基于频谱信息的网络多缺陷干扰抑制系统设计

为了克服现有干扰抑制系统存在抑制效果差的问题,文章提出并设计基于频谱信息的网络多缺陷干扰抑制系统。系统硬件的主要芯片为TMS320C6713B芯片,采用EMIF接口完成硬件设备的连接,采用AIC23B与DSP芯片完成系统数据传输。软件部分首先对干扰的影响进行分析,依据影响情况,分析加窗与频谱泄漏的关系。基于频谱信息实现多缺陷干扰抑制,完成抑制系统的设计。实验结果表明,在强干扰下,该系统可以有效抑制接收信号所存在的干扰,具有极高的干扰抑制能力。

干扰素γ受体1缺陷患儿的临床特征及功能、基因分析

目的探讨1例疑似孟德尔遗传易感分枝杆菌病（Mendelian susceptibility to mycobacterial disease,MSMD）患儿的临床特征,检测IL-12/23-IFN-γ通路的完整性,并进行IFN-γ受体1（IFNGR1）基因分析。方法根据患儿的临床表现及常规的免疫学筛查试验排除常见原发性免疫缺陷病,Q-RT-PCR在mRNA水平检测患儿及健康对照者IL-12/23-IFN-γ通路的完整性,通过PCR及RT-PCR分别对患儿及其父母的IFNGR1基因进行扩增并测序。结果患儿有播散性卡介苗（BCG）病及全身多系统损害的表现。患儿全血经BCG和IFN-γ共同刺激48 h后IL-12B的表达水平与单独BCG刺激后比较明显降低（P〈0.05）;基因测序发现患儿IFNGR1第6外显子818-821位杂合缺失4个碱基（c.818-821 del TTAA）,使第276位脯氨酸突变为终止密码（p.Asn274fsX276）,父母此位点正常。结论 MSMD患儿临床特征为BCG病及全身多系统损害。Q-RT-PCR检测IL-12/23-IFN-γ通路完整性是一种有效的筛查MSMD的手段;IFNGR1突变是引起本例患儿发生上述临床特征的根本原因。

软件多缺陷定位方法研究综述

软件多缺陷定位(Multiple Fault Localization,简称MFL)尝试在含有多个缺陷的软件程序中自动标识出这些缺陷所在的位置.传统的缺陷定位研究一般假设被测软件内仅含有一个缺陷,而实际情况下软件内往往包含多个缺陷,因此MFL问题更加贴近实际场景.当程序中存在多个缺陷时,由于缺陷数量难以准确估计,同时缺陷之间可能存在互相干扰,因此对MFL问题的研究更具挑战性.已有研究表明传统单缺陷假设下的缺陷定位技术会随着程序中缺陷数目的增多而出现定位效果下降的问题.因此,需要对已有缺陷定位技术加以改进使其在MFL问题中具有更好的缺陷定位效果.本文以MFL研究问题为核心,对相关研究成果进行了系统的梳理.首先将已有的MFL技术细分为三类,分别是基于缺陷干扰假设的多缺陷定位方法,基于缺陷独立假设的多缺陷定位方法和不基于任何假设的多缺陷定位方法;然后依次总结了每一类方法的主要设计思想和相关研究成果,随后分析了MFL研究中经常使用的评测指标和评测对象;最后,本文从扩大评测对象的编程语言范围、考虑更多的软件程序、寻找更多的工业应用场景等多个角度对MFL的未来研究方向进行了展望.

基于多时相巡检图像的变电设备抗干扰缺陷检测

近年来,变电站中广泛采用机器视觉算法分析多时相巡检图像的差异变化,用于检测各类变电设备缺陷,以确保运行安全.然而,由于拍摄时刻不同,多时相图像间存在天气、光照、季节等各类干扰变化,对变电设备的缺陷检测提出了挑战.对此,提出一种基于多时相巡检图像的变电设备抗干扰缺陷检测方法.首先,利用风格迁移模型CycleGAN学习不同风格域之间的映射关系,并基于检测图生成足量存在天气、光照、季节干扰变化的干扰图;其次,基于参考图+检测图+干扰图三元组对三重孪生网络TripleNet进行协同训练,在特征层面提出空间一致性损失以抵抗各类干扰变化,用于提取三者鲁棒的多尺度差异特征;最后,搭建特征聚合网络PANet融合多尺度差异特征,输出多尺度的缺陷检测结果.在实际变电设备多时相巡检图像数据集上进行实验验证,结果表明,所提出方法相较于非孪生网络和一般孪生网络可提升2.09%和0.67%的m AP,且在原始样本与干扰样本上的检测精度更均衡,而且所提出方法可以在提升变电设备缺陷检测模型精度的同时增强模型的抗干扰能力.

基于模糊C均值聚类的软件多缺陷定位方法

缺陷间的相互干扰会使程序的频谱信息和运行结果发生变化,进而影响基于频谱信息的缺陷定位方法(SBFL)的有效性.本文对缺陷干扰现象进行了研究,通过分析单缺陷程序与多缺陷程序在缺陷运行、感染和传播过程及程序运行结果间的差异定义了两类缺陷干扰,并根据干扰前后缺陷在互斥子集中的分布变化分析了缺陷干扰对SBFL方法有效性的影响.研究结果表明:与特定缺陷无关的失败测试用例是降低SBFL方法缺陷定位有效性的主要原因.在此基础上,本文提出了一种基于模糊C均值聚类的多缺陷定位方法FCMFL:首先,通过模糊C均值聚类分析失败测试用例与不同缺陷间的隶属关系,得到每个缺陷相关的失败测试信息;其次,基于隶属度矩阵加权计算每条语句的可疑度,并通过互斥子集优先级分析确定不同语句集合的检查顺序,最终生成一个语句检查序列指导开发人员进行程序调试.实验结果表明:(1)缺陷干扰会对SBFL方法产生影响,降低SBFL方法的缺陷定位有效性;(2)FCMFL方法可以降低多缺陷对SBFL方法的影响,提高SBFL方法的缺陷定位有效性.