相较于传统车载充电系统,集成型车载充电系统(integrated onboard charger system,IOCS)在成本、功率密度等方面具备显著优势。文中基于六相永磁电驱系统设计了一台IOCS,并研究了模型预测电流控制(model predictive current control,MP...相较于传统车载充电系统,集成型车载充电系统(integrated onboard charger system,IOCS)在成本、功率密度等方面具备显著优势。文中基于六相永磁电驱系统设计了一台IOCS,并研究了模型预测电流控制(model predictive current control,MPCC)算法在该系统并网模式下的应用。首先,分析所提IOCS的电路拓扑并建立数学模型,同时介绍传统MPCC的实施流程。然后,针对传统MPCC计算量大、稳态性能差等不足,提出一种基于占空比优化的MPCC(MPCC based on duty cycle optimization,DCO-MPCC)策略。一方面,减少备选电压矢量数量,降低电流预测环节带来的计算负担;另一方面,提出一种占空比优化技术,改善系统稳态性能。最后,通过实验验证了所提算法的有效性与优越性。实验结果表明,DCO-MPCC策略能够显著提升系统稳态性能并减少算法计算量。充电与车网互动(vehicle to grid,V2G)工况下,网侧电流总谐波畸变(total harmonic distortion,THD)分别降低6.18%与5.92%,算法运行时间减少17.54μs。展开更多
针对如何从开源网络安全报告中高效挖掘威胁情报的问题,提出了一种基于威胁情报命名实体识别(Threat Intelligence Named Entity Recognition, TI-NER)算法的威胁情报挖掘(TI-NER-based Intelligence Mining, TI-NER-IM)方法。首先,收...针对如何从开源网络安全报告中高效挖掘威胁情报的问题,提出了一种基于威胁情报命名实体识别(Threat Intelligence Named Entity Recognition, TI-NER)算法的威胁情报挖掘(TI-NER-based Intelligence Mining, TI-NER-IM)方法。首先,收集了近10年的物联网安全报告并进行标注,构建威胁情报实体识别数据集;其次,针对传统实体识别模型在威胁情报IoC攻击指示器挖掘领域的不足,提出了基于自注意力机制和字符嵌入的威胁情报实体识别(Threat Intelligence Entity Identification based on Self-attention Mechanism and Character Embedding, TIEI-SMCE)模型,该模型融合字符嵌入信息,再通过自注意力机制捕获单词间潜在的依赖权重、语境等特征,从而准确地识别威胁情报IoC实体;然后,基于TIEI-SMCE模型,提出了一种威胁情报命名实体识别算法;最后,集成上述模型和算法,进一步提出了一种新的威胁情报挖掘方法。TI-NER-IM方法能实现从非结构化、半结构化网络安全报告中自动挖掘威胁情报IoC实体。实验结果表明,与BERT-BiLSTM-CRF模型相比,TI-NER-IM方法的F1值提升了1.43%。展开更多
文摘相较于传统车载充电系统,集成型车载充电系统(integrated onboard charger system,IOCS)在成本、功率密度等方面具备显著优势。文中基于六相永磁电驱系统设计了一台IOCS,并研究了模型预测电流控制(model predictive current control,MPCC)算法在该系统并网模式下的应用。首先,分析所提IOCS的电路拓扑并建立数学模型,同时介绍传统MPCC的实施流程。然后,针对传统MPCC计算量大、稳态性能差等不足,提出一种基于占空比优化的MPCC(MPCC based on duty cycle optimization,DCO-MPCC)策略。一方面,减少备选电压矢量数量,降低电流预测环节带来的计算负担;另一方面,提出一种占空比优化技术,改善系统稳态性能。最后,通过实验验证了所提算法的有效性与优越性。实验结果表明,DCO-MPCC策略能够显著提升系统稳态性能并减少算法计算量。充电与车网互动(vehicle to grid,V2G)工况下,网侧电流总谐波畸变(total harmonic distortion,THD)分别降低6.18%与5.92%,算法运行时间减少17.54μs。
文摘针对如何从开源网络安全报告中高效挖掘威胁情报的问题,提出了一种基于威胁情报命名实体识别(Threat Intelligence Named Entity Recognition, TI-NER)算法的威胁情报挖掘(TI-NER-based Intelligence Mining, TI-NER-IM)方法。首先,收集了近10年的物联网安全报告并进行标注,构建威胁情报实体识别数据集;其次,针对传统实体识别模型在威胁情报IoC攻击指示器挖掘领域的不足,提出了基于自注意力机制和字符嵌入的威胁情报实体识别(Threat Intelligence Entity Identification based on Self-attention Mechanism and Character Embedding, TIEI-SMCE)模型,该模型融合字符嵌入信息,再通过自注意力机制捕获单词间潜在的依赖权重、语境等特征,从而准确地识别威胁情报IoC实体;然后,基于TIEI-SMCE模型,提出了一种威胁情报命名实体识别算法;最后,集成上述模型和算法,进一步提出了一种新的威胁情报挖掘方法。TI-NER-IM方法能实现从非结构化、半结构化网络安全报告中自动挖掘威胁情报IoC实体。实验结果表明,与BERT-BiLSTM-CRF模型相比,TI-NER-IM方法的F1值提升了1.43%。
