基于CNN⁃GRU的智慧校园网络入侵远程检测方法

为增大最优距离阈值的计算结果,实现对入侵信息参量的远程检测,提出基于CNN⁃GRU的智慧校园网络入侵远程检测方法。以CNN⁃GRU网络框架为基础,设置循环控制单元,并联合已获取数据信息参量,求解损失函数表达式,完成基于CNN⁃GRU的检测原理分析。在入侵信息参量的数据集合中,选择最为适宜的数值指标,并根据其传输行为特征,计算寻优参数的具体数值,完成智慧校园网络入侵远程检测方法的设计。对比实验结果表明,与机器学习型检测方法相比,在CNN⁃GRU网络作用下,待检入侵信息参量的最优距离阈值指标计算数值更大,可以在远程条件下实现对智慧校园网络入侵行为的准确检测。

基于红外的SSA-CNN-GRU电路板芯片故障诊断

针对电路板温度数据诊断率不佳的问题,本文提出了基于红外的SSA-CNN-GRU电路板芯片故障诊断模型。首先,根据红外热像仪采集芯片温度数据,建立多维特征模型;然后,在故障诊断模型输入端和CNN-GRU通道分别添加注意力机制,构建双注意力结构,自适应识别有效数据段和提取红外图像有效特征;接着,利用麻雀搜索算法优化注意力机制权值分配,获取全局最优超参数;最后搭建SSA-CNN-GRU故障诊断模型,实现芯片故障模式的高精度诊断。实验采用电源电路板进行可靠性分析,实验结果表明,本文算法在诊断精度可达98.73%,且稳定性、可靠性方面均优于对比算法。

VMD特征提取与PSO-GRU神经网络的能耗预测

针对云计算中心机柜能耗数据序列化且变化频率高的特点,融合信号处理与深度学习方法,研究基于序列能耗特征提取的能耗预测模型,即基于变分模态分解(VMD)与粒子群优化(PSO)的门控循环单元(GRU)的能耗预测模型.首先,采用VMD算法对机柜设备能耗序列进行特征提取,获得不同中心频率的能耗数据本征模态函数(IMF);其次,基于IMF分量学习训练,构建各分量PSO-GRU预测模型;最后,使用最优模型实现能耗数据IMF函数分量预测及其重构,以序列叠加运算获得机柜的能耗预测结果.经云计算中心机柜设备能耗数据实验表明,基于VMD算法特征提取的PSO-GRU能耗预测模型具有精度较高、通用性强的特点,可为数据机柜及云计算中心的能效优化控制提供支撑.

广州地铁2号线屏蔽门系统的选择

地铁屏蔽门系统是一个典型的机电一体化产品 ,它在广州地铁 2号线的应用在国内的地铁中尚属首次。根据屏蔽门系统是带载运营的特点 ,对其材质选择、控制系统、执行电机等在设计。