一种改进变步长的自适应电磁干扰对消算法

针对已有最小均方(LMS)自适应干扰对消算法初期收敛速度慢且整体误差偏大的问题,提出一种改进变步长LMS算法。该算法在保证收敛速度和误差精度要求下,简化了步长因子μ(n),且采取分段迭代的方法,克服算法初期收敛慢的缺点。在误差|e(n)|较大时,文中提出通过调整系数ε调节步长μ(n)的变化速度,增强了迭代稳定性。仿真结果表明:与正态分布曲线步长等算法相比,使用文中算法后,宽带与窄带电磁干扰信号的收敛速度至少提高13%,干扰对消后期望信号的输出信噪比至少提高26%。该算法可用于复杂电磁环境下的电磁干扰消除。

射频前端快上升沿电磁脉冲防护电路仿真分析

针对强电磁脉冲极易通过射频前端进入电子设备内部对敏感电子器件造成伤害的问题,设计了一款工作于C波段的射频前端快上升沿电磁脉冲防护电路。电路采用PIN二极管级联的方式构建四级防护电路,同时引入高通滤波器抑制工作频段以下信号,防止其对设备造成干扰。仿真结果表明,通过控制PIN二极管的偏置电压和电流,可实现对电磁脉冲的快速响应;经过逐级削减输入功率,可有效降低尖峰泄漏;在工作频段内,防护电路可将4 kV的快沿方波脉冲限制在2 V以下,其响应时间小于1 ns,插入损耗小于0.146 dB,驻波比小于1.413,回波损耗小于-15.329 dB,且可有效降低尖峰泄漏,对工作在C波段的卫星电视地面通信设备抵御强电磁脉冲的侵扰具有较好的效果。

基于社交关系和时序信息的团购推荐方法

针对目前团购推荐方法较少结合单个用户与群组用户,并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题,提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时,针对循环神经网络(RNN)的门控循环单元(GRU)在团购推荐时没有考虑时序信息的影响,以及用户-商品交互序列中不相关的商品数据会产生噪声等问题,提出了融合时序感知GRU和自注意力的团购推荐模型(RTSA)。首先,通过计算用户购买的任意两个商品之间的个性化时间间隔,构建了时序感知GRU(TGRU)模型;然后,采用自注意力网络研究商品位置及个性化时间间隔的影响;最后,实验结果表明在Amazon Beauty数据集中,RTSA相较于对单个用户推荐的最优的基线模型——基于时间间隔感知自注意力的序列化推荐模型(TiSASRec),前10个商品命中率提升了11.73%。对群组用户进行推荐时,针对团购群组推荐中预定义的融合策略不能动态获取群组用户权重,以及群组-项目交互数据的稀疏性等问题,提出了融合社交网络和分层自注意力的团购推荐模型(SSAGR)。首先,采用RNN捕捉团购中用户随时间变化的复杂潜在兴趣;其次,利用分层自注意力网络将社交网络信息整合到用户表示中,在不同权重下实现群组偏好聚合策略;然后,通过神经协同过滤(NCF)挖掘群组-项目交互,并实现了团购推荐;最后,实验结果表明,在MaFengWo数据集中,SSAGR相较于对群组用户推荐的最优的基线模型AGREE(Attentive Group REcommEndation),前5个商品命中率提升了3.53%。

基于BiGRU-CNN的宽带电磁图像条带噪声去除方法研究

电磁探测成像系统能够对电磁干扰源进行大范围、宽频带且快速的定位,系统主要由抛物反射面和多通道超宽频带信号采集系统组成。由于各个通道器件参数受限于制造工艺的影响不可能完全一致,探测不同频率干扰源的响应特性也不相同,导致获得的电磁图像中存在的条带噪声随干扰源的频率变化而呈现出不同的特征,严重地影响定位的精度。构建了双向门控循环单元(BiGRU)-卷积神经网络(CNN)模型,根据实测数据构建数据集作为模型的输入,BiGRU和CNN利用图像相邻行间的强相关性,从过去和未来的输入中广泛收集冗余信息,对条带噪声进行提取并对空间信息进行整合处理,利用数据之间的差值对这个过程进行循环迭代。通过大量的实验对模型进行验证,BiGRU-CNN方法与测试的经典方法相比更优,在垂直梯度能量方面降低了15.2%,在残差非均匀性方面降低了21.9%。

一种频域多路径电磁干扰对消方法

针对实际环境中背景干扰相关性差导致干扰对消误差较大的问题,提出一种频域多路径电磁干扰对消方法。利用变分模态分解(VMD)的分频特性将两通道信号分解为多个具有相同中心频率和分解带宽的模态信号,利用分解后的模态信号构造多路径干扰对消系统。然后利用反向传播(back propagation,BP)神经网络对每一路径上的信号进行非线性拟合并对消,从而获得真实的被测设备(EUT)辐射发射信号。结果表明,与真实EUT辐射发射信号相比,所提方法得到的EUT辐射发射信号功率误差低于1 dB且信号相关性高于96%;与变步长LMS算法、EMD-LMS算法相比,功率误差至少降低3.6 dB,信号相关性至少提高15%。所提方法对在开阔场中大型、可移动的EUT电磁辐射发射原位测试研究具有参考价值。

无锚框的轻量级遥感图像目标检测算法

现有遥感图像目标检测算法存在参数量大、检测速度慢和难以部署于移动设备的问题,为此,本文提出了一种无锚框的轻量级遥感图像目标检测算法.首先设计了DWS-Sandglass轻量化模块以降低模型体积,并改进模型激活函数,以确保检测精度.然后引入无参数注意力模块SimAM,使网络能够专注于更重要的特征信息.最后对无锚框算法的冗余通道进行剪枝操作以减少模型参数量,并通过微调回升精度.在HRSC2016数据集上的实验结果表明,与当前主流的无锚框检测算法相比,该算法在检测精度相当的情况下检测速度更快、模型体积更小,更适合在移动设备部署.

基于改进卷积神经网络的小目标检测算法

对于在检测时存在小尺度检测目标漏检、不精确等问题,提出一种改进的YOLO v4算法模型(F-YOLO v4)。利用改进的K均值聚类算法对数据集进行聚类,使得锚点框的大小更适用于目标检测;采用深度卷积和逐点卷积相结合的方法对通道内和通道间的卷积进行分离,从而改善了原有的残差块;采用通道注意力机制对骨干网络进行改进的同时在PANet网络中添加RFB模块,增强特征提取能力,从而提高了对小目标的检测效果。实验结果表明,F-YOLO v4算法在KITTI数据集上平均精度均值达到了93.67%,与原算法对比提高了1.52百分点,并且比较目前其他主流网络有着较高的精确度。

联合遗传算法和强化学习的虚拟网络功能映射与调度方法

网络功能虚拟化环境下,为满足用户不同需求并提高资源利用效率,将虚拟网络功能映射与调度联合考虑。首先,通过构建网络低时延、虚拟机资源高利用及能量低损耗的多目标优化模型,设计了一种强化学习(RL)联合第三代非支配排序遗传算法(NSGAⅢ)的优化方法RL-NSGAⅢ;然后,采用两段式初始化技术求得高质量初始解,利用强化学习的优势自适应调节交叉变异参数,以保持种群多样性;最后,基于参考点的第三代非支配排序遗传算法,将虚拟网络功能映射至虚拟机并进行调度服务,得到多目标优化策略。仿真结果表明:相较于已有的NSGAⅢ、NSGAⅡ和MOPSO算法,采用RL-NSGAⅢ算法计算得到的时延降低了17%~28%,节点负荷提高了9%~19%,能量损耗降低了12%~26%,表明所提算法在提高网络速率和降低网络运营支出上的有效性。

基于贝叶斯网络的差分隐私高维数据发布技术研究

在实现隐私保护的同时提高数据可用性是高维结构化数据发布研究中的挑战性问题,经典算法Priv Bayes针对该问题提供了一种解决方案。为进一步减少计算开销、提高数据可用性,提出基于贝叶斯网络的差分隐私数据发布算法ELPriv Bayes。分析贝叶斯网络结构学习阶段的理论计算开销,构建存储属性之间互信息的相关矩阵,避免结构学习算法迭代过程中互信息的冗余计算,降低了时间复杂度。基于平均互信息优化了节点进入贝叶斯网络的顺序,提高结构学习迭代过程中指数机制贡献的互信息期望值,进而提高生成数据集与原始数据集的统计近似度,并实证分析网络结构质量对首节点选择的低敏感性。在4个典型数据集上的实验结果表明,与经典算法Priv Bayes及其改进方案相比较,结构学习阶段的计算开销降低了97%~99%,基于指数机制捕获的互信息提高了14%~67%,生成数据集与原始数据集的平均变差距离降低了32%~40%,构建的支持向量机(SVM)分类器的准确率提高了4%~5%,并且当ε≤0.8时,采用ELPriv Bayes算法生成数据的可用性提升更为显著。

基于双EEMD与重构的局部放电时延估计方法

对室内电气设备的局部放电检测与定位是保障设备长期稳定运行的有效手段,而时延估计精度是影响局部放电检测与定位准确度的重要因素。为解决局部放电信号在噪声及多径效应影响下的时延估计精度问题,本文提出了一种基于双集合经验模态分解(ensemble empirical mode decomposition,EEMD)与重构的局部放电信号预处理方法。模拟仿真与实验测试结果表明,本文所提出的方法与广义互相关算法相比有效提高了时延估计准确度,且稳定性与鲁棒性更好。本文所提方法有效提高了局部放电信号的信噪比(signal-to-noise ratio,SNR)以及时延估计算法的精度,可用于低SNR及多径效应明显的室内环境中局部放电信号的时延精确估计。

一种基于串表改进的压缩算法

在无线传感网络通信中,由于传感器数据传输量的增加,导致无线设备能耗不断增加,使得数据传输效率降低且容易导致设备在复杂环境中过早失效。针对此问题,提出来一种可提高数据压缩效率及降低无线传感网络能耗的改进LZW压缩算法。该算法通过游程编码对数据进行预处理,并利用哈希存储优化字典更新方式,从而减少压缩过程中的操作次数。实验结果表明,本文提出的算法与传统的LZW算法相比,在压缩比、压缩时间等方面都有了显著的提高,时间提升了0.09 s,压缩比提升了61.4%。有效降低了传输过程中的能源消耗,延长了无线设备的使用寿命。

轻量化镂空双脊喇叭天线设计

传统金属喇叭自身重量较重,限制其在基于无人机电磁测量中的应用。本文设计一款轻量化镂空双脊喇叭天线。通过仿真分析镂空结构对天线性能影响,镂空处理掉双脊结构中表面电流不敏感部分降低天线重量,确定镂空结构。采用3D打印方式进行加工进一步在整体上减轻天线重量。对天线样机展开测试,测试结果表明在0.95~8.05 GHz的测试带宽内(1:8.47)天线驻波比(VSWR)<2,增益范围为6.11~14.32 dBi,天线重量仅为293 g,与传统金属天线相比,其重量减轻78%。天线测试结果与仿真结果相吻合,最终本文所设计天线在保持天线宽频特性以及增益性能的基础上有效降低天线重量,可应用于基于无人机的电磁测量系统。

高速铁路弓网离线电弧电磁辐射特性的试验研究

高速铁路系统电磁环境十分复杂,其中弓网离线电弧产生的电磁辐射是高速铁路系统最重要的电磁干扰源之一。利用高速弓网关系试验台开展了大电流、高速条件下的弓网离线放电模拟试验,测量了不同牵引电流及不同行车速度下放电辐射场的时域波形,经快速傅里叶变换后得到了离线放电电磁辐射的主要分布频段、分布疏密程度、典型频率值等特征,探讨了放电辐射特性随牵引电流和行车速度的变化规律及原因。研究表明:在大电流、高速条件下,弓网放电电磁辐射能量主要分布于0~100 MHz的频率范围,其中分布最密集频段为45~55 MHz,起弧电磁辐射强度大于熄弧电磁辐射强度;在100~700 A的牵引电流区间内,放电辐射场的幅值随电流增大而增大;相同牵引电流下,频域峰值对应的频率值随车速增大而逐渐变小。该研究结果为弓网电弧电磁辐射干扰的机理研究以及防护提供了试验数据和参考依据。

弓网离线电弧电磁干扰仿真的研究进展

为研究弓网离线引起的电磁干扰对列车的影响,从弓网离线电弧建模方法和电磁干扰仿真两方面归纳总结了国内外研究现状。阐述了弓网电弧的形成机理、现有的基础电弧模型和考虑了速度和空气气流等条件的多种弓网离线电弧模型。弓网离线电弧的电磁干扰仿真表明,弓网电弧产生电磁干扰的根源在于弓网间剧烈变化的瞬态恢复电压,弓网多次燃弧是造成电力系统谐波污染的重要原因。弓网离线电弧电磁干扰的研究成果可用于指导列车车载设备的布置,提升列车的电磁兼容性。

工业互联网安全评测数据隐私保护与共享方法

[研究目的]工业互联网安全评测是企业网络安全防护的重要环节,如何在有效保护企业隐私信息不泄露的同时,对评测数据进行安全共享是亟需解决的关键问题。[研究方法]构建了一种基于区块链的工业互联网安全评测数据共享模型,设计了链上链下数据协同的评测数据隐私保护和共享流程。为挖掘评测数据价值,提出了基于贝叶斯网络的隐私保护评测结果预测方法,利用分箱技术对评测数据进行分段离散化处理,设计了评测结果预测贝叶斯网络生成算法和隐私保护评测结果预测算法。[研究结论]实验结果表明,当评测结果分为2类或3类、合格判定概率为70%时,预测准确率较高,为工业互联网安全评测数据的安全共享和进一步发挥评测数据的价值探索了新的途径和方法。

融合社交网络和分层自注意力的团购推荐算法

针对团购群组推荐中预定义的融合策略不能动态获取群组用户权重,以及群组-项目交互数据的稀疏性等问题,提出融合社交网络和分层自注意力的团购推荐算法SSAGR。采用循环神经网络,捕捉团购中用户随时间变化的复杂潜在兴趣;利用用户级和群组级自注意力网络,将社交网络信息整合到用户表示中,实现不同权重下的群组偏好聚合策略;通过神经协同过滤NCF,挖掘群组-项目交互,完成团购推荐。在MaFengWo和Douban Book数据集上的实验结果表明,SSAGR方法相较对比算法具有更好的群组推荐效果。

一种低时延虚拟网络功能映射及调度优化算法

针对传统虚拟网络功能映射及调度服务时间长、不稳定的问题,提出了一种新的虚拟网络功能映射及调度优化算法。以虚拟网络功能链路传输时延与实例化时延整体最小化为目标,建立虚拟网络功能映射及调度模型,通过设计一种低时延映射及调度算法(GABL),根据虚拟网络功能与虚拟机之间的映射集合,优化虚拟网络功能映射节点的选择问题及调度顺序问题,求解出最短时间的网络功能虚拟化映射及调度方案。GABL算法采用两段式初始化技术,将虚拟网络功能和虚拟机分别进行初始化,提高初始解的质量;利用具有锦标赛策略的人工蜂群算法对问题进行求解,保留优秀基因与种群多样性,避免陷入局部最优;采用局部搜索算法在可行解附近进行寻优,加快求最优解的速度。仿真实验结果表明:GABL算法具有稳定性强、收敛性快等特点,能够有效降低虚拟网络功能映射及调度服务时间;与GATS算法相比,GABL算法的服务完成时间减少了15%。

联合自注意力和分支采样的无人机图像目标检测

无人机图像目标检测在诸多领域被广泛应用,但受制于图像背景复杂、目标密集,目标尺度变化剧烈,现有的无人机图像目标检测算法检测效果不够精准。为解决此类问题,提出了一种联合自注意力和分支采样的无人机图像目标检测方法。首先,设计了自注意力和卷积相融合的嵌套残差结构以实现全局信息和局部信息的有效结合,让模型聚焦于待测目标,从而淡化复杂背景的影响。其次,设计了一种基于分支采样的特征融合模块以弥补目标信息丢失。最后,引入浅层细粒度特征图,新增了针对微小目标的改进检测头以缓解尺度剧烈变化,并基于此提出一种特征增强模块,用于捕获更多具有鉴别性的小目标特征。经实验验证,本文所提算法在多种场景中性能良好。其中s模型在VisDrone2019数据集上的mAP50和mAP分别达到59.3%和37.1%,相较于基线模型增长了5.6%和5.4%,在UAVDT数据集上的mAP50和mAP分别达到44.1%和24.9%,相较于基线模型提高了5.8%和3.2%。

融合CNN和Transformer的遥感图像建筑物快速提取

遥感图像建筑物高效提取在城市规划、灾害救援、军事侦察等领域发挥着重要作用。基于深度学习的建筑物提取方法虽然具有很高的精准度,但通常是由复杂的卷积运算和极大的网络模型实现的,提取速度低,难以满足现实需求。为此,设计了一种遥感图像建筑物快速提取方法。在STTNet模型的特征提取网络中引入多尺度卷积,在同一卷积层内提取多尺度特征,进一步提高模型的特征提取能力。改进空间稀疏特征提取器结构,在带有空间注意力权值的特征图中应用通道注意力,有效学习通道注意力权值,进而解决使用骨干网络输出特征图学习时通道注意力权值浮动的问题。为降低模型参数量,加快模型的运算速度,将STTNet模型由并联结构改为串联结构。INRIA建筑物数据集上的实验表明,本文方法在保证精度和IoU的前提下速度比STTNet提升了18.3%,明显优于主流方法。

一种面向LDP的政府民意数据隐私保护方法

为了保护政府民意调查中存在的隐私信息,提出了基于本地化差分隐私(LDP)的政务数据共享方法B-RAPPOR。上述方法在算法RAPPOR的基础上引入了数据分箱思想,通过等宽分箱将数据记录分入更小的数据域范围内,以克服当前LDP方法在数据域较大且数据量较少时统计误差大的问题。将B-RAPPOR与RAPPOR算法分别从频数估计、误差分析两方面进行了实验对比与分析。结果表明,经过B-RAPPOR隐私处理得到的数据相较于RAPPOR具有更好的数据效用性,解决了当前LDP方法在数据域较大时对数据量大小要求严格的问题。其次,以同样通过数据分箱思想改进的BCS、BRR为对照组,将B-RAPPOR算法与其分别从数据规模、隐私预算、数据域大小三方面进行了实验对比与分析。通过上述实验分析,界定了三种不同算法分别适用的场景。