一种双层Powerlink网络的网关

描述了一种双层Powerlink网络的Powerlink网关,用于解决不同层次实时以太网总线之间数据转换以及不同网络之间周期同步的问题。其主要是解决了两层实时Powerlink网络通信时的周期不同步问题,通过使用这一同步机制使下层Powerlink网络在接入上层Powerlink网络时能够同步于上层网络,使每一个接入在同一上层网络的下层网络的动作实际都与上层网络保持同步,从而确保双层网络数据交互的正常进行。

双层区分制对网络犯罪帮助行为认定的纠偏与重构

帮助信息网络犯罪活动罪在规范属性的界定问题上存在悖论,且章节设置不尽合理,在“口袋罪”倾向日趋严重的现实情况下,理应限缩适用甚至非必要不适用《刑法》第287条之二。通过双层区分制将网络犯罪帮助行为认定为共同犯罪,符合我国刑法的现行体例,在维护共犯从属性对构成要件定型意义的同时,也妥当处理了网络犯罪帮助行为法益侵害严重程度升格的现象。作为对《刑法》第287条之二的纠偏,双层区分制在犯罪事实无法查明等定罪问题、主犯与从犯难以确定等量刑问题上均能有效应对,是回应认定网络犯罪帮助行为实践难题的合理路径。

基于双层网络频率控制的分布式风电并网研究

为研究含通信控制层的双层电网中分布式风电入网位置的选择,电网层采用二阶类Kuramoto模型进行建模,通信控制层收集发电机及其邻居节点信息形成控制信号并调整发电机的频率。根据负荷到原电网发电机节点的平均距离定义了3种并网方式,研究比较了含功率波动的分布式风电并网时最佳的入网位置。研究表明,加入双层网络频率控制可有效提高电网的同步性能和抗扰能力;分布式风电选择离原电网发电机节点平均距离小的负荷并网可提高电网稳定性。

融合双层注意力网络的端到端老挝车牌照识别方法

在中老道路互通大背景下,老挝车牌照识别研究对中国跨境车辆管理十分重要,但现有的单行车牌照识别方法无法直接应用于老挝双行车牌照识别任务中.针对老挝车牌照上行省份字符排列紧密、难以分割和下行辅音字符相似度高、难以识别的问题,结合分割的思想提出一种融合双层注意力网络的端到端老挝车牌照识别方法.通过通道及空间注意力提取并加强上行省份特征和下行字符特征表示;将分类思想应用于省份信息获取,有效地处理因字符粘连而无法做单字符识别的问题;使用序列标注的方法缓解相似字符识别困难,提高字符识别准确率.实验结果表明,提出方法相比基线模型,准确率提升了0.8个百分点,达到92.7%.

基于双层网络模型的城市公共交通系统抗毁性研究

为研究城市公共交通系统的抗毁性,采用复杂网络理论对地铁、公交系统进行映射和分析。首先,基于Space-L模型改进双层复杂网络构建方法,以实际换乘距离为指标构建连边,并以线路高峰小时载客能力为边权重构建地铁-公交双层网络;其次,通过度、强度、介数等指标分析双层网络与其子网络的特性;最后,分别采用随机攻击和蓄意攻击模型对双层网络及其子网络进行抗毁性分析。研究结果表明:地铁-公交双层网络呈现无标度特性,对蓄意攻击表现出脆弱性,且对不同蓄意攻击指标的敏感性不同。研究结论对于公共交通系统应对突发事件,提升系统韧性具有参考价值。

基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测

净负荷是实际负荷与光伏出力之差,针对净负荷中实际负荷强波动性与光伏出力强随机性相互耦合、表后光伏出力不可见等特点导致准确预测困难的问题,提出了一种基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测方法。首先,通过提取用户净负荷的日内时间特征、长期趋势特征和空间关联特征建立净负荷子集群聚类模型;其次,以子集群为图节点构建考虑“负荷-光伏”双维相关性的图结构,使其能够同时反映负荷和光伏出力特性;最后,引入净负荷总节点和动态邻接矩阵,构建通过长短期记忆神经网络连接的双层动态图卷积模型,得到净负荷预测结果。基于悉尼Ausgrid实际净负荷数据设计的消融实验结果表明,所提时空特征聚类方法和双层动态图结构分别使净负荷预测结果的均方根误差降低了13.44 kW和7.55 kW。未来将进一步拓展预测尺度,为电网保供决策提供更多信息支撑。

基于混合双层自组织径向基函数神经网络的优化学习算法

针对传统方法采用先训练后测试两阶段学习机制极易导致的过拟合或欠拟合问题,提出一种基于混合双层自组织径向基函数神经网络的优化学习(hybrid bilevel self-organizing radial basis function neural network optimization learning,Hb-SRBFNN-OL)算法。首先,将训练过程和测试过程集成到一个统一的框架中,规避过拟合或欠拟合问题。其次,基于进化学习机制,提出上下2层的交互式优化学习算法,上层基于网络复杂度和测试误差自组织调整网络结构,下层采用列文伯格-马夸尔特(Levenberg Marquardt,LM)算法作为优化器对自组织径向基函数神经网络(self-organizing radial basis function neural network,SO-RBFNN)的连接权值进行优化。最后,利用来自多个子网络的综合信息生成模型的最终输出,加速网络全局收敛。为验证所提方法的可行性,分别在多个分类和预测任务中进行了测试实验。结果表明,在与传统神经网络结构相似甚至更好的测试和分类精度下,该方法不仅能实现更快的训练收敛,而且能进化成更精简紧凑的径向基函数神经网络(radial basis function neural network,RBFNN)模型。尤其在污水处理过程中总磷的质量浓度预测实验中,测试集中均方根误差(root mean squared error,RMSE)最高可降低48.90%,实际场景实验结果验证了所提算法的精确性更佳且泛化能力更强。

基于神经网络的双层壁叶片异型孔结构强度设计

随着航空发动机领域的飞速发展,热端涡轮叶片服役环境越发恶劣.为了提高叶片的承温能力,行业内提出了双层壁叶片结构,其原理为“外壁承温,内壁承载”.本文针对双层壁叶片气膜孔结构强度问题,采用参数化建模构建叶型及外壁孔结构,通过仿真分析确定孔型设计参数对圆柱型气膜孔、圆锥型扩张孔和簸箕型扩张孔的孔周结构强度的影响,最后根据参数输入及对应响应构建神经网络模型,通过遗传算法优化径向基函数(Radial Basis Function, RBF)神经网络的权值与阈值来提高代理模型的准确性.寻优获得三种不同结构的气膜孔最优孔型设计方案,相较于圆柱型孔,圆锥型扩张孔孔周应力降低了25.12%,簸箕型扩张孔孔周应力降低了22.54%.

考虑需求弹性的电力-交通网络双层博弈模型——基于拟变分不等式

电动汽车数量的激增势必给城市电网和交通网带来巨大冲击,研究如何准确描述电动汽车行为对电力-交通网络的影响具有重大价值和意义。充分考虑电动汽车需求弹性及其充电行为,并针对问题的复杂性引入拟变分不等式理论来解决耦合网络博弈行为建模及求解的难题。首先,建立含电动汽车弹性需求和充电行为的混合交通流模型;基于此,提出表征弹性混合交通用户均衡状态的拟变分不等式框架,并证明均衡状态与拟变分不等式的等价性。其次,提出含充电负荷的配电网二阶锥规划模型,并建立电力网和交通网之间的耦合关系。基于此,采用不动点映射的思想将电力-交通耦合网络的作用机理描述为双层博弈问题;针对内、外层博弈问题的特点,分别设计外层不动点迭代算法及内层黏性投影逼近算法,形成求解双层博弈均衡状态的完整方法。最后,仿真基于福州地区测试系统验证建模和求解方法的有效性,表明考虑电动汽车弹性需求行为对耦合网络均衡状态分析的必要性。

考虑多种预警信息的双层网络拥堵传播模型

为更好地揭示城市交通拥堵的传播机理,提出了多种预警信息子网与交通道路子网耦合的双层网络拥堵传播模型,并探讨多种预警信息下的城市道路拥堵风险传播机制。模型基于传播动力学建立了状态转移树,利用微观马尔科夫链(MMCA)分析传播阈值。最后,通过仿真实验分析多种预警信息对城市交通拥堵传播的影响。实验结果表明促进“速度快”预警信息传播和抑制“路程短”预警信息的扩散,对减缓交通拥堵压力能够起到积极作用。

双层社会视域下“网络爆破”的演化机理与适应性规制

在物理空间与网络空间深度交叉融合,虚拟社区重要性日益凸显的双层社会背景下,“网络爆破”这一问题成为横亘在虚拟社区发展面前的顽疾。由于对“网络爆破”这一网暴新类型的特征、形成机理及规制缺乏整体性研究,对“网络爆破”还停留在技术规制与法律规制的浅层面。文章旨在从行动主体与行为对象两端揭示“网络爆破”现象的演化机理,以此为靶点反思既定的法律与技术二元规制策略,探索“网络爆破”规制的适应性策略。研究发现,惩罚性法律规制面对未成年人束手无策,技术规制未能突破网络社区开放性与安全性的二律背反困境,应用标本兼治的系统规制理念纠正治标不治本的零散规制倾向,多措并举,综合采取优化技术规制措施、完善未成年人分级处置机制、健全心理疏导机制、强化公私合作执法来实现对“网络爆破”的适应性规制。

双层耦合网络中基于改进SIHR模型的舆情传播研究

当前信息网络迅速发展,舆情在社交网络上的传播变得十分复杂。舆情传播的现实情况表现为多个社交网络间共同传播,单个社交网络的舆情传播研究已不能真实地描述现实情况。除此之外,舆情传播过程中,个体状态的变化存在多样性。特别的是,存在初次“免疫”舆情的个体由于后续产生兴趣而变为传播者的情况。因此,本文将以双层耦合网络为载体,基于改进的SIHR模型来研究舆情传播动力学过程并提出具体的应对策略。具体为,首先根据改进的SIHR模型,给出各状态人群在双层网络下的状态转移图。再根据离散的马尔可夫链方法,给出改进的SIHR模型的舆情传播动力学方程。最后,通过MATLAB软件开展模拟仿真,来研究舆情传播的规律及模型参数对于传播过程的影响。并在此基础上,从公共部门、社交平台、用户三个方面给出舆情应对策略,包括:强化官方媒体的威信力,加强平台的监管力度,做好用户情感引导。

双层网络中心非显著特征数据挖掘算法

为了获取精准的非显著特征数据挖掘结果,提出一种双层网络中心非显著特征数据挖掘算法。首先深入分析双层网络中心的非显著特征信息和类别信息,获取两者之间的相关性和冗余程度。然后根据相关性和冗余程度设定一个判别算子,将判别算子的得分作为标准,实现有效的特征选择。最后在获取双层网络中心非显著特征数据的结构特征后,展开深入的非显著特征数据流拟合处理,同时对非显著特征数据挖掘过程进行跟踪训练,修正挖掘误差,最终完成双层网络中心非显著特征数据挖掘。实验结果表明,采用本文算法可以有效地提升双层网络中心非显著特征数据挖掘结果的准确性。

基于卷积神经网络的双层液晶显示方法

双层液晶显示器采用两层液晶面板叠加显示,可大幅提高对比度,但是两层液晶面板之间存在一定间距,在离轴观看时会出现伪影现象。目前针对该问题的处理方法无法兼顾计算时间与显示质量。将卷积神经网络用于双层液晶显示,使用卷积神经网络对输入图像进行处理,并构建残差块来提升输出图像的质量,输出的两幅图像分别对应双层液晶显示器的两层液晶面板,然后将输出的两幅图像在不同视角下重建,并从计算时间和显示质量上与其他方法进行对比。仿真结果表明,该方法与基于模糊处理的算法相比,在计算时间和显示质量上均得到了提升;与基于视角补偿的算法相比,在保证显示质量的同时大大减小了计算时间。本文方法在具有较高显示质量的同时大大缩短了计算时间,更具实际应用性。

基于BP双层神经网络MRAS下PMSM的转速辨识研究

针对无速度传感器下传统模型参考自适应(MRAS)方法在低速区转速负载发生突变后速度估计准确度下降的问题,利用双层神经网络超强的在线估计以及自适应能力,提出一种基于误差反向传播(BP)双层人工神经网络(ANN)与MRAS相结合的转速辨识方法,实现了对低速范围下转速响应动态性能的改善。通过Matlab仿真以及PMSM驱动控制实物平台,对ANN-MRAS观测器与传统MRAS观测器进行对比分析,结果表明:在转速及负载转矩发生突变后,该方法仍能保持较好动态性能,具有较强的鲁棒性。

基于双层聚类信息的极光亚暴自动检测

极光亚暴与太阳风和地球磁场的耦合过程有着紧密的联系,对其发生和发展机制的研究,有助于深入地分析行星际磁场、地球磁层和地球电离层的相互作用,了解太阳风携带的大量能量在地球空间的输运过程,对地球空间环境预警具有重要的意义。Polar卫星搭载的紫外极光图像成像仪能够全天候地获取紫外极光图像,在紫外极光图像中可以完整地展示出极区极光的亮度和尺度变化,尤其是可以清晰地展示出亚暴膨胀相的极光点亮和亮斑膨胀现象。现有的极光亚暴事件检测方法通常需要人工设计特征和相关规则库,耗时耗力。本文利用紫外极光图像提出了基于双层聚类信息的亚暴事件检测方法,实现了紫外极光图像数据中的亚暴事件自动检测。同时,针对极光亚暴事件检测依赖手工设计特征,设计了子空间聚类指导的三维卷积特征自动提取网络;针对极光图像帧间存在成像角度差异,利用地磁纬度和磁地方时信息对极光序列中图像的空间位置进行校正;针对卫星成像位置变化导致的成像噪声,利用极光图像级聚类保留极光亮斑区域和剔除未成像或噪声区域。主观和客观实验结果表明,本算法提升了亚暴事件检测的查全率。

基于双层注意力和深度自编码器的时间序列异常检测模型

目前时间序列通常具有弱周期性以及高度复杂的相关性特征,传统的时间序列异常检测方法难以检测此类异常。针对这一问题,提出了一种新的无监督时间序列异常检测模型(DA-CBG-AE)。首先,使用新型滑动窗口方法,针对时间序列周期性设置滑动窗口大小;其次,采用卷积神经网络提取时间序列高维度空间特征;然后,提出具有堆叠式Dropout双向门循环单元网络作为自编码器的基本结构,从而捕捉时间序列的相关性特征;最后,引入双层注意力机制,进一步提取特征,选择更加关键的时间序列,从而提高异常检测准确率。为了验证该模型的有效性,将DA-CBG-AE与6种基准模型在8个数据集上进行比较。最终的实验结果表明,DA-CBG-AE获得了最优的F1值(0.863),并且其检测性能相比最新的基准模型Tad-GAN高出25.25%。

基于双层DCT-Mask特征融合算法的堆叠垃圾实例分割

复杂堆叠场景下的垃圾实例分割受到严重遮挡和高密集性特点的影响,具有更大的检测难度。针对该问题,提出了一种结合DCT-Mask和双层特征融合网络思想的实例分割方法,用于高度堆叠场景下的垃圾实例分割。在网络结构层面,首先在数据预处理环节对特征数据进行解耦,并通过双分支特征融合降低堆叠对遮挡物体特征的影响,从而解决复杂堆叠遮挡下的实例分割问题。针对该场景下的密集混淆问题,在候选框分类回归部分融入了级联分类器,并优化了分割网络分支的损失函数。实验采用堆叠垃圾分类实例分割数据集进行实验验证,实验结果表明,该方法的AP_(50)、平均准确率mAP等指标有较大提升,且具有较好的分割效果和一定的可解释性。

不确定需求条件下考虑风险公平的危险品运输网络设计问题

危险品运输事故具有低概率、高后果的特征,降低事故风险是危险品运输研究的重点。危险品运输产生风险的同时伴随着风险在空间上的分布不均衡,此前研究关注总风险最小和风险公平的权衡,但较少考虑不确定需求下的运输网络。运输需求波动可能引起风险增加,为了解决不确定需求下考虑风险公平的危险品网络设计问题,构建了危险品多起点-终点(OD)对运输网络设计的双层混合整数规划模型,上层和下层问题分别为监管者选择关闭路段以及承运人选择最优路径,并通过自适应遗传算法和局部搜索算法进行求解。通过实例分析发现,不同需求情景特别是部分OD对中断时产生不同的最优网络设计方案,采用的遗传算法相比局部搜索算法运行时间稍长情况下获得的解更优。

中转点风险分级收费的危险品多式联运网络设计

近年来,危险品多式联运被广泛应用,而网络中转点由于转运量集聚,导致安全风险较高。为了有效控制危险品多式联运风险,政府可以通过中转点合理选址与分级收费,引导企业合理规划危险品运输路径。首先提出基于中转点风险分级的中转点选址与收费策略,建立危险品多式联运网络设计双层规划模型,上层为网络总风险最小化和总运输成本最小化的中转点选址与分级收费定价问题,下层为各运输事件成本最小化的运输路径规划问题。然后,使用KKT条件转换下层模型为等价约束条件,实现模型单层化,利用Gurobi求解模型。最后,通过算例表明网络风险和运输成本随着中转点数量的增加而降低,证明了中转点分级收费策略可以有效调控危险品多式联运网络风险。