基于新型Contention网络的滚动轴承早期故障诊断方法研究

针对滚动轴承早期故障诊断问题,为了同时建模振动信号中的高频和低频特征,实现高精度诊断,提出了一种新的模型Contention。它以一种互补的方式集成了空洞卷积和自注意力机制的优点,具有同时捕捉高频和低频信息的能力。为了验证其诊断能力,首先,在完整信息原则下将振动信号连续构造成数据集;其次,搭建Contention网络并训练,其最终测试集准确度可达100%,t-SNE显示随网络层次的深入特征被明显聚类;最后,设置对照实验,将该模型与传统RNN、CNN、Transformer模型对比,证明该模型具备突出的诊断能力。

广义确定性标识网络

随着智能制造、智能交通等重大国家战略实施,确定性成为信息网络尤其是行业专网的新焦点.现有确定性网络技术始终关注网络传输要素(带宽、时隙等)来保障数据流的确定性传输.然而,仅靠保障传输要素无法支撑新兴行业应用的多样化需求.例如,在算网融合场景,智算任务要求同时保障传输与计算要素的确定性来实现高性能通信;在绿色通信场景,需要考虑节点能量要素的确定性以维持网络稳定运行.针对上述需求,本文基于前期提出的标识网络技术,研究面向传输、计算、存储、能量等多要素的广义确定性网络.首先提出广义确定性标识网络架构,包括差异化服务层、异构融合网络层和智慧化适配层.差异化服务层和异构融合网络层,分别实现差异化确定性应用需求和异构化确定性网络要素的统一标识和描述,并通过标识解析映射实现确定性信息向智慧化适配层的统一封装和传递;智慧化适配层完成差异化确定性应用需求和异构化确定性网络要素的适配.现有确定性资源适配方法,即使仅考虑单一网络内的基本确定性要素,仍面临计算时间长、求解复杂性高、灵活度低等问题,为了支持更加复杂的多确定性要素、多种异构网络的协同适配,设计了基于深度强化学习的端到端的确定性调度(End-to-end Deterministic resource scheduling,E2eDet)算法,该算法可统一化、端到端地为混合数据流协同分配多种确定性网络资源,满足不同应用的差异化确定性需求.实验表明,E2eDet比DeepCQF和Random算法分别提升了28.4%和6.38倍数据流调度数量,同时E2eDet可以较好地权衡计算时间和调度能力.

基于FA-BP神经网络的生姜干燥含水率预测

为探索生姜的干燥特性,并实现生姜干燥的含水率预测,研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、切片长度(30、35、40mm)对生姜干燥时间和干燥速率的影响。结合BP神经网络自适应能力、泛化能力、学习能力强和萤火虫算法(FA)参数少、寻优能力强、收敛速度快等特点,将干燥温度、干燥风速、切片长度和干燥时间作为输入层,隐藏层个数为10,输出层为生姜的含水率,搭建一个拓扑结构为“4-10-1”的FA-BP神经网络模型。研究结果表明:干燥温度、干燥风速、切片长度都是影响生姜含水率的关键因素,增加干燥风速、提高干燥温度和减少切片长度能有效缩短生姜的干燥时间,提高干燥效率。选用萤火虫算法优化BP神经网络的权值和阈值,减少了神经网络的训练时间,提高了精准度,其含水率预测值与试验值之间的决定系数R2=0.999 02,均方根误差RMSE为0.002 99,含水率预测结果准确且迅速,能够为生姜干燥过程中的含水率在线预测提供科学依据。

命名数据网络中基于分级的数据缓存方法

针对NDN固有数据缓存机制存在数据内容多样性低、频繁替换等问题,提出了一种数据分级缓存方法.该方法将传输路径上的路由器进行等级划分,根据数据内容热度,将其缓存在相应等级的路由器中,以减少用户获取数据内容的时间.实验结果表明:该方法能够有效提高缓存命中率,减少平均路由跳数,降低平均请求时延.

基于Valued ERGMs模型的核心技术网络成长机制研究——以量子计算领域为例

对核心技术网络及其成长机制的研究有助于梳理核心技术之间的依赖和促进关系,为研究核心技术演化提供新的理论视角和方法。以技术演化相关理论为基础,归纳核心技术网络成长的影响因素,基于量子计算领域专利数据,识别以技术概念和技术关系为基础的量子计算领域核心技术网络,并基于Valued ERGMs模型构建核心技术网络成长机制模型。结果表明,技术要素中心性、专利技术研发能力、与TRIZ进化法则匹配程度以及技术要素同配性对核心技术网络成长具有正向促进作用;在技术路径方面,核心技术网络成长受到技术要素路径依赖性和技术突破的双重影响。最后,根据量子计算领域核心技术网络成长机制的实证研究结果,从技术研发层面、企业层面、政府层面为相关领域技术发展提出策略建议。

基于卷积神经网络算法判定稀土总量滴定终点技术研究

由于稀土产业发展迅速,市场需求越来越大,应用范围越来越广,需建立一个长期有效且适用于测定各类稀土的方法。针对目前传统稀土总量检测方法效率低、准确度低、滴定终点差异大等问题,难以满足在线检测的需要。卷积神经网络算法通过摄像头记录样品在滴定过程中溶液的颜色变化,对溶液进行图像特征提取和学习,从而有效、准确地实现化学反应过程中溶液颜色的自动化识别,配合步进电机和注射泵等部件实现自动滴定过程,建立了一种基于卷积神经网络的稀土总量浓度在线分析方法。图像识别本质上是对图像信息进行特征提取,而卷积神经网络(CNN)有着传统识别方法不具备的优点,比如能够自行训练、识别速度更快、所需特征更少等,将自动滴定与神经网络相结合,实现了滴定流程的自动化和样品前处理、滴定、终点判定等过程的一体化,且设备内可同时进行五个样品滴定,提高了滴定效率。

服务定制网络体系架构的设计与思考

系统性阐述了服务定制网络(SCN)新型网络架构,可为互联网应用提供一种全新的网络底层能力与使用方式。在TCP/IP网络架构中,网络为应用提供“尽力而为”的服务质量,而SCN架构转换了应用与网络两者之间的主客体关系,允许应用“按需定制”网络的服务质量。以应用视角出发,挖掘了“可声明”“细粒度”“端到端”三大能力内涵,由此推演了SCN的总体设计思路,并给出了一种具象的SCN体系架构和一种可行的SCN系统实现。SCN未来可应用于远程工控、增强现实等人机物全场景,为网络即服务(NaaS)的实现提供一种新颖、实用、理想的手段。

融合改进自编码器和残差网络的入侵检测模型

互联网中存在大量隐私数据,因此防止网络入侵成为保护网络安全的关键问题。为提高网络入侵检测的准确率并解决其收敛慢问题,设计一种改进的堆叠自动编码器和残差网络(ISAE-ResNet)入侵检测模型。融合栈式自编码器和残差网络,首先将预处理后的数据输入到改进的栈式自编码器中,该栈式自编码器由2个副编码器和1个主编码器组成,数据经过副编码器和主编码器训练后重构出新的特征来防止过拟合问题;然后将解码层的权重捆绑到编码层进行优化,使模型参数减半来进行降维,提高模型的收敛速度;最后将处理过的数据输入到改进的残差网络中,并基于改进的ResNet网络设计一种加入软阈值函数的残差模块,通过降低数据中的噪声来提高模型准确率。在CIC-IDS-2017数据集上的实验结果表明,该模型准确率为98.67%,真正例率为95.93%,误报率为0.37%,损失函数值快速收敛至0.042,在准确率、真正例率、误报率和收敛速度方面均超过对比入侵检测模型,具有较高的有效性和可行性。

云原生驱动的大规模终端网络设计优化和应用实践

终端网络是互联网的重要组成部分,它连接骨干网络和终端网络,对用户体验的影响最为直接.随着5G/6G、物联网等技术的发展,终端网络的性能需求不断提升,承载着诸如智慧城市和工业互联网等新兴应用,是推动社会数字化转型的重要基础设施,是未来网络演进不可忽视的重要研究对象.清华大学李振华教授团队通过分析终端网络中存在的用户困惑和技术鸿沟问题,从“可用性、可靠性、可信性”三个关键维度进行研究,提出云原生强化设计的理念,实现终端网络大规模的测量分析与设计优化,并在多个工业系统中取得了良好的应用效果.文章突出从用户视角出发的设计思想,对提升网络终端的可用性、可靠性与安全性做出了系统性的探索,主要包括以下三个核心点:1)针对终端网络带给用户的主要困惑,从网速、断连、安全和代际角度全面分析,阐述克服经典设计模式潜在缺陷的研究动力,通过剖析大规模工业终端网络在多样化使用场景下的性能落差问题,总结动机、场景、资源和知识方面的研发鸿沟,为克服现存技术挑战指明解决方向.

半定量信息工业控制异构网络安全评估

工业控制系统的异构性及其与互联网深度融合给工控系统安全评估带来精度不高等诸多问题.本文提出一种基于半定量信息的工业异构网络安全态势评估模型,该模型可以提高评估精度,解决难以描述不确定性信息和难以契合工控异构网络复杂结构等现存问题.该方法将工业控制网络划分为不同异构子网,根据子网特点选取有针对性的评估属性,并使用性能优秀的ER规则对不同类型的评估属性进行融合,可以有效利用定性知识和定量数据,获得更加准确的评估结果.在多个实际工业控制网络数据集上进行评估实验得到的结果表明:本文提出的模型与网络安全评估实际参考值的均方根误差值比RF、BP、SVM模型分别降低了80.2%、40.8%和87.7%,验证了该模型的有效性和准确性.

城市防疫医疗救援网络的抗毁性与鲁棒性

为研究城市防疫医疗救援系统空间布局的合理性和防灾韧性,采用复杂网络技术构建了某城市防疫医疗救援网络模型,对其网络拓扑结构和网络特征基本参数进行分析,研究不同攻击模型下以边和点连通度为度量指标的结构抗毁性能力;通过设定不同的网络冗余与网络负荷,研究网络针对确定性攻击与随机性攻击的鲁棒性特征。研究结果可为城市防疫医疗救援系统的空间优化布局和核心场所强化建设提供理论支撑。

华人移民网络对中国出境旅游的影响

规模庞大的海外华人移民是经济全球化背景下中国与世界互动的重要经济社会现象,华人移民形成的社会网络对于促进国际贸易、跨国投资乃至重塑全球经济地理都有着深远影响。基于华人移民网络对出境旅游的文化距离缩减效应、旅游成本节省效应和旅游服务便利效应,采用面板数据验证华人移民网络与中国出境旅游的关系。研究认为,华人移民网络对中国出境旅游具有显著促进作用。华人移民网络有助于缩减与目的地经济体的文化距离、节省出境旅游成本、增强旅游服务便利化水平,从而促进中国出境旅游发展。发达经济体和发展中经济体的华人移民网络均对中国出境旅游有正向影响,比较而言,中国居民前往发展中经济体的出境旅游更依赖华人移民网络。文化关联对发达经济体华人移民网络的中国出境旅游效应具有调节效应,中国居民向非儒家发达经济体的出境旅游更依赖于华人移民网络。

考虑非期望产出的我国物流业效率空间关联网络结构分析

深入研究非期望产出的我国物流业效率的空间关联网络对于推进物流业的低碳转型,促进物流产业区域协同发展具有重要的现实意义。基于2011—2020年我国内陆30个省份的数据,利用超效率SBM模型测算考虑非期望产出的物流业效率,借助修正的引力模型和社会网络分析方法对效率空间关联网络特征及其影响因素进行了分析。结果表明:考虑非期望产出的物流业效率空间关联效应已经突破了地理邻近范围,其空间关联网络结构较为稳定但松散。研究期内,空间关联网络中各地区物流产业辐射关联能力及中介作用表现情况不同。地理位置、经济发展水平差异、科技水平差异和政府支持力度差异对考虑非期望产出的物流业效率空间关联网络结构的形成有显著影响。

生成式大模型承载网络架构与关键技术探索

生成式大模型训练需要超大规模低时延、高带宽、高可用的网络承载底座。对生成式大模型下高性能网络基础设施的技术发展路线和实现方案进行了研究,认为商用部署时需针对不同训练阶段的工作负载和流量模式,开展定制化网络架构设计和传输协议优化。流控/拥塞控制技术、负载均衡技术、自动化运维技术和面向广域远程直接内存访问(RDMA)的确定性网络传输技术是未来的重点研究方向。

MRNDA:一种基于资源受限片上网络的深度神经网络加速器组播机制研究

片上网络(Network-on-Chip,NoC)在多处理器系统中得到了广泛的应用.近年来,有研究提出了基于NoC的深度神经网络(Deep Neural Network,DNN)加速器.基于NoC的DNN加速器设计利用NoC连接神经元计算设备,能够极大地减少加速器对片外存储的访问从而减少加速器的分类延迟和功耗.但是,若采用传统的单播NoC,大量的一对多数据包会极大的提高加速器的通信延迟.并且,目前的深度神经网络规模往往非常庞大,而NoC的核心数量是有限的.因此,文中提出了一种针对资源受限的NoC的组播方案.该方案利用有限数量的处理单元(Processor Element,PE)来计算大型的DNN,并且利用特殊的树形组播加速网络来减少加速器的通信延迟.仿真结果表明,和基准情况相比,本文提出的组播机制使加速器的分类延迟最高降低了86.7%,通信延迟最高降低了88.8%,而它的路由器面积和功耗仅占基准路由器的9.5%和10.3%.

GCN引导模型视点的光学遥感道路提取网络

在光学遥感图像中,道路易受遮挡物、铺装材料以及周围环境等多重因素的影响,导致其特征模糊不清。然而,现有道路提取方法即使增强其特征感知能力,仍在特征模糊区域存在大量误判。为解决上述问题,本文提出基于GCN引导模型视点的道路提取网络(RGGVNet)。RGGVNet采用编解码结构,并设计基于GCN的视点引导模块(GVPG)在编解码器的连接处反复引导模型视点,从而增强对特征模糊区域的关注。GVPG利用GCN信息传播过程具有平均特征权重的特性,将特征图中不同区域道路显著性水平作为拉普拉斯矩阵,参与到GCN信息传播从而实现引导模型视点。同时,提出密集引导视点策略(DGVS),采用密集连接的方式将编码器、GVPG和解码器相互连接,确保有效引导模型视点的同时缓解优化困难。在解码阶段设计多分辨率特征融合(MRFF)模块,最小化不同尺度道路特征在特征融合和上采样过程中的信息偏移和损失。在两个公开遥感道路数据集中,本文方法IoU分别达到65.84%和69.36%,F1-score分别达到79.40%和81.90%。从定量和定性两方面实验结果可以看出,本文所提方法性能优于其他主流方法。

基于网络群组特征的生态管理分区--以武汉市为例

生态管理分区是维持区域生态安全、实现城市生态差异化治理的重要手段。然而现有分区方法侧重生态功能属性,较少考虑生态斑块之间联系强度差异,忽视了斑块的群组结构。以武汉市为例构建生态网络,从生态系统结构和功能的视角,结合斑块空间组织和斑块联系强弱,运用凝聚子群方法,提取联系紧密的生态组分,将网络划分为异质性群组,基于网络群组特征和生态景观辐射范围进行分区覆盖分析,并进行分区评价。结果表明:(1)86条生态廊道连接研究区34处生态斑块,进一步形成8个生态群组;(2)多数群组内部连通性较好,北部群组之间联系较强,南部群组之间联系相对较弱;(3)依据群组结构功能特征,形成6大网络群组分区,通过与武汉市经济发展规划分区对比,两者具有较高的一致性;(4)城市外围的分区网络稳定性较好,中部稳定性较差,识别分区内13个重要斑块和16条重要廊道,作为重点发展保护对象;(5)综合分区特征将6大分区确立为生态屏障区、生态控制区、生态改善区、生态修复区、生态开发区以及生态保育区,并提出生态发展差异化保护措施。研究将生态功能属性和空间结构属性进行有机关联并制定分区策略,为区域生态管理分区、生态保护规划提供新视角。

基于格拉姆角场与深度卷积生成对抗网络的行星齿轮箱故障诊断

针对行星齿轮箱故障诊断中样本分布不均衡所引起的模型泛化能力差及诊断精度低等问题,采用格拉姆角场图像编码技术和深度卷积生成对抗网络相结合进行数据增强,融合AlexNet卷积神经网络进行故障诊断。将采集到的一维振动信号转化为格拉姆角场图,按比例划分训练集与测试集,将训练集样本与随机向量输入到深度卷积生成对抗网络模型中,交替训练生成器与判别器,达到纳什平衡,生成与原始样本类似的生成样本,从而实现故障样本的增广。用原始样本与生成的增广样本训练卷积神经网络分类模型,完成行星齿轮箱的故障识别。实验结果表明,所提方法能够有效提升样本不均衡条件下的行星齿轮箱故障诊断精度,使之达到99.15%,且能使收敛速度更快。

基于时序生成对抗网络的居民用户非侵入式负荷分解

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。

基于对抗生成的轻量化红外图像增强网络

目前,红外成像技术在医学、安保、环境监测、军事探测等方面获得了广泛应用。然而,由于低成本红外成像设备的固有缺陷及大气环境对热辐射传导的影响,导致其采集的图像亮度较暗、细节模糊、对比度低,影响后续图像语义分析及目标检测识别等任务。传统基于模型的红外图像增强方法常需利用图像先验信息,模型参数与场景相关,模型泛化能力不强;基于深度学习的红外图像增强算法有助于增强红外图像质量,但结构冗余,不利于边缘端部署。生成对抗网络(GAN)可以通过判别器和生成器两个网络的轮流对抗训练显著提升红外图像增强效果,但网络训练参数量大,边缘端部署占用资源多,运算复杂度高。本文设计了一种基于对抗生成的轻量化红外图像增强网络,通过在GAN模型的基础上增加多层次特征融合结构并设计多尺度损失函数,提升了特征提取效率并减少了网络层数,在提升图像质量的同时提高了增强效率,利于算法的边缘端部署。实验表明,本文方法在同等参数量下,通过添加多层次特征融合结构和多尺度损失函数,兼顾了图像的全局和局部特征,保证了细节信息不丢失,在提高网络性能的前提下未明显增加计算复杂度;在红外图像增强效果相当的情况下,模型参数量降低75.0%,边缘端设备推断时间降低32.07%。