基于篇章级信息特征增强的中文突发事件检测

事件检测旨在检测句子中的触发词并将其分类为特定的事件类型。针对目前大多数的中文事件检测方法存在篇章内句子间相互依赖信息利用不充分的问题,提出了基于篇章级信息特征增强的中文突发事件检测方法。首先,通过BERT(Bidirectional Encoder Representations from Transformers)预训练语言模型编码字向量,使用平均池化将字向量转换成句子表示信息;其次,利用双向门控循环神经网络(Bidirectional gated recurrent neural network,Bi-GRU)学习句子内和篇章内的上下文隐层信息,接着通过注意力机制(Attention Mechanism)分别得到句子级信息和由若干句子间的相互依赖信息生成的篇章级信息;最后,将篇章级信息融合到句子级信息上后与字向量拼接,再使用条件随机场完成对句子中触发词的识别和标注。实验结果表明,该方法有效的提升了中文突发事件检测效果,F1值达到79.95%。

基于四电平编码与弱光通信的极低功耗传光式电流互感器

针对传光式电流互感器高压侧现有的母线取能和激光供能方式存在供电死区、能量转换效率低、使用寿命不足等问题,提出一种基于四电平编码与弱光通信的极低功耗光电传输系统方案。首先,设计三态门电路将信号采集模块的采样时钟和数据信号叠加为一个四电平信号。然后,利用超高亮度且极低功耗的LED将四电平信号转换为光信号并通过光纤传输至低压侧。最后,在低压侧通过高灵敏度雪崩光电二极管探测器进行弱光检测后输入解码电路实现信号解码。将极低功耗光电传输系统应用于传光式电流互感器中进行实验验证,测量结果满足0.2级精度要求,系统高压侧的平均功耗可降低至3.91 mW,保证测量精度的同时大幅降低了功耗。由于高压侧的功耗极低,故可采用大容量电池或小功率光伏系统等可靠供能方案,从而解决了高压侧的供能问题,提高了系统的稳定性和可靠性。

水库水位的VMD-CNN-GRU混合预测模型

水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求.

一种多任务联合训练的机器阅读理解模型

在机器阅读理解任务中,如何在包含不可回答问题的情况下提高答案的准确性是自然语言处理领域的一项重要挑战.虽然基于深度学习的机器阅读理解模型展现出很好的性能,但是这些模型仍然存在抽取特征冗余、语义信息不全面、问题分类任务和答案抽取任务耦合性不强的问题.为了解决以上问题,本文提出一种结合门控机制和多级残差结构的多任务联合训练模型GMRT(Gated Mechanism and Multi-level Residual Structure for Multi-task Joint Training),以提升机器阅读理解任务中答案预测的准确性.GMRT构建门控机制来筛选交互后的关联特征,从而控制信息的流动.采用多级残差结构分别连接注意力机制和门控机制,保证每个阶段都保留原始语义信息.同时,通过边缘损失函数对问题分类任务和答案抽取任务联合训练,确保预测答案过程中任务之间的强耦合性.在SQuAD2.0数据集上的实验结果表明,GMRT模型的EM值和F1值均优于对比模型.

基于门级信息流追踪技术的逻辑混淆攻击方法

逻辑混淆技术是一种实现知识产权保护、防止逆向工程的主流技术手段。提出了基于门级信息流追踪技术的逻辑混淆攻击方法,采用门级抽象层次上的信息流分析方法,建立信息流模型,对输出及其污染标签进行约束,使用SAT求解器求解满足约束条件的混淆密钥序列。实验结果表明该攻击方法对5种混淆加密算法、2种面积开销生成的测试基准有很好的破解效果和效率。

基于异构平台的卷积神经网络加速系统设计

在计算和存储资源受限的嵌入式设备上部署卷积神经网络,存在执行速度慢、计算效率低、功耗高的问题。提出了一种基于异构平台的新型卷积神经网络加速架构,设计并实现了基于MobileNet的轻量化卷积神经网络加速系统。首先,为降低硬件资源消耗以及数据传输成本,采用动态定点数量化和批标准化融合的设计方法,对网络模型进行了优化,并降低了加速系统的硬件设计复杂度;其次,通过实现卷积分块、并行卷积计算、数据流优化,有效提高了卷积运算效率和系统吞吐率。在PYNQ-Z2平台上的实验结果表明,此加速系统实现的MobileNet网络推理加速方案对单幅图像的识别时间为0.18 s,系统功耗为2.62 W,相较于ARM单核处理器加速效果提升了128倍。

基于FPGA的永磁同步电机速度控制

针对永磁同步电机(PMSM)速度控制器中采用传统PI控制存在响应速度慢、超调量大以及容易出现积分饱和等问题,设计了采取Anti-Windup策略的速度控制器,并在现场可编辑逻辑门阵列(FPGA)中实现对PMSM的控制。首先采用高层次综合技术(HLS)对PMSM伺服控制关键模块完成建模,其次封装成IP核导入到工程中,最后下载到FPGA芯片上完成对PMSM的控制。经过与传统PI控制器实验比较,使用该速度控制方法超调量减小到4.3%,在负载处转速下降了14r/min,调节时间为0.01s,具有良好的动态性能和抗干扰性能,满足永磁同步电机伺服控制系统的应用需求。

基于CNN-GRU-ATT的城市暴雨积水预测研究

多发频发的极端暴雨事件导致很多城市普遍面临严重内涝问题。能否准确高效地预测城市积水点的水位变化,是城市内涝防治的重要组成部分。为有效提升城市暴雨积水预测的精度和效率,建立了一种基于卷积神经网络(CNN)-门控循环单元(GRU)-注意力机制(ATT)的城市暴雨积水预测模型。首先利用CNN与GRU提取水位数据的局部空间特征和深层时间特征,然后引入ATT加强对降雨序列中关键信息的记忆,从而完成城市积水点的水位预测。利用开封市某积水点的实测水位对模型进行了验证,并与以往的CNN-GRU、ATT-CNN-LSTM以及CNN-LSTM模型进行了对比分析。结果表明,CNN-GRU-ATT模型的损失函数在epoch=20处即达到收敛,损失函数值最终稳定在0.0002左右,收敛效果较好。此外,与其他3种模型相比,CNN-GRU-ATT模型的预测精度评价指标表现均为最优,且模型仍能保持较高的运算效率。其中均方根误差为1.39%,平均绝对百分比误差为4.32%,决定系数为0.9954。这表明CNN-GRU-ATT模型能够准确、高效地预测出积水点的水位变化情况,可为暴雨内涝预警和制定防汛排涝方案提供有效的科学依据。

外观融合运动感知的运动目标分割算法

现实场景中的运动目标分割旨在分割当前场景下的运动物体,对于许多计算机视觉应用有着至关重要的作用。现有的运动目标分割算法大多通过2D光流图中的运动信息来分割运动物体,然而,这些方法还存在一些问题。当运动物体在极面内运动或者其3D运动方向和背景一致时,很难通过光流图分割得到;另外,错误的光流预测也会影响分割的结果。为了解决以上问题,提出了不同的运动代价,以提升运动目标分割的正确率。针对和背景共线或共面运动的物体,设计均衡重投影代价和多角度光流对比代价,通过运动物体的2D光流与背景2D光流的差异来检测运动物体。针对自我运动退化,设计差异单应性代价。最后,提出了一种基于外观融合的运动感知结构,以分割各种场景下的运动物体。采用多模态共同注意力门控,更有效地捕获运动特征和外观特征的关系,以促进外观特征和运动特征更好地交互。此外,为了突出运动的物体,提出了多层运动注意力模块,以减少冗余的外观特征对结果的影响。实验结果表明,所提方法在KITTI,JNU-UISEE,KittiMoSeg和Davis-2016数据集上均能获得较优的运动目标分割结果。

ABB变频器IGBT+AGDR升级改造及应用

在风电机组长期的运维中发现,使用ABB变频器的风力发电机组在运行中ABB变频器IGBT模块烧坏、炸裂等故障的主要原因为ABB变频器内部结构紧凑,散热不便。AGDR驱动板直接焊接在IGBT上,而IGBT在运行中会产生较多的热量,AGDR驱动板上的元器件受热升温过高,造成运行稳定性降低。同时AGDR板自身使用的元器件也会产生一定的热量,与IGBT焊接在一起,散热性能大大降低,长期运行,极易出现斩波信号和驱动信号的不稳定,使IGBT出现过压、过流问题,进而使得变频器发生故障。为了提升变频器的运行稳定性、散热性能、安全性,减少故障率,保障风力发电机组安全运行,提出了一套ABB变频器IGBT+AGDR升级改造方案。

跨级融合门控自适应网络用于视网膜血管分割

针对现有多数算法对浅层特征提取不足,导致分割结果中血管边界模糊、毛细血管欠分割且包含噪声等问题,提出一种跨级融合门控自适应网络。该网络中的密集门控通道变换模块,通过促进通道之间的竞争或协同关系充分提取浅层特征信息,避免浅层粗粒度特征信息丢失;通过跨层次融合模块捕获各层跨维度交互信息,有效聚合多尺度上下文特征;采用双自适应特征融合方法有效引导相邻层次特征融合,抑制噪声。在公共数据集DRIVE、CHASEDB1和STARE上进行验证,结果表明:所提网络准确率分别为0.9652、0.9668和0.9695,F_(1)值分别为0.8544、0.8152和0.8412,在多个指标上均处于较高水平,优于现有先进算法。

基于电池模块重构的储能电池异常两级诊断方法

准确监测储能电池衰减异常是保障电池储能系统安全运行的关键。采用可重构电池拓扑结构是未来电池储能系统的一大趋势,而现有的基于数据驱动的电池健康状态评估方法多关注算法层面的改进,难以利用这一结构的优势。针对这一问题,提出一种异常电池两级诊断方法:初级诊断采用通过全工况全寿命周期模拟数据集训练的最小二乘支持向量机分类模型,筛选出疑似异常电池模块;二级诊断采用一种基于残差连接和门控循环单元的健康状态估算模型,实现对储能电池健康状态的准确估计,并验证初级诊断结果。试验结果表明,提出的诊断方法在两个诊断环节上均具有较高的准确率,在可重构电池拓扑结构基础上实现了储能电池衰减异常的准确监测。

煤渣料斗切断阀的探讨分析及改进措施

通过对某化工煤渣料斗实际工况的勘察,结合当前料斗切断阀存在的问题进行分析,引入当前市场应用成熟的插板阀,并在此基础上进行改进,形成以硬密封为主、软密封为辅助的双级密封功效的新型料斗切断阀。引入气缸执行器实现自动化开关,以此实现对煤渣切断的同时,也能对煤渣中的液体介质水等形成第二道密封,彻底解决现场污水无法根本去除以及人力开关时间长、煤渣卡顿难清理导致存有安全隐患的难题。该阀具有安装使用方便、寿命长易维护、不卡顿的优点,可广泛用于现场类似工况。

高功率纳秒级激光二极管高侧驱动电路

纳秒级高功率的激光发射系统对激光雷达的探测性能产生重要影响。本文对普遍使用的激光二极管低侧栅极驱动电路进行修改得到高侧栅极驱动方式,使之能够适用于共阴极激光发射电路。该高侧驱动方式采用了一个半桥驱动器,两个GaN FET作为核心器件来控制激光二极管的发光。文中分析了该拓扑结构中电压、电容、电阻、电感等因素对流经激光器电流波形的影响。经过实验测试,在高重复频率下该电路能够产生3.1 ns脉冲宽度,约65 W的峰值功率,能够作为激光雷达的发射模块对场景进行扫描成像。

基于SRIO总线的光纤通信测试系统设计与实现

针对基于线阵电荷耦合元件(CCD)成像原理的调焦调平系统强实时性、高同步性及高数据率的特点,设计了一种基于串行RapidIO总线协议的光纤通信测试系统。该系统以现场可编程门阵列(FPGA)为控制核心,以光纤为传输介质,通过串行RapidIO总线协议完成对调焦调平系统性能验证过程中的指令控制和图像数据传输。基于双存储器(FIFO)缓冲的SRIO接口设计使得该测试系统具有较强的通用性和实用性。测试结果表明,该系统光纤接口数据传输速率达440 MB/s,能够满足调焦调平系统性能验证对数据传输速率及正确性的需求。

基于图神经网络的门级硬件木马检测方法

集成电路(IC)供应链的全球化已经将大多数设计、制造和测试过程从单一的可信实体转移到世界各处各种不可信的第三方实体。使用不可信的第三方知识产权(3PIP)可能面临着设计被对手植入硬件特洛伊木马(HTs)的巨大风险。这些硬件木马可能会使原有设计出现性能降低、信息泄露甚至发生物理层面不可逆的破坏,严重危害消费者的隐私、安全和公司的信誉。现有文献中提出的多种硬件木马检测方法,具有以下缺陷:对黄金参考电路的依赖、测试向量覆盖率的要求甚至是手动代码审查的需要,同时随着集成电路规模的增大,低触发率的硬件木马更加难以被检测。因此针对上述问题,该文提出一种基于图神经网络硬件木马的检测方法,在无需黄金参考电路以及逻辑测试的情况下实现了对门级硬件木马的检测。该方法利用图采样聚合算法(GraphSAGE)学习门级网表中的高维图特征以及相应节点特征,并采用有监督学习进行检测模型的训练。该方法探索了不同聚合方式以及数据平衡方法下的模型的检测能力。该模型在信任库(Trust-Hub)中基于新思90 nm通用库(SAED)的基准训练集的评估下,实现了92.9%的平均召回率以及86.2%的平均F1分数(平均聚合,权重平衡),相比目前最先进的学习模型F1分数提高了8.4%。而应用于基于系统250 nm库(LEDA)的数据量更大的数据集时,分别在组合逻辑类型硬件木马检测中获得平均83.6%的召回率、70.8%的F1,在时序逻辑类型硬件木马检测工作中获得平均95.0%的召回率以及92.8%的F1分数。

基于级联结构特征的硬件木马检测方法

针对基于静态结构特征的机器学习方法对门级硬件木马检测结果检测率不高的问题,提出了一种基于级联结构特征的硬件木马检测方法。利用共现矩阵进行特征构建,并使用多对多结构的堆叠式长短期记忆网络(Long Short-Term Memory,LSTM)进行木马特征的训练与识别。实验结果表明,该方法在Trusthub的15个基准网表中获得了93.1%的平均真阳性率(TPR)、99.0%的平均真阴性率(TNR)和79.3%的F1-score。实验结果优于现有方法。

深海渔场海域船舶交通流分析

深海渔场的建设会对所在海域的通航环境造成一定的影响,目前国内暂未有深海渔场通航安全相关规范.按海事主管机构对深海养殖项目通航安全保障方案的建议,参照《福建海事局海上风电场选址通航安全分析技术指南》,根据国际航标协会推荐的航道风险分析方法,对福建福鼎台山单柱式半潜深海渔场建设项目船舶交通流进行专题分析.分析结果表明,项目场址与两侧习惯航路边界的安全距离均存在中等风险.根据风险等级,采取相应的通航安全保障措施.

基于PSO-SVM的硬件木马检测

针对基于门级网表的硬件木马识别方法中硬件木马识别率低且识别效果不稳定的问题,提出一种基于粒子群优化支持向量机(Particle Swarm Optimization-Support Vector Machine,POS-SVM)算法的硬件木马检测方法。对电路的门级网表特征分析提取出7维特征,利用SMOTE算法对数据进行预处理,改善数据集类别不平衡问题,使用该特征训练支持向量机分类器,用粒子群算法对支持向量机的参数优化以获得较高的识别准确率,利用该分类器达到识别硬件木马的目的。实验结果表明,该算法提高了硬件木马的识别率,实现99.47%线网识别准确率。

一种用于方面级情感分析的关系注意力图卷积网络

方面级情感分析是情感分析的子任务,旨在判断评论目标的具体方面所对应的情感极性.近年来,深度神经网络模型在方面级情感分析问题上取得了较大进展.然而,现有的方面级情感分析模型仍存在方面信息丢失、没有充分利用句法依存关系等问题.本文提出了一种基于关系注意力机制的图卷积网络RAGCN(Relational Attention based Graph Convolutional Network).首先,RAGCN通过两个双向长短期记忆网络分别对句子和增强后的方面建模,以引导图卷积网络对向量表示进行更新.其次,为了区分上下文单词对给定方面情感的贡献,提出了一种关系注意力机制.该机制能充分利用评论节点间的边类型,结合双向长短期记忆网络的输出以捕获方面和上下文单词之间的关系.此外,为进一步提高模型的鲁棒性,RAGCN采用门控融合机制来过滤关系注意力层和图卷积网络层的输出,从而获取多更准确的句子表征向量.多个方面级情感分析数据集上的实验结果表明,RAGCN模型在准确度,Macro-F1方面均优于对比模型.