FBC模型的伪随机性和超伪随机性

FBC分组密码算法是入选2018年全国密码算法设计大赛第2轮的10个分组密码算法之一.FBC主要采用四分支两路Feistel结构设计,是一个实现效率高的轻量级分组密码算法.将FBC算法抽象为FBC模型,并研究该模型的伪随机性和超伪随机性,在FBC轮函数都是相互独立的随机函数的条件下,给出能够与随机置换不可区分所需的最少轮数.结论表明,在选择明文攻击条件下,4轮FBC与随机置换不可区分,因而具有伪随机性;在自适应性选择明密文攻击条件下,5轮FBC与随机置换不可区分,因而具有超伪随机性.

面向超分辨率重建的层次间局部特征增强网络

基于卷积神经网络的超分辨率重建模型以单项传播为主,层次越靠后感知信息的能力越微弱,导致层次间局部特征部分丢失,难以实质提升网络的特征表达能力。针对此问题,提出层次间局部特征增强网络。该方法由级联残差模块、层次间特征增强块和特征感知注意力机制组成。级联残差模块通过有效残差连接增加对残差分支信息的利用;层次间特征增强块提取不同深度特征的依赖关系,自适应调整中间层特征权值增强捕获关键信息的能力;特征感知注意力机制采用方向感知和位置判断的方式准确定位和识别感兴趣对象。多项标准数据集的实验结果表明,该方法能改善超分辨率的视觉重建效果,整体性能优于现有方法。

2023年河南麦收连阴雨的形成和环流异常分析

2023年5月25—30日河南遭遇了1961年以来同期持续时间最长、影响最大的连阴雨天气过程。连阴雨天气导致小麦大幅减产,品质下降,豫南、豫中和豫东部分种子田失去种用价值,被评为“烂场雨”。利用常规观测资料、NCEP再分析资料和EC数值预报产品,对这次连阴雨过程的大尺度环流形势和影响系统进行分析。结果表明:(1)该天气过程发生在异常大气环流背景下,西太平洋副热带高压显著偏强,脊线5天滑动平均位置偏北达8个纬度,越过25°N线;西伯利亚高压也显著偏强且频繁向南暴发。(2)乌拉尔山阻塞系统的形成导致我国新疆西北部长时间维持一深厚冷涡,从而在35°—40°N形成了稳定纬向环流,冷涡底部不断有冷空气分裂东移南下影响河南。远距离超强台风的逼近导致副热带高压迅速西伸北抬,在其外围形成了一条宽广、深厚的从南海伸向中纬度地区的暖湿气流输送带,最终在豫西北汇聚出低空急流。随着暖湿气流输送带向北扩展,在大风速区的前方,对流层中低部有明显的空气质量和水汽的辐合,从而引发上升运动的发生发展,导致多地暴雨、局部大暴雨的出现。(3)南北两个异常的天气系统的结合,促成了中纬度能量锋区的稳定维持,锋面抬升对暖区降水起到增幅和维持作用。(4)数值模式对中、短期环流趋势和影响系统均作出了较准确的预报,但对降水量级及其分布的预测还需要进一步推敲订正。

一种新Super-FEC码型的设计与仿真研究

提出光通信系统中一种基于分组Turbo码(BTC)的新颖超强前向纠错(Super-FEC)码型即:BCH(64,57)×BCH(64,57)BTC码型。仿真表明在BER=10-12时,迭代六次的该BTC码与ITU-TG.975.1中迭代三次的RS(255,239)+CSOC(k0/n0=6/7,J=8)相比,其净编码增益要相应增加0.34dB。分析表明该BTC码具有分量码短、编/译码速度快的特点,不仅减小了软/硬件实现的复杂度,而且减小了编/译码带来的时延。因而该新BTC码可用于超高速、超大容量和超长距离的光通信系统中。最后还探讨了该BTC码的设计与实现。

区域感知实时人像超分辨率重建网络

在人像超分辨率重建领域,传统方法通常将整幅图像进行统一处理,导致效率低下。为降低模型的推理时延,提出了一种实时超分辨率重建模型RASR。该模型利用门控单元处理低分辨率图像,识别出人像边缘区域;采用分区重建策略,使用不同尺寸的子模型分别针对包含或不包含人像边缘的区域进行重建。实验结果表明:与现有方法相比,RASR模型在4倍上采样重建场景下的推理时延降低了88%,能够更有效地重建高分辨率人像图像。

基于电荷耦合效应的超级结JBS二极管的仿真分析

为提升现代单极型功率二极管的性能,进一步突破“硅极限”,通过加大传统JBS二极管中P+区结深,引入超级结结构以减薄芯片厚度,缓解传统单极型器件通态压降与反向阻断电压之间的矛盾,提高单位面积器件的导通电流密度。使用数值方法分析了超级结JBS二极管中P柱区浓度、N柱区宽度和N柱区浓度对正向导通特性以及反向阻断特性的影响,应用电场耦合效应理论分析了超级结JBS二极管的正向导通和反向阻断机理,设计了一款300 V的超级结JBS二极管。

用于单图像超分辨率的全局特征高效融合网络

现有图像超分辨率网络中普遍存在对层间特征利用水平较低的现象,使得在图像重建过程中有细节特征丢失,最终处理结果纹理模糊、图像质量欠佳。为此提出一种用于图像超分辨率的全局特征高效融合网络模型。主体使用对称卷积神经网络实现浅层特征的逐级提取,并结合Transformer完成浅层与深层特征的融合利用。设计的对称自指导残差模块可以在浅层网络实现不同层间特征更具表达性的融合,同时提升网络的特征提取能力;特征互导融合模块可以增强网络对浅层特征与深层特征的融合能力,促进更多的特征信息参与到细图像重建过程。在Set5、Set14、BSD100和Urban100数据集上同近年来的经典网络(HR、CARN、IMDN、MADNet、LBNet)进行性能对比,实验结果表明:所提网络模型在峰值信噪比上有所提升,并在视觉直观对比中取得了较好的图像超分辨率效果,可改善超分辨率图像质量欠佳的问题。

砂浆试件强度与振捣时间关系的研究

砂浆试件较小、种类多,砂浆试件制作标准增加了难度,进而砂浆试件28d的标养强度不能很好反映材料的真实强度情况,尤其对于使用不同品种较多的项目,砂浆试件不合格会带来诸多不便,研究分析了在砂浆试件制作中最重要的振捣因素对砂浆试件强度的影响状况,进而找出规律,避免更多的试件不合格。

超宽混凝土桥面板横向分块浇筑施工研究

超宽混凝土桥面板是桥梁工程中的关键部位之一,其横向分块浇筑施工是提高桥面板质量的关键因素。结合一座宽61.7 m的超宽桥梁,采用MIDAS FEA有限元软件建立混凝土桥面板横向分块浇筑施工模型,分别对横向分2块浇筑、横向分4块由外向内浇筑、横向分6块由外向内浇筑、横向分6块先浇筑最外侧再浇筑最内侧最后浇筑中间块,4种施工方案进行计算对比,得到最佳施工方式为半幅横向分4块由外向内浇筑,与实际现场施工时采用的施工方法一致。

具有自适应激活层和感受野块的超分辨网络

基于生成对抗网络的超分辨网络在提升图像感知质量等方面获得了重大突破,解决了SR图像中的边缘平滑问题,但依然存在纹理细节缺失、噪点和伪影等问题。在此提出一种含有学习层的自适应激活层MetaAconc与残差网络重构结合,得到一种新的残差块ResMA。此外感受野块已经在目标检测等方面取得了不错的效果,为了增强特征细节,提出了增强感受野密集残差块(enhanced residual of receptive field dense block,ERRFDB)。将ResMA和ERRFDB进行网络结构重组,提出了一种全新的超分辨率生成器模型(SRRMA-RFB)。在SRGAN网络基础上,将生成器替换为SRRMA-RFB的网络模型称为SRGAN-ARF,为验证其重建图像的视觉效果和评价指标都有所提高,将其与SRGAN和ESRGAN算法进行对比。实验证明,所提算法在提高网络性能并且控制计算量的同时,使重建图像拥有更好的感知质量和纹理细节并且在减轻噪声方面具有一定的优势。

基于帧间跨越光流的视频超分辨率重建网络

面对运动幅度较大的复杂场景,当前的视频超分辨率(VSR)算法在处理长序列时无法充分利用不同距离的帧间信息,难以精确地恢复遮挡、边界和多细节区域。为解决上述问题,提出一种基于帧间跨越光流机制的VSR模型。首先,通过密集残差块(RDB)提取低分辨率视频帧(LR)的浅层特征;其次,通过光流空间金字塔网络(SPyNet)以不同时间长度的跨越光流对视频帧进行运动估计和运动补偿,并通过RDB对帧间信息进行深层特征提取与矫正;最后,融合浅层特征与深层特征,并通过上采样得到高分辨率视频帧(HR)。在REDS4公开数据集上的实验结果表明,所提模型与经典的非显式运动补偿的动态上采样滤波器视频超分辨率网络(DUF-VSR)相比,峰值信噪比(PSNR)和结构相似性(SSIM)分别提升了1.07 dB和0.06。验证了所提模型可有效提高视频图像重建的质量。

基于EM自注意力残差的图像超分辨率重建网络

基于深度学习的图像超分辨率(SR)重建方法主要通过增加模型的深度来提升图像重建的质量,但同时增加了模型的计算代价,很多网络利用注意力机制来提高特征提取能力,但难以充分学习到不同区域的特征。为此,提出一种基于期望最大化(EM)自注意力残差的图像超分辨率重建网络。该网络通过改进基础残差块,构建特征增强残差块,以更好地复用残差块中所提取的特征。为增加特征信息在空间上的相关性,引入EM自注意力机制,构建EM自注意力残差模块来增强模型中每个模块的特征提取能力,并通过级联EM自注意力残差模块来构建整个模型的特征提取结构。所获得的特征图通过上采样的图像重建模块获得重建的高分辨率图像。将所提方法与主流方法进行实验对比,结果表明:所提方法在5个流行的SR测试集上能够取得较好的主观视觉效果和更优的性能指标。

形状记忆合金对蒸汽发生器一次侧高水位密封组件结构及性能的优化

为替代蒸汽发生器一次侧高水位堵板装拆人工作业,利用形状记忆合金的超弹性,通过在密封组件中预埋形状记忆合金,研制了一种新型密封组件,为在核电高辐射区域应用机器人实施关键设备检修——高水位堵板装拆作业奠定了基础。与传统密封组件相比,新型蒸汽发生器高水位密封组件的结构及性能得到极大优化:省去了干密封—自密封—湿密封3道充气环密封,结构更紧凑轻便,堵板装拆机器人执行末端负载大大减轻(新型密封组件小于5 kg);预埋的形状记忆合金圈采用三道同心圆分布和二次硫化工艺,解决了金属/非金属硫化成型变形问题,回弹性好,从而满足密封组件可折叠进入,同时又可以在仅有中板支撑时稳定、准确地落座在主管道法兰环座上。

基于电路分块的超大规模集成电路测试技术研究

由于现有的测试技术在VO4端振幅为-15~25 cm,与实际值不符,不能检测出故障,研究基于电路分块的超大规模集成电路测试技术。运用超图分解来进行电路分块,通过原始输入到各个子电路的输入,使得不同子电路的输出值都能够得到敏化。运用并行遗传方法将原始电路按照节点的数量进行划分与分配,定期对种群中适应度最优个体进行传输。根据集成电路的布局,对芯片性能变化因素添加一定的约束。通过特定的测试向量生成电路生成,并根据测试长度来计算故障覆盖率,判断不同方法中的故障覆盖率大小。实验结果表明,在VO4端的振幅为-10~10 cm,与实际值完全一致,能够符合集成电路测试需求。

uBlock类结构最优向量置换的高效搜索

整体结构是分组密码的重要特征,也是首要的研究对象,对于分组密码的轮数选取、软硬件实现性能都有非常大的影响.对于类AES算法的设计,当选用非最优分支数的矩阵作为列混淆操作时,向量置换(即字换位操作)的选择可有效提高整体结构的安全性.uBlock类结构是一种类AES结构,通过研究uBlock类结构的特点及其扩散性,给出了其全扩散轮数的下界及等价类划分准则,提出了一种uBlock类结构最优向量置换的搜索策略.依据全扩散轮数最优、超级扩散层的分支数最优及uBlock类结构扩散层的特殊性质,证明了左右向量置换都不能是恒等变换,给出了uBlock类结构的一系列最优向量置换.该搜索策略大幅度减少了需要测试的置换对,为后续uBlock类算法的设计提供技术支持.

平台链接封禁行为的规制困境与制度因应

在数字经济时代,不合理的平台链接封禁持续存在,不仅妨碍用户的通信自由权,还会排斥其他经营者,损害了自由公平的市场竞争机制,具有反垄断的必要性。当前,平台链接封禁的反垄断法律规制呈现出“相关商品市场”范围不确定、“市场支配地位”认定困难、“难以开展交易”损害后果认定存疑、责任认定标准模糊等现实困难。为了建立数字平台链接封禁行为规制制度,应从制度建设、执法完善、行业自律和用户监督等环节入手,通过增加“超级平台”条款、强化平台中立义务、完善事前事后监管、加强社会监督等措施,规范平台市场行为,助力市场稳健运行。

基于拉普拉斯金字塔网络的融合降噪模块图像超分辨率算法

针对大多数图像超分辨率网络对带有未知噪声的低分辨率图像进行超分辨率重构的效果较差,提出一种拉普拉斯金字塔网络融合降噪模块的图像超分辨率算法。以LapSRN为基础融合降噪模块,并采用递归模块,同时引入TVLoss与降噪损失的LFDSR网络,在保持网络轻量级的基础上,提高重构后图像的清晰度。实验结果表明,文中算法输出图像更逼真和清晰,在抑制输入图像中的噪声对网络输出图像的过度影响中取得较好效果。

基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法

针对输电线路巡检中可能存在拍摄图像质量不高的问题,以及线路缺陷目标小而分布密集而导致传统方法检测精度不高的问题,提出一种基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法。首先,使用超分辨率网络对巡检图像进行重建,提升清晰度,丰富图像中包含的特征信息;然后使用改进的YOLOX网络检测巡检图像中的缺陷,在主干网络中嵌入卷积块注意力机制,强化模型对重叠小目标的定位能力;为进一步提升小目标的检测能力,在YOLOX的特征融合网络中新增浅层检测尺度进行特征融合;最后,通过使用CIOU优化边界框损失函数提升模型收敛能力,降低缺陷目标的漏检率。实验结果表明,所提方法能在提升巡检图像质量的基础上对输电线路缺陷准确地检测,精度达到93.27%,相比SSD等经典模型,对小而密集的缺陷目标有着更强的提取能力和鲁棒性。

DRUSR:面向效果的图像超级分辨率重建

图像超分辨率(super resolution,SR)重建是计算机视觉领域的热点问题,重点是利用深度学习将图像重建模型作为提高图像和视频分辨率的重要图像技术。往往这些重建模型的网络结构比较简单,就会导致梯度传递愈发困难,更会导致效率低下,而且重建后的图像依然存在细节丢失、噪声过大等问题,故提出一种改进生成网络中的残差块和判别网络中的判别模型的GAN(generative adversarial networks)图像超级分辨率重建模型。在模型结构上,将组成生成网络的基本单位简化成Conv+RELU,再进行重新设计,将密集残差网络的思想融入其中并重新设计组合成新的生成模型,将判别网络中的顺序连接的残差块进行了重新设计来实现更优的性能。训练模型所使用的数据集是DIV2K和Flickr2K。从最后得出的实验结果对比来看,在Set5、Set14、BSD100、Urban100四个公开的数据集上,所提出的模型相较于其他五个主流重建模型在图像重建质量的峰值信噪比(PSNR)、结构相似性(SSIM)上均提升1%~4%不等,在主观观感上也有所提高。

基于通道注意力机制的视频超分辨率方法

基于视频帧间信息特征,提出了基于通道注意力机制的循环残差注意力网络,将连续的低分辨率视频帧、前一时刻输出帧和隐藏态作为输入进行特征提取,在隐藏态中引入残差连接和注意力机制,增强网络特征提取能力,经过亚像素卷积层重建出高分辨率视频帧。然后将本视频超分辨率网络模型在Vid4、UDM10、SPMCS视频数据集进行了测试。实验结果表明,与其他基于深度学习的视频超分辨率方法相比,本方法能利用帧间特征信息较好地恢复高频特征信息,恢复的视频图像PSNR和SSIM值都比其他主流方法要高,同时取得了较好的主观视觉效果。