Information Network System for WDCDS/NCSDI

World Data Center-D for Seismology(WDCDS)is a member of the World Data Center System under ICSU and is one of the nine World Data Centers located in China(WDC-D).During the period from 1993 to 1996,an information network system,called CSDInet,was developed in National Center for Seismic Data and Information(NCSDI)and has become the basic technical supporting system for WDC-D for Seismology.CSDInet consists of four basic parts:computer network center,LAN(Local Area Network),link to Internet,and nationwide PSTN(with dialing-up telephone line)user network.In this paper a "multi-layer multi-mode" management of data flow for this system will be explained and the data and information services will be described.

基于STAGCN-Informer时空组合模型的风电功率预测方法

针对风电功率预测中,空间信息受时空波动性和随机性影响无法有效提取,导致预测精度不足的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)、融合时空注意力图卷积网络(Spatiotemporal Attention Graph Convolutional Network,STAGCN)和改进Informer的组合模型(STAGCN-Informer-DCP)。首先运用VMD对原始特征进行模态分解,提取出不同时间尺度上的特征信息。同时利用北方苍鹰算法(Northern Goshawk Optimization,NGO)优化VMD的核心参数(惩罚因子和K值)选择。其次,利用融合时空注意力的STAGCN模块动态捕捉目标风机与近邻相似风机的时空特征,并将其与原始的信号分量融合获得携带空间尺度信息的特征向量。最后使用改进的Informer模型提取时序上下文的长期依赖关系,并实现多步输出预测。实验结果表明,该组合模型能较好地捕捉动态时空依赖,并有效提高了中长期风电预测的准确度。

基于VMD-Informer-BiLSTM模型的超短期光伏功率预测

由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。

Study on the Diffusion Performance of Standard E-Government Information Systems

Standard e-government information system(SEIS) including mobile-government applications are playing more and more important roles in the establishing of national e-government framework. It can be beneficial not only for avoiding redundant e-government IS development but also for improving collaboration among government agencies. Two research questions were explored: what are the factors influencing the performance of SEIS? Will mandatory SEIS create a better performance than non-mandatory SEIS? Specifically, the use of five categories of IS aspects--information system quality, online service quality, offline service quality, diffusion modes and standard network size—is proposed to understand the performance of SEIS through applying both survey study and simulation study. The results show that information system quality and online service quality of SEIS have strong effects on users' expectation and users' satisfaction, which thereafter promotes the performance of SEIS. Government agencies' offline service quality shows a significant effect on users' satisfaction while not on users' expectation. Furthermore, the diffusion speed of SEIS in non-mandatory and mandatory modes and the standard network size also have great influence on the utility of SEIS.

A review and an outlook of the National Cultural Information Resources Sharing Project

This paper discusses the Project's organization system, technical system, creation of digital resources and service mode. It also summarizes achievements gained since the commencement of the Project, and also analyzes some of the more important issues during implementation stage and gives a few suggestions of the future development during the next stage of the 11thFive-Year Plan.

Applying Network Technology to Improve TV News Production Mode

With the development of database and computer network technology, traditional TV news production mode (TVNPM) faces great challenge. Up to now, evolution of TVNPM has experienced two stages: In the beginning, TV news is produced completely by hand, named as pipelining TVNPM in this paper. This production mode is limited to space and time, so its production cycle is very time-consuming, and it requires a lot of harmony in different departments; Subsequently, thanks to applications of database technology, a new TVNPM appears, which is named as pooled information resource TVNPM. Compared with pipelining TVNPM, this mode promotes information sharing. However, with the development of network technology, especially the Intranet and the Internet, the pooled information resource TVNPM receives strong impact, and it is referred to contrive a new TVNPM. This new TVNPM must support information sharing, remote collaboration, and interaction in communications so as to improve group work efficiency. In this paper, we present such a new TVNPM, namely, Network TVNPM, give a suit of system solution to support the new TVNPM, introduce the new workflow, and in the end analyze the advantages of Network TVNPM.

图情领域二模网络研究:概念、脉络及应用

二模网络能够全面深入细致地挖掘众多复杂网络场景中的丰富信息。图情领域中的众多研究对象组成的网络具有天然的二分属性,二模网络在该领域的应用取得了较好的研究成果。本文系统梳理了图情领域二模网络的研究现状。首先,对二模网络相关概念进行了界定,包括隶属网络、二分网络等。其次,厘清了二模网络的研究脉络,包括二模网络的研究方法、基本流程和应用场景。再其次,总结了二模网络在知识管理与知识发现、科研合作与学术评价、信息传播与网络舆情、用户需求与信息服务等图情领域的应用逻辑。最后,探讨了二模网络在图情领域的研究前景,为信息资源管理学科体系构建贡献了基础方法。

基于通道信息不平衡度的多元经验模态分解方法

在轴承多通道振动信号中,由于多通道故障信息不平衡会导致轴承故障诊断精度降低。针对这一问题,提出了一种考虑多通道故障信息不平衡的,基于多元经验模态分解(MEMD)的轴承故障特征提取与诊断方法。首先,分析了传统MEMD随机选择映射方向的缺陷,设计了依据通道间故障信息不平衡度自适应调整映射方向的策略,使分量信号中包含更多故障信息,并基于多元模态分解结果构造了特征空间;然后,基于冗余属性投影法对多通道提取的故障特征进行了融合,得到了多通道融合的本质故障特征;最后,采用反向传播(BP)神经网络进行了故障模式识别,设计了三层神经网络结构,且使用误差反向传播法进行了参数训练,并制定了基于BP神经网络的轴承故障诊断流程。研究结果表明:改进MEMD提取特征的类边界比传统方法更加明确,说明改进方法能够提取更具代表性的故障特征;从诊断精度看,与传统多元模态分解方法、完备集成辛几何分解方法相比,改进MEMD方法的诊断准确率最高,达到了99.5%。实验结果验证了改进方法在多通道故障诊断中是可行的,且从诊断精度上看,其具有一定的先进性。

基于多域信息融合与深度分离卷积的轴承故障诊断网络模型

针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。

基于元学习的多视图对比融合冷启动推荐算法

针对当前冷启动推荐模型在处理异质信息网络时难以充分挖掘结构与语义信息,以及忽略网络中用户行为属性的问题,提出了一种基于元学习的多视图对比融合冷启动推荐算法(MVC-ML)。该算法在模型层和数据层双重作用下,有效缓解了冷启动问题。在MVC-ML算法框架中,首先通过元路径视图提取异质信息网络的高阶语义信息;其次,利用网络模式视图捕获网络的结构特征;再接着,通过聚类视图分析用户行为属性信息;最后,运用对比学习方法,将上述三个视图中提炼的信息进行综合融合,以生成准确的表示向量。通过在DBook等三个数据集上的实验验证,MVC-ML模型在冷启动场景下相较MetaHIN等传统异质信息网络模型,在MAE上降低了1.67%,在RMSE上降低了2.06%,同时nDCG@K提高了1.48%。这些数据充分证实了MVC-ML算法的合理性和有效性。

生物氧化预处理过程pH值随机分布控制方法研究

生物氧化预处理过程中氧化槽pH值是影响细菌活性的关键因素之一,而pH值输出形态分布不符合高斯分布,使传统的均值和方差难以描述输出pH值分布,本文提出一种对矿浆输出pH的概率密度函数(PDF)统计信息控制方法。首先,采用B样条逼近矿浆输出pH值的PDF统计信息;其次,针对权值向量之间的关系,利用动态神经网络(DNN)建立控制输入和权值向量之间的非线性动态模型,基于建立pH的PDF统计信息权值模型,设计滑模变结构控制器,通过构造Lyapunov函数进行稳定性分析;最后,实现输出PDF统计信息对目标PDF统计信息的跟踪。仿真结果验证了所提方法的有效性,为生物氧化预处理过程提供了新方法。

基于VMD与TCN的台区短期负荷预测算法研究

针对台区短期负荷预测精度不高的问题,提出了一种基于变分模态分解(variational mode decomposi-tion,VMD)的时间卷积网络(temporal convolutional network,TCN)短期负荷预测算法。其利用VMD对负荷数据进行分解,得到规律性更强的子序列,并采用最大信息系数(maximal information coefficient,MIC)选出与负荷相关性强的天气因素,与历史负荷和分解的子序列形成新的负荷数据集,采用TCN模型完成低压台区短期负荷预测。并对TCN、LSTM、GRU预测算法进行对比分析。仿真结果表明,VMD-TCN的预测效果最好,MAPE和RMSE分别为1.65%,15.05kW,表明了采用该算法可以实现对台区负荷进行精准的短期预测,以便于台区的调度管理、优化运行以及节能减排,同时采用了另一种数据集对算法进行了验证,结果表明VMD-TCN的预测结果仍是最好的。

基于多维信息矩阵和DAM-LSTNet的线损预测方法

线损占低压配电网中能量损耗的绝大部分。准确预测线损率(linelossrate,LLR)对于及时消除输电线路异常故障,保证供电安全具有重要意义。现有的线损预测方法很少考虑季节性趋势数据,并且在预测非平稳线损序列时存在滞后效应。针对上述问题,提出一种基于多维信息矩阵和多维注意力机制-长短期时间序列网络(dimensional attention mechanism-long-and short-term time-series network,DAMLSTNet)的预测方法。首先,采用最大信息系数(maximum information coefficient,MIC)方法筛选配电网特征和季节趋势参数。其次,采用遗传算法优化的变分模态分解(variational mode decomposition,VMD)方法,对历史线损数据进行分解,形成具有筛选网络特征参数的多维信息矩阵。最后,将多维信息矩阵放入具有多维注意力机制的LSTNet网络中,以预测线损。算例分析表明,与现有方法相比,所提方法具有预测参数考虑充分、预测权重自适应变化、滞后效应弱、预测准确率高等优点。

基于信息调控和MATCN的超短期风电功率多步预测

对波动的风电功率进行有效预测,是电网供需平衡、系统稳定运行的重要保障。为此,提出一种基于信息调控和MATCN的超短期风电功率多步预测方法。利用现有数据衍生出高阶项与交互项,提升特征序列数量与有效特征占比。针对复杂的风电数据结构,使用变分模态分解(VMD)将其拆分,根据子序列相关性和方差贡献率的计算结果保留重要序列分量,其余分量进行聚合,降低计算负担,缩短训练时间。随后,引入注意力机制构造多头注意力时间卷积网络(MATCN),通过注意力得分调整网络内部卷积单元之间的传递信息,实现模型对各序列分量的预测。最后,重构序列分量预测值,得到最终的输出结果。在实例数据上对所提模型进行对比验证,结果表明,该模型在不同步幅下均具有较好的预测效果。

网络信息安全威胁及防范技术研究

网络信息安全威胁是当前互联网发展面临的重要问题之一。随着云计算、大数据、物联网等新技术的广泛应用,网络攻击手段日益多样化。文章对网络信息安全威胁进行了深入研究,包括恶意代码攻击、分布式拒绝服务攻击、网络钓鱼攻击、数据盗取泄露、系统漏洞利用等。此外,文章叙述了4种典型的网络攻击方式,并从加强法制建设、完善监管体系、应用安全防护技术等方面探讨了应对网络信息安全威胁的对策。通过深入研究网络信息安全威胁及防范技术,文章为网络安全领域提供了理论参考和实践指导,具有积极的意义和价值,有助于加强网络安全。

Design of Data Model for Urban Transport GIS

Constructing the data model for public transportation by integrating the spatial and the non-spatial information, is the basis of reasonable plan and effective management of urban public transport. This paper presents a transit data model based on geographic information systems (GIS) technology, which utilizes arc-node networks, and manages the foundational bus data with point, link, polygon and record features. In this model, a transport network is generated and maintained in a dynamic manner, and hence supports planning, construction, management, operation and optimization functions for transit facilities and routes, as well as day-to-day transactions. Public transportation GIS established on this model foundation will remarkably upgrade the construction level and the urban service ability.

基于特征融合和ResNet的滚动轴承故障诊断

由于滚动轴承信号非平稳、非线性,导致轴承的故障信息提取困难,并且采用传统故障诊断方法诊断精度低,又过度依赖专家经验以及深度学习的故障诊断方法需海量的训练数据,为了解决上述问题,提出了一种基于特征融合和深度残差神经网络(ResNet)的滚动轴承故障诊断方法。首先,利用变分模态分解(VMD)和经验模态分解(EMD)的方法分解了原始信号;然后,根据方差贡献率和相关系数筛选确定了有效分量,对筛选出的有效分量进行了特征融合,组成数据集输入到ResNet模型中,并进行了故障诊断;最后,利用开源数据集对基于特征融合和深度残差神经网络(ResNet)的滚动轴承故障诊断方法进行了可行性和有效性验证,并通过滚动轴承实例数据验证了其泛化能力和鲁棒性。研究结果表明:在开源数据集中,采用该方法所获得的故障识别率达到了99.8%,相比于传统卷积神经网络(CNN)90%的故障识别率,其故障识别率更高;在滚动轴承实例数据集中,采用该方法所获得的故障识别率达到了97%以上,进一步证明了特征融合结合深度残差神经网络的故障诊断方法可有效应用于滚动轴承故障诊断中。

面向信息时代网络赋能指挥控制的层次模式连通结构

信息时代网络赋能指挥控制(network enabled command and control,NEC2)的理念,是通过使联网作战兵力信息共享效益最大化,达到作战效能的最大化.通过分析NEC2信息布局应具有的属性要求,提出一种可实现的层次模式联合兵力指挥控制(command and control,C2)连通结构,对其自适应C2特性进行分析,最后结合层次模式指挥控制连通结构信息交换示例,对信息标准交换和按需交换进行介绍,并论述了该连通结构的特性、优点和技术要求.

基于VMD灰度图像编码和CNN的多传感融合轴承故障诊断

针对滚动轴承振动信号非平稳、非线性且易受噪声干扰的特点,以及单一振动信号对某些轴承故障识别率偏低的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)灰度图像编码和卷积神经网络(convolutional neural networks,CNN)的多传感融合轴承故障诊断方法。首先,采用VMD对驱动端和风扇端振动信号分解,提取各阶本征模态分量与原始信号相关系数最大的分量;其次,将筛选出的本征模态函数(intrinsic mode function,IMF)分量依次排列并转换成灰度图像;最后,设计CNN结构,将训练集输入网络进行训练,测试集验证网络的有效性,实现滚动轴承故障识别。CWRU数据集和西安交通大学XJTU-SY数据集测试准确率分别达到99.90%和100%,结果表明:该方法能够准确识别变工况下轴承故障类别及损伤程度;对原始信号加入高斯噪声后的测试准确率分别达到99.75%和99.90%,证明该方法具有良好的泛化能力和抗噪性能。

基于时间模式注意力机制的GRU短期负荷预测

针对新能源时代负荷数据随机性更强及负荷预测误差较大的问题,提出一种基于时间模式注意力机制的门控循环单元神经网络短期负荷预测方法。首先,采用自适应白噪声的完整经验模态分解对负荷数据进行处理,得到若干个频率范围不同的本征模函数。其次,通过最大互信息系数进行相关性分析筛选特征,优化输入数据的特征维度。然后,构建基于时间模式注意力机制的门控循环单元神经网络预测模型进行负荷预测,采用自回归算法优化线性特征提取能力,得到预测结果。最后,通过实例分析证明了所提模型有助于负荷预测精度的提升。