jì)[模擬設(shè)計(jì)][其他]

在國產(chǎn)化背景下，針對航天測控體系中指揮顯示軟件系統(tǒng)(簡稱指顯系統(tǒng))在設(shè)計(jì)和開發(fā)過程中可移植性、可復(fù)用性較低的問題，在分析指顯系統(tǒng)的任務(wù)需求和體系結(jié)構(gòu)基礎(chǔ)上，提出了基于組件技術(shù)的通用指顯系統(tǒng)框架(General Command and Display Architecture，GCDA)，解決了顯示平臺/編輯平臺與組件耦合問題，使用Qt實(shí)現(xiàn)了基于組件的指顯系統(tǒng)原型。GCDA框架和組件化方法是指顯系統(tǒng)研發(fā)技術(shù)的積累和提升，在提高航天測控軟件的研發(fā)水平方面提供了可行的技術(shù)途徑。

發(fā)表于：2020/12/14 17:39:00

低成本脈沖激光測距系統(tǒng)研究[測試測量][其他]

基于脈沖飛行時(shí)間測距法構(gòu)建了一套近程高精度脈沖激光測距系統(tǒng)，系統(tǒng)采用直接探測工作方式，利用FPGA(Field Programmable Gate Array)主控芯片控制脈沖激光的發(fā)射以及回波信號的采集和處理，進(jìn)而實(shí)現(xiàn)高精度測距。在實(shí)驗(yàn)室條件下，借助測距性能驗(yàn)證實(shí)驗(yàn)，獲得了泡沫板目標(biāo)的距離信息，且系統(tǒng)測距精度可達(dá)5.43 mm@8.08 m。主要介紹了脈沖激光測距系統(tǒng)的工作原理、系統(tǒng)構(gòu)成以及基于FPGA的距離信息提取算法。

發(fā)表于：2020/12/14 17:34:00

基于FPGA的功率譜分析系統(tǒng)[其他][其他]

針對激光雷達(dá)的微弱信號探測，設(shè)計(jì)了一種實(shí)時(shí)功率譜分析系統(tǒng)。系統(tǒng)使用12位1 GS/s的模數(shù)轉(zhuǎn)換器(Analog to Digital Converter，ADC)進(jìn)行采樣，采用FPGA作為數(shù)據(jù)采集處理的控制核心，并通過DDR3及千兆以太網(wǎng)實(shí)現(xiàn)數(shù)據(jù)的存儲上傳。在上位機(jī)軟件控制下，結(jié)合各個(gè)功能模塊，實(shí)現(xiàn)了參數(shù)可配置的兩種功率譜估計(jì)方案。測試結(jié)果表明，系統(tǒng)有效提升了數(shù)據(jù)處理速度，并通過分段累加改善了功率譜估計(jì)的性能。

發(fā)表于：2020/12/14 17:29:00

命名數(shù)據(jù)網(wǎng)絡(luò)中基于Dec-POMDP的緩存策略[其他][其他]

針對命名數(shù)據(jù)網(wǎng)絡(luò)(Named Data Networks，NDN)中數(shù)據(jù)緩存的問題，提出了一種基于分布式部分可觀測馬爾科夫決策過程(Dec-POMDP)的緩存優(yōu)化模型。在該模型框架下，NDN網(wǎng)絡(luò)節(jié)點(diǎn)間以分布式協(xié)作的方式逐漸收斂至最優(yōu)聯(lián)合緩存策略，從而使NDN中的有限緩存資源得到充分利用。仿真實(shí)驗(yàn)表明，與現(xiàn)有NDN緩存方法相比，該方法能有效提升NDN網(wǎng)絡(luò)的緩存效率，實(shí)現(xiàn)較高的緩存命中率及較小的請求平均跳數(shù)。

發(fā)表于：2020/12/14 17:23:00

基于YOLO改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)的車輛檢測方法[測試測量][汽車電子]

針對車輛檢測任務(wù)，設(shè)計(jì)更高效、精確的網(wǎng)絡(luò)模型是行業(yè)研究的熱點(diǎn)，深層網(wǎng)絡(luò)模型具有比淺層網(wǎng)絡(luò)模型更好的特征提取能力，但構(gòu)建深層網(wǎng)絡(luò)模型時(shí)將導(dǎo)致梯度消失、模型過擬合等問題，應(yīng)用殘差網(wǎng)絡(luò)結(jié)構(gòu)可以緩解此類問題?；赮OLO算法，改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)，加深網(wǎng)絡(luò)層數(shù)，設(shè)計(jì)了一種含有68個(gè)卷積層的卷積神經(jīng)網(wǎng)絡(luò)模型，同時(shí)對輸入圖像進(jìn)行預(yù)處理，保證目標(biāo)在圖像上不變形失真，最后在自定義的車輛數(shù)據(jù)集上對模型進(jìn)行訓(xùn)練與測試，并將實(shí)驗(yàn)結(jié)果與YOLOV3模型進(jìn)行對比，實(shí)驗(yàn)表明，本文設(shè)計(jì)的模型檢測精準(zhǔn)度(AP)達(dá)90.63%，較YOLOV3提高了4.6%。

發(fā)表于：2020/12/14 17:18:00