基于Volterra核的MIMO非线性电路建模及智能特征提取

为了解决模拟乘法器等多输入测量电路的智能故障诊断准确率低的问题,文中研究了多输入多输出(MIMO)电路的基于Volterra级数的建模方法,为电路的故障诊断提供模型,提出了整体退火遗传特征提取方法,利用整体退火遗传算法的全局寻优能力优化故障诊断特征参数的提取,以选出各种故障状态之间特征差异最大的特征,以提高故障诊断的准确率,以模拟乘法器电路为例进行了建模及故障特征智能优化提取实验。实验表明,文中方法可以有效建模并提高智能故障诊断的准确率。

未知流量数据的智能特征提取与实时分类识别算法

网络协议和应用的不断变化、网络流量的高速增长,都对流量识别方法提出越来越高的要求。为适应复杂多变的网络环境,提出一种未知流量数据的智能特征提取与实时分类识别算法。该算法通过构建深度学习卷积神经网络实现网络流量特征的自动学习,不仅能够实时识别已知流量,还能进一步对未知流量进行实时分类,并感知新出现的未知流量从而创建新的未知类。通过数据量和特征库的不断积累,达到扩充识别种类(包括已知和未知)、提高系统实时识别能力的目的。实验结果表明,该算法在已知流量和未知流量的实时分类识别上均具有较高的识别准确率。

NNW-TopViz流场可视分析系统

流场可视化技术采用图形图像直观地表现CFD数值模拟的计算结果,使用户能够方便地对这些数据进行分析、比较和研究。然而,CFD数值模拟的流动复杂,其产生的流场数据规模巨大、数据类型复杂、特征提取困难,传统的串行可视化软件效率低、交互手段单一,难以满足数据分析的需求。国家数值风洞(NNW)工程研制了一套流场数据处理可视化软件系统(NNW-TopViz,简称TopViz),具有对流场数据处理与特征提取、几何图形绘制等可视化与交互功能。根据可视分析效率需求,TopViz实现了线程并行,在多核计算环境下有效提高了可视化计算和交互效率;针对流场特征提取困难、常规方法效率低的问题,TopViz实现了基于卷积神经网络的流场旋涡特征提取方法,提升了特征提取准确率和效率;为提高软件交互效率并提供便捷的交互方式和体验,基于头戴式显示设备和体感控制器构建沉浸式虚拟显示与交互平台,TopViz实现了手势和眼球凝视2种交互方法,提供沉浸式环境下多视图、多角度流场探测方式。