改进型Quasi-Z源网络在单相矩阵式变换器中的应用

本文首先分析了Quasi-Z源逆变器的运行原理,为改进做准备。其次就是对其拓扑进行了改进,并结合单相—单相矩阵式变换器(MC)电路拓扑,提出了一种新型Z源MC电路结构。采用该拓扑结构的单相MC的优势在于:能够有效提高电压传输比,避免变换器桥臂因瞬间短路而对变流器造成的不可逆的损坏,系统的可靠性得到了有效提高。最后通过PSIM/Simulation软件对此新型Z源MC建立仿真模型,仿真波形验证了该MC拓扑结构具有输出/输入电压比大于等于1的特性,且电流的输入与电压输出波形良好。

压缩感知和图卷积神经网络相结合的宽频振荡扰动源定位方法

新能源并网引发的宽频振荡严重威胁电网安全,实现宽频振荡源的在线定位并及时采取抑制措施以保证系统安全稳定尤为必要。为此,提出一种压缩采样和图卷积神经网络相结合的宽频振荡源定位方法,该方法首先在子站对时序的振荡信号进行稀疏采样,获得其低维观测序列,作为节点的时序信息,然后在主站融合系统的拓扑结构捕捉各节点的邻接关系,综合考虑系统振荡的时空特性,运用图卷积神经网络实现振荡源定位。最后利用宽频振荡样本集进行仿真验证,结果表明所提方法在量测数据含有噪声、传输数据缺失以及传输数据偏差的情况下都有较高的定位准确度。

医院近源网络攻击风险分析及对策建议

目的/意义分析医院面临的近源网络攻击风险,提出对策建议。方法/过程结合实际工作经验,先以近源网络攻击者视角对医院网络架构、现场物理环境、人员行为等方面进行风险分析,再以防守者视角,结合合规要求和技术实践做法,提出对策建议。结果/结论识别出无线局域网破解、有线网络插口暴露、自助机配置不当、投毒与钓鱼、敏感信息泄漏5类主要风险,提出加强Wi-Fi管理、联网终端准入全覆盖、多部门协作管理自助机设备、内网终端禁用移动存储介质、网络安全教育应与时俱进5条防范建议。

基于卷积神经网络的移动机器人声源定位方法综述

听觉系统是机器人感知周围环境信息的重要途径之一,精准有效地进行声源定位,可极大提高移动机器人的感知与决策能力。将声源定位应用于危险环境救援与巡检具有重要工程意义。随着深度学习的广泛应用,引入卷积神经网络(convolutional neural networks, CNNs)的声源定位效果显著改善。将移动机器人声源定位研究从网络架构与改进、声音特征类型、数据仿真与增强,以及多模态信息融合四个角度进行综合对比及分析,并对技术的应用提出思考与展望。

基于多源信息融合的RBF神经网络室内可见光定位算法

针对基于接收信号强度(RSS)的定位技术易受环境干扰而导致定位精度不高和稳定性较差的问题,提出了一种基于多源信息融合的径向基函数(RBF)神经网络室内可见光定位算法。通过将图像的颜色矩特征与RSS矩特征融合,构建指纹库,并采用RBF神经网络进行预测,实现了图像与RSS之间的优势互补,最后对定位算法进行了验证。实验结果表明,经过优化的多源信息融合定位算法较单一RSS定位算法的定位精度提高了9.4%。

基于偶极子成像和3D卷积神经网络的源域运动想象解码方法

目的为充分保留和利用运动想象(motor imagery,MI)时偶极子的时空信息,本文提出一种新的偶极子成像(dipoles imaging,DI)结合3维卷积神经网络(3D convolutional neural network,3DCNN)的源域MI解码方法(DI-3DCNN)。方法首先,基于脑源成像(electroencephalography source imaging,ESI)技术计算运动想象脑电信号的偶极子源估计;接着,获取每类MI任务的平均偶极子源估计,基于数据驱动自动选择每类任务中偶极子激活水平较高且最大区分于其他任务的时刻作为中心采样点,再对中心采样点进行前后延伸并按任务顺序组合,形成感兴趣时间(time of interest,TOI);其次,选择覆盖高激活偶极子的Desikan-Killiany(DK)神经分区,并对局部保持投影方法(local preserving projection,LPP)增加DK分区约束,获得一种改进的有监督LPP(LPP DK);进而,基于LPP DK分别将所选择左、右半脑分区内的偶极子坐标从3维(three dimensional,3D)降成2维,获得具有神经生理先验信息的偶极子2D坐标,再结合TOI内各采样点处偶极子的幅值信息进行成像,并进行插值、下采样操作,得到偶极子的2D幅值图;随后,将TOI内偶极子的2D幅值图按时间顺序堆叠,获得左、右半脑的3D偶极子特征图,并将其作为网络的输入数据;最后,根据输入数据的特点,设计一种双分支3D卷积神经网络(dual-branched 3DCNN,DB3DCNN)实现MI解码。结果基于BCI competition IV 2a数据集进行实验研究,取得了86.50%的平均解码准确率。结论基于DI所得3D偶极子特征图能够较好地保留偶极子的最佳激活时间、程度及生理空间信息,且与DB3DCNN性能匹配。

无源光网络开放性创新实验的探索与实践

实验教学是应用型创新人才培养的关键环节,开放性创新实验的设计与应用是延伸拓展课内实验教学的有益探索。针对学生差异化发展和自主研究探索的需求问题,设计涵盖时分复用无源网络和波分复用无源光网络的个性化开放性创新实验主题,建立针对实体实验资源和虚拟仿真资源特点的多元化开放共享机制。探索在开放性创新实验中应用小规模限制性在线课程与面授课程结合的融合式教学模式,设计过程育人理念引导的阶段化项目实施路线,推进有通信工程专业特色的无源光网络实验教学课程内涵建设。

卷积与长短期记忆网络在火灾源强实时预测中的应用

针对火灾场景中火源位置及强度实时、准确识别困难的问题,利用卷积神经网络(Convolutional Neural Networks,CNN)与长短期记忆(Long Short-Term Memory,LSTM)网络的算法优势,构建一种火灾源强实时预测模型,该模型通过建筑内温度传感器接收的序列数据,实时、准确地预测火灾场景中的火源位置及强度信息。采用火灾动力学模拟软件(Fire Dynamics Simulator,FDS)模拟火灾场景,获得温度传感器实时接收的序列数据,建立火灾场景数据库,进行火灾场景数据分析并对火灾源强实时预测模型完成训练,通过实例验证该模型的准确性、及时性和鲁棒性。结果表明,该模型能够通过较短长度样本数据实时、准确预测火灾场景中火源位置及强度,预测准确率为99.18%,在温度传感器间隔损坏且损坏率不高于70%时,预测准确率仍可达到95.10%以上。

基于BP神经网络的水中双爆源爆炸冲击波峰值压力预测模型研究

为了获得水中等质量两爆源同步爆炸时冲击波耦合中心的峰值压力计算模型,利用Autodyn计算得到不同药量和爆距下的峰值压力数据.一方面根据量纲分析确定的函数形式拟合数据从而获得峰值压力的计算公式;另一方面对药量、爆距及峰值压力三类数据进行对数变换和归一化,并将其分为训练集和测试集,然后将训练集代入BP神经网络进行训练,得到结构相对简单、均方误差最小的BP神经网络预测模型.结果表明:公式计算结果和BP神经网络模型计算得到的峰值压力与实际值吻合较好,公式计算值与实际值的平均相对误差为1.08%,BP神经网络预测值与实际值的平均相对误差为0.52%,与公式计算相比,BP神经网络能够以更少的数据样本容量实现更高的精度预测.

高校环境实验室危险源的风险分级与防范网络屏障的构建

高校环境实验室危险源的种类和危险特性多样,危险源的风险分级与防范网络屏障构建对高校实验室危险源的管理具有较大的推进作用。文章采用系统工程的方法,进行了环境实验室危险源的分类统计分析;基于事故风险链理论、多层次综合评价法和墨菲定律,构建了环境实验室危险源的风险分级指标体系和防范网络屏障。结果表明:(1)实验室的危险源风险分为危险因素和危险单元风险两个层次,危险因素和危险单元的风险分为极度危险、重度危险、显著危险、潜在危险和稍有危险五个等级。(2)实验物质、工艺设备、环境、人员、安全管理构成实验事故风险链条,事故发生是一个链条事件,构建层层防御屏障大大降低事故的发生概率。构建基于实验项目的实验全员分工负责、物环人管环环相扣、危险单元全周期、全方位、分级化精准监管的防范网络屏障是实验室安全的强有力保证。

基于多源异构数据的网络威胁情报质量评估方法

随着网络攻击形式的多样化和攻击手段的复杂化,网络威胁情报(CTI,cyber threat intelligence)已成为应对未知网络威胁的重要手段。为有效解决网络威胁情报因来源广和重复性高而导致其质量难以评估的问题,本文提出一种基于多源异构数据的网络威胁情报质量评估方法ISU-Measure(intelligence-source-user measure)。首先,设计及时性、活跃性、关联性、完整性作为量化指标来表征微观威胁情报的质量;其次,提出将规模性、周期性、独创性作为量化指标来评估威胁情报源整体质量;然后,针对用户需求差异性设计了用户指标偏好并与Critic权重法结合生成复合权重,同时对7个量化指标赋权构建量化评估模型。通过对12个主流威胁情报源的质量评估结果显示,ISU-Measure方法设计的复合权重法优于Critic权重法和均值法,相比其他研究方法在指标覆盖范围、获取难度、区分性上具有明显优势。

多源非对称星型量子网络及其非定域性

作为Bell定理的一种推广,基于多纠缠源的量子网络及其非定域性被人们广泛关注。本文基于独立源假设研究多源星型量子网络,构建具有5个独立源和8个节点的非对称星型网络模型,并探究其量子非定域性。结果表明,对于分发到网络节点的一组指定的纠缠纯态,该量子网络模型下得到的5-local定域关联不等式将会被违背,当前量子网络模型具有明显的非定域特性。

异构工业控制网络多源目标入侵自动识别研究

异构工业控制网络多源目标特征处在不断变化中,具有起伏性,导致入侵识别精准度较低。提出考虑数据特征实时变化的入侵自动识别方法,并应用到异构工业控制网络中。设定归一化入侵特征空间,将全部网络数据规范到该空间内,并根据最大值和最小值比对将超出范围数据重新作归一化处理。以时域矩阵偏度特征、峰度特征以及包络起伏度特征作为入侵特征提取类别,分别计算工业控制网络中三种特征数据大小。在此基础上,首先计算一组入侵数据样本在网络中的各项特征表现;然后将表现参数转换为聚类中心值,求解待识别目标与聚类中心间欧式距离;最后按照距离大小完成入侵目标自动识别。试验数据证明:该方法在工控网络中识别精准度较高,并可在多种网络攻击环境下实现精准识别。该方法具有较好的应用效果。

智慧网络大规模未知访问源的安全性预警研究

由于智慧网络环境具有复杂性和动态性,且存在大量的未知访问请求,没有预先定义的信誉信息,增加了安全性预警的难度。为此,提出智慧网络大规模未知访问源安全性预警方法。利用提升小波变换方法对未知访问源的数据包展开降噪处理,建立自动免疫抗体,提取未知访问源数据包特征,识别未知访问源异常,采用模糊综合评价方法对异常访问源的安全性展开评价,根据评价结果确定访问源的风险等级,实现安全性预警。仿真结果表明,所提方法的降噪效果好,可以准确获取未知访问源的风险值变化情况,且预警精度高。

基于多源数据融合的无线通信网络干扰信号滤除方法

当前的无线通信网络干扰信号滤除识别节点多设定为单向,信号滤除识别范围较小,导致信号的滤除响应时间延长,为此提出对基于多源数据融合的无线通信网络干扰信号滤除方法的设计与验证分析,根据当前的信号滤除需求及标准,先进行干扰信号定位检测,采用多目标的方式,扩大信号滤除识别范围,部署多目标干扰信号识别节点,以此为基础,构建多源数据融合干扰信号滤除模型,采用信号跟踪及分离处理实现信号滤除。最终的测试结果表明:设计方法得出的信号的滤除响应时间被较好地控制在0.2s以下,说明在多源数据融合技术的辅助下,当前的干扰信号滤除效果更佳,针对性更强,具有实际的应用价值。

基于动态通道绑定的更高速无源光网络

传统无源光网络单通道速率提升成本越来越高。多通道无源光网络可通过动态通道绑定实现速率提升,进一步满足服务多样性需求。分析了现有IEEE和ITU-T无源光网络标准中的动态通道绑定需求和功能实现,以及数据传输过程中存在的带宽效率、数据顺序恢复等问题,提出了一种更高速无源光网络动态通道绑定中数据序列化传输和顺序恢复方法。该方法简化了动态通道绑定处理,避免了带宽效率下降问题。

融合多源异构数据的图卷积神经网络混合推荐模型

推荐系统可以让用户在海量数据环境下挑选出自己真正需要的内容,为更全面地反映用户个人偏好,提高推荐的准确度,本文提出一种融合多源异构数据和图卷积神经网络的混合推荐模型(MHDGCN)。该模型融合用户评分和评论等用户-项目交互数据,先将其转化为特征向量,然后将特征向量使用图卷积神经网络进行聚合和加权;接着采用Transformer重新分配聚合后的权重系数;最后将聚合后的特征向量优化相关参数得到推荐结果。经在真实数据集上的对比实验,MHDGCN在准确率、召回率、平均倒数排名(Mrr)、命中率和归一化折损累计增益(NDCG)5个指标上均优于基线方法,验证了模型的有效性,提升了推荐模型的推荐性能。

采用源空间套索分析和卷积神经网络方法的高频脑电动作模式识别方法

针对目前同侧手部运动意图识别率低的问题,提出了一种基于源空间套索分析和卷积神经网络(source-Lasso-CNN,SLC)的高频脑电动作模式识别方法。该方法运用空间源定位分析与握拳、展拳、二指对捏、三指对捏4种动作相关的脑电信号,使用组Lasso进行感兴趣区域(ROI)选择,再输入到卷积神经网络进行单手多类动作模式识别。采集13名被试者在4种手部动作模式下的脑电和肌电信号并进行预处理,采用基于核磁共振图像的边界元模型建立头模型、使用最小范数估计解决脑电源成像逆问题,将传感器空间的脑电信号映射至源空间。将源空间脑电序列按照布罗德曼分区进行划分,提取每个脑区的3个时域特征并基于特征采用组Lasso方法进行ROI选择,将挑选出的ROI及其对应源空间序列输入卷积神经网络中进行四分类。实验结果表明:采用source-Lasso-CNN的方法在高频(γ频带)脑电的识别准确率可达(82.23±12.71)%,优于在δ(1~3 Hz)、θ(4~7 Hz)、α(8~13 Hz)、β(14~30 Hz)以及全频带(1~100 Hz)上的结果。与其他先进方法相比,其准确率也有显著性的提升,显示了该方法在同侧手部运动意图识别中的有效性。

基于区块链的多源网络大数据安全访问权限认证仿真

多源网络大数据的频繁交互与存储打破了传统数据“孤岛”,实现了跨区域与跨组织的数据访问,为数据的安全和隐私保护带来巨大挑战。访问认证作为保护数据与资源安全的技术之一,在获取所有数据节点信任的同时,面临巨大的通信负载,会造成数据丢失和破坏,为此,提出一种基于区块链研究多源网络大数据安全访问权限认证方法。以相似关系度量数据在网络传输中的变化状态,根据相似矩阵计算多源网络数据访问概率。通过区块链技术建立数据安全访问合约,标定数据的访问属性以及交易密文,并将数据压缩在对应属性内。根据访问目的分析其访问信度,以信度作为标准对应安全等级,在不同信度下定制访问规则,认证数据安全访问的具体权限,实现方法设计。实验结果表明,以不同数据属性含量作为测试条件,在常规模式和攻击模式下对数据进行加密和解密处理,新方法可以实现较快的认证响应,实现网络数据的安全访问。

基于时空认知膨胀卷积网络与多源影响因素的PM_(2.5)细粒度预测模型

为实现精确化、细粒度的PM_(2.5)浓度预测,提出了基于时空认知膨胀卷积网络(spatial-temporal cognitive dilated convolution network,ST-C-DCN)的PM_(2.5)浓度预测模型ST-C-DCN。该模型将时空因素、气象因素运用于PM_(2.5)浓度预测,基于因果卷积网络提取时空特征,并采用时空注意力机制优化了时空特征的提取。基于海口市空气污染数据的实验测试表明:对于单个监测站,基线模型相比,ST-C-DCN的均方根误差(root mean square error,RMSE)平均下降24.7%,平均绝对误差(mean absolute error,MAE)平均下降9.93%,拟合优度(R-squared,R^(2))平均上升3.35%。对于全部监测站点的预测,ST-C-DCN在win-tie-loss(包括MSE、RMSE、MAE、R^(2))实验中,均获得了最多的获胜次数,分别为68,68、63和64。通过不同数据抽样条件下的Friedman检验,证明了ST-C-DCN对比基准有显著的性能提升。ST-C-DCN为细粒度PM_(2.5)预测提供了一个具有潜力的方向。