基于PKI加密设备的CSP软件设计与实现

Windows环境下,微软以CSP方式向用户提供了加密应用程序接口,本文在分析了微软操作系统加密体系的基础上,详细说明了基于PKI加密设备的CSP软件的设计方法,并实现了我们已开发的PKIUSBKey的CSP软件。

基于人工神经网络的含Nb微合金钢薄板坯CSP连轧过程流变应力预报

在Gleeble-3500热模拟实验机上对含Nb微合金钢进行了一系列热压缩实验,用以模拟含Nb微合金钢的薄板坯紧凑式热带生产(CSP)连轧过程。变形温度分别为950、1 000、1 050、1 100、1 150℃,变形速率分别为1、5、10s-1,应变量为70%。基于实验得到的流变应力数据,利用Matlab软件建立了描述流变应力和变形温度、变形速率和应变量之间关系的人工神经网络模型。实验结果表明:预测值和实际值的相关系数和平均相对误差分别为0.989和2.41%,证明所建立的人工神经网络模型可以准确地预测含Nb微合金钢热变形过程中的流变应力值。该研究结果对提高含Nb微合金钢的热塑性变形能力及优化CSP连轧工艺具有指导意义。

基于人工神经网络的CSP精轧机组轧制压力预报

采用BP人工神经网络的方法,以CSP热连轧六机架精轧机组生产实测数据为基础,建立了高精度的热连轧精轧机组轧制压力预报模型。结果表明,该模型训练平均误差分别为4.63×10-4和8.35×10-4,预报平均误差分别为±2.2%和±1.6%。

基于CSP的配电网大面积断电供电恢复模型和算法

当配电网中发生大规模停电事故时,必须尽快制定供电恢复计划。文中建立了供电恢复的约束满足问题(CSP)模型。配电网恢复中的各种因素被表示为CSP模型中的变量、约束和目标。为提高在线计算速度,与故障模式无关的计算量被转移到离线方式下进行。同时,为提高求解效率,对解空间进行排序,使给定的目标函数对单个变量具有局部单调性。使用回溯算法对目标函数进行优化。算例结果证明了所提出的方法的可行性和优越性。

基于CSP与卷积神经网络算法的多类运动想象脑电信号分类

针对直接利用卷积神经网络(convolutional neural network,CNN)算法对多类运动想象脑电信号分类识别时,因样本量比较少,难以充分训练权值,导致分类效果较差的问题,结合一对多CSP算法与CNN算法对多类运动想象脑电信号进行特征提取与分类。首先,利用CSP算法对多类运动想象脑电信号进行特征提取,形成一维特征数据,作为CNN的输入样本;其次,对传统二维输入样本的CNN结构进行改造,使其适应一维数据的输入样本,对输入样本进行再次特征提取并分类;最后,使用BCI2005desc—Ⅲa的K3b数据进行算法验证;并对不同参数值的确定进行了讨论。算法验证结果表明,单独利用一对多CSP算法得到的分类正确率73%,单独使用CNN算法得到正确率为75%,新算法取得了91.46%的正确率,相比两种原始方法有较大提升。

CSP轧机机架网络通信故障原因分析及解决措施

针对CSP轧机机架网络通信故障的问题进行分析,并提出相应的设备改造和模块技术优化措施,以减少故障发生的次数,保证生产稳定。

应用人工神经网络设定CSP精轧机组压下规程

以CSP精轧机组现场实测生产数据为样本,运用BP人工神经网络研究方法,建立CSP精轧机组压下规程模型。结果表明:BP人工神经网络模型具有很高的计算精度,可以准确地设定CSP精轧机组压下规程。

CNN与CSP相结合的脑电特征提取与识别方法研究

本文针对脑机接口(BCI)应用中需要对脑电信号(EEG)快速精准的解析问题,提出了一种卷积神经网络(CNN)和共同空间模式(CSP)相结合的脑电特征提取与识别方法。在经过预处理的原始脑电信号基础上,通过CSP空间变换获得其特征矩阵。应用CNN对特征矩阵进行学习,对收敛后的CNN网络全连接层的权值进行分析,根据网络学习特性定义CSP特征矩阵筛选准则,得到了低维高效的EEG特征集F,并在特征集F上构建CNN分类器。我们的工作在BCI2005Ⅳa竞赛数据集上进行了实验测试,获得了88.3%的识别准确率。本文方法与s CSP和KLCSP方法在相同的数据集上进行了测试,平均识别准确率分别提升了3.2%和2.4%。本研究综合了数据的时间、空间的特征信息,采用CNN网络学习特性进行特征二次优选与降维,为脑电的特征提取问题提供了一个新的思路。

基于改进递归深度信念网络的CSP电站短期出力预测

以预测CSP电站短期出力为目的,首先引入自适应思想对递归深度信念网络的训练算法进行改进,并建立直接法向辐射的短期预测模型。随后提出一种结合静态模型的CSP电站短期出力预测方法。最后进行性能检验,验证了改进递归深度信念网络的可行性,以及CSP电站短期出力预测方法的有效性。研究结果表明:建立的改进递归深度信念网络可提升预测准确性和收敛速度;提出的CSP电站短期出力预测方法可较为准确地预测其短期出力情况。

基于CSP的复杂配电网孤岛划分方案研究

在含分布式电源的复杂配电网系统发生故障时,制定合理的孤岛划分方案可提高系统的供电可靠性。利用复杂配电网简化模型,采用两阶段策略解决孤岛划分问题。首先提出了基于约束满足问题的孤岛划分方法,离线生成满足约束问题的单元集合,将孤岛划分问题转化为寻求孤岛最优解的问题。然后在配电系统发生故障时,采用启发式的回溯搜索策略,得出最终的孤岛划分方案。通过对IEEE69节点配电系统进行仿真,验证了该方法有效性和实用性。

面向轻量化的改进YOLOv7棉杂检测算法

针对棉纺厂原棉吞吐量大、检测时间长而常见卷积神经网络无法实现高实时检测的问题,提出基于轻量化改进的YOLOv7模型对原棉杂质的检测算法,旨在快速高效地对棉杂质进行检测。首先通过删减YOLOv7模型冗余的卷积层从而提高检测速度;其次在主干网络内添加FasterNet卷积降低模型的计算负担,减少特征图的冗余性,实现高实时检测;最后在颈部网络内运用CSP-RepFPN(Cross Stage Partial networks with Replicated Feature Pyramid Network)重构特征金字塔,增加特征信息流通,减少特征损失,提高检测精度。实验结果表明:在自建棉杂数据集上改进的YOLOv7模型在棉杂检测精度上达到了96.0%,检测时间比YOLOv7减少了37.5%;在公开DWC(Drinking Waste Classification)数据集上整体精度达到82.5%,检测时间仅为29.8 ms。改进的YOLOv7模型能够为原棉杂质的实时检测和识别分类提供一种轻量化的检测方法,大幅节约了时间成本。

基于学习-推理的约束求解方法研究进展

机器学习与自动推理的融合是当前人工智能研究的新趋势.约束满足问题是人工智能研究的经典问题,现实世界中大量的调度、规划和配置等问题均可以建模为约束满足问题,高效的求解算法一直是研究热点.近年来涌现出众多将机器学习应用于约束满足问题求解的新方法,这些基于“学习-推理”的新方法为约束满足问题求解开辟了新方向并展示出巨大发展潜力,方法的突出优点是适应性强、可在线优化并具有更强的可扩展性.将当前的“学习-推理”方法分为基于消息传递神经网络、基于序列到序列和基于最优化等3类进行综述,详细分析各类方法的特点和在不同的问题集上求解效果,尤其对每类方法所涵盖的相关工作进行多角度的对比分析.最后,对基于“学习-推理”的约束求解方法进行总结和展望.

基于改进YOLOv3的加油站卸油检测方法

针对传统加油站生产环境下卸油作业检测效率低,违规操作引发的安全问题,提出一种基于改进YOLOv3的加油站卸油检测方法。该方法通过在Darknet-53主干输出后引入RFB(Receptive Field Block)感受野模块,使模型能选择合适的感受野对不同尺度目标进行匹配,提高检测精度;结合CSP(Cross Stage Partial)网络并提出RFB_CSP和RFBS_CSP两种结构,实现两条支路的跨级拼接与通道整合,降低计算成本;用K-means++算法对现场的9类目标重新聚类分析,确定合适的网络anchor参数。实验结果表明,优化后的模型对比原始的YOLOv3模型,其平均精度均值提高了2.3%和2.9%,说明优化后的YOLOv3模型在加油站场景检测具有较高的实用价值。

基于邻居信息聚合的子图同构匹配算法

图匹配在现实中被广泛运用,而子图同构匹配是其中的研究热点,具有重要的科学意义与实践价值。现有子图同构匹配算法大多基于邻居关系来构建约束条件,而忽略了节点的局部邻域信息。对此,提出了一种基于邻居信息聚合的子图同构匹配算法。首先,将图的属性和结构导入到改进的图卷积神经网络中进行特征向量的表示学习,从而得到聚合后的节点局部邻域信息;然后,根据图的标签、度等特征对匹配顺序进行优化,以提高算法的效率;最后,将得到的特征向量和优化的匹配顺序与搜索算法相结合,建立子图同构的约束满足问题(CSP)模型,并结合CSP回溯算法对模型进行求解。实验结果表明,与经典的树搜索算法和约束求解算法相比,该算法可以有效地提高子图同构的求解效率。

基于模型检测的无线体域网安全协议形式化验证

在研究无线体域网(WBAN)安全属性的基础上,为了对无线体域网安全协议进行安全分析,保证协议设计之初的安全性,提出并实现了一种基于模型检测的无线体域网安全协议形式化分析和验证方法.基于模型检测工具PAT研究建模语言CSP#及其扩展方法,提出一种支持网络节点可移动的抽象建模数据结构,便于对WBAN协议的形式化建模;根据Dolev-Yao模型,结合WBAN节点位置的可移动性,建立攻击者抽象模型.以Chitra等提出的基于双天线的WBAN安全协议为例,在PAT工具中应用笔者提出的方法对其进行建模并加以分析验证,体现了方法的实用性.

OpenSSL Engine安全平台下的Engine对象分析

OpenSSLEngine安全平台的主要目的是替换OpenSSL的底层加密机制.介绍了OpenSSLEngine安全平台的原理,分析OpenSSLEngine安全平台下Engine对象的关键技术,剖析了OpenSSLEngine安全平台的不足并提出了相应的解决方案,对Engine对象的开发有指导意义.

可视化析取时态推理器的设计与实现

时态推理是人工智能领域的重要研究方向。析取时态问题(disjunctive temporal problem,DTP)是一类表达力极强的定量时态模型,被广泛应用于智能规划和调度领域的时态建模,近年来吸引了研究人员的关注。提出DTP弱蕴含性和弱演化析取时态网络(weakly evolutional disjunctive temporal network,WEDTN)的定义,基于WEDTN设计和实现了可视化DTP求解器TRSE。系统演示发现基于WEDTN的可视化比常见的基于搜索树的可视化更能有利于人们直观理解DTP的求解算法过程、挖掘和发现问题的结构特征对求解过程的影响。

基于卷积神经网络的行人检测方法

针对行人检测算法未能充分利用行人的特征信息,导致对行人的检测效果不佳问题,本文对无锚框的行人检测网络模型CSP进行了相应改进,提出了一种基于卷积神经网络的行人检测算法。首先,将原主干网络由ResNet-50加深为ResNet-101,然后引入卷积块注意力模块(CBAM)来提高原网络对小尺度行人中心点的特征表达,加入基于分数融合公式的分类器模块来进一步提高被遮挡行人的置信度,最终得到AS-CSP算法。该算法可以进一步提高对小尺度行人以及遮挡行人的检测效果。实验采用的数据集是CityPersons数据集,并在通用行人、小尺度行人以及遮挡行人等不同场景下进行对比实验,验证新算法的有效性。实验结果表明,本文提出的AS-CSP算法在通用行人、小尺度行人以及遮挡行人场景上的检测效果相比于原算法都得到了提升。

基于神经网络架构搜索的铭牌目标检测方法

为了提高构建深度卷积神经网络(CNN)的自动化程度并进一步提高目标检测精度,提出了一种改进的基于DenseNAS的神经网络架构搜索方法以自动构建铭牌检测CNN。首先,基于改进DenseNAS的Head层,设计了可搜索的、融合深浅层特征的子网模块(CSP-Block1和CSP-Block2)。然后,基于CSP-Block1和CSP-Block2构建的搜索空间,搜索铭牌检测CNN的Backbone和Head。实验结果表明,该方法在一个铭牌5分类的数据集上,耗时约9.35 GPU hours搜索出了最佳神经网络,在测试集上检测精度mAP≈97.3%,比YOLOv5等SOTA方法更高。

基于小波变换共空间模式的脑电信号解码

针对运动想象脑电信号实现任务少、识别准确率低等问题,提出了一种基于小波包分解的共空间模式脑电信号特征提取方法。该方法通过长短期记忆网络进行脑电信号解码,采用独立成分分析的方法将运动想象信号进行盲源分离,采用小波包分解方法将每个通道脑电信号按频率分为8组。计算每组信号的功率值,采用递归特性消除方法去除对分类不重要的10个节点特征,将被选择的节点信号采用1对1共空间模式提取空域特征,将特征矩阵输入长短期记忆网络进行脑电信号解码,得到4类运动想象信号分类结果。采用本文方法对公开的脑机接口竞赛数据集(包括左手想象信号、右手想象信号、舌头想象信号、双脚想象信号)前3位受试者数据进行验证,结果表明:本文方法的识别准确率分别为90.28%、94.25%、96.55%,平均识别准确率达到93.69%。与其他方法对比,本文方法识别准确率较高。用识别的脑电信号作为解码控制信号,控制虚拟太空环境中的空间机械臂顺时针或逆时针运动,达到抓取空间中目标物体的目的。