无码精品黑人一二区三区,成本人h动漫无码

干線動態(tài)協(xié)調(diào)控制的深度Q網(wǎng)絡(luò)方法[人工智能][工業(yè)自動化]

為有效降低城市交通干線的車均延誤與停車次數(shù)，將深度Q網(wǎng)絡(luò)引入干線協(xié)調(diào)控制，給出了一種干線動態(tài)協(xié)調(diào)控制的DDDQN(Dueling Double Deep Q Network)方法。該方法結(jié)合雙重深度Q網(wǎng)絡(luò)與基于競爭架構(gòu)深度Q網(wǎng)絡(luò)，并將干線作為整體處理，通過深度神經(jīng)網(wǎng)絡(luò)挖掘干線各交叉口協(xié)調(diào)控制的相關(guān)性，基于Q學(xué)習(xí)進行交通信號控制決策。通過仿真實驗，在近飽和流量和干線存在初始排隊的情況下，將DDDQN方法與現(xiàn)有綠波方法，以及經(jīng)典深度Q網(wǎng)絡(luò)、雙重深度Q網(wǎng)絡(luò)、基于競爭架構(gòu)深度Q網(wǎng)絡(luò)的干線協(xié)調(diào)控制算法進行對比，實驗結(jié)果表明基于DDDQN的干線動態(tài)協(xié)調(diào)控制算法性能優(yōu)于其他四種方法。

發(fā)表于：12/15/2020

基于云平臺的壓磚設(shè)備健康狀態(tài)分析方法設(shè)計[模擬設(shè)計][工業(yè)自動化]

基于運行數(shù)據(jù)對壓磚設(shè)備健康狀態(tài)進行分析，對于降低設(shè)備故障率、提升壓磚成品質(zhì)量具有重要意義?，F(xiàn)有方案大多數(shù)局限于離線人工分析，實時性差且推廣效率低。針對上述問題，基于阿里云機器學(xué)習(xí)平臺設(shè)計了壓磚設(shè)備健康狀態(tài)分析方法，基于聚類方法構(gòu)建了壓磚設(shè)備健康狀態(tài)模型，在無需先驗知識的情況下，對于壓磚設(shè)備的工作、待機、異常等健康狀態(tài)實現(xiàn)了建模。進而，將該模型部署于云計算平臺上，通過周期性的數(shù)據(jù)導(dǎo)入與分析實現(xiàn)了壓磚設(shè)備健康狀態(tài)的在線分析。最后通過實例證明了該方法的有效性。

發(fā)表于：12/15/2020

基于機器學(xué)習(xí)的Modbus_TCP通信異常檢測方法研究[模擬設(shè)計][工業(yè)自動化]

針對工業(yè)控制系統(tǒng)中Modbus_TCP協(xié)議存在的諸多安全隱患問題，提出了基于機器學(xué)習(xí)的Modbus_TCP通信異常檢測方法，分析了Modbus_TCP報文類型與結(jié)構(gòu)特點，介紹了機器學(xué)習(xí)中決策樹分類模型算法的實現(xiàn)過程，建立了Modbus_TCP協(xié)議的模擬通信，使用了Scapy工具構(gòu)造偽報文實現(xiàn)異常檢測。設(shè)置了樸素貝葉斯分類模型、邏輯回歸分類模型和傳統(tǒng)支持向量機分類模型的實驗與之對比，并且對模型的準確率、誤報率、漏報率和時間性能進行分析。分析結(jié)果表明，決策樹分類模型準確率高，消耗時間短，具有一定的優(yōu)越性。

發(fā)表于：12/15/2020

一種基于UKF的SOC估算方法[其他][汽車電子]

隨著新能源汽車市場規(guī)模的增長，電池管理系統(tǒng)(Battery Management Systems，BMS)的市場需求也進一步擴大。作為保障電池安全及延長電池壽命的BMS而言，動力鋰電池組的荷電狀態(tài)(State of Charge，SOC)估算是BMS研究的重點。在研究了安時積分法估算SOC時受SOC初始值影響較大，且具有累積誤差的問題，以及擴展卡爾曼濾波算法(EKF)估算SOC時收斂較慢的基礎(chǔ)上，采用二階RC等效電路模型對鋰電池進行建模分析，針對鋰電池各參數(shù)受SOC變化的影響，引進無跡卡爾曼濾波(UKF)算法，給出了鋰電池的SOC仿真實驗。實驗結(jié)果表明，該種基于UKF的估算方法對SOC的估算更準確，誤差更小且收斂速度快，對傳統(tǒng)采用定值電池參數(shù)BMS的改進具有重要意義。

發(fā)表于：12/15/2020

基于GWO-SVM算法的物聯(lián)網(wǎng)入侵檢測研究[其他][物聯(lián)網(wǎng)]

物聯(lián)網(wǎng)時代悄然而至，然而物聯(lián)網(wǎng)技術(shù)在給人們帶來方便的同時，其安全問題也日趨突出。針對物聯(lián)網(wǎng)存在的網(wǎng)絡(luò)入侵安全問題，提出GWO-SVM算法實現(xiàn)網(wǎng)絡(luò)入侵檢測?；依莾?yōu)化算法(GWO)具有收斂速度快、全局搜索能力強等優(yōu)點，將GWO用于優(yōu)化支持向量機(SVM)的參數(shù)選擇，有助于提升分類模型的準確率。同時通過調(diào)整適應(yīng)度值函數(shù)，避免分類模型過擬合。在UNSW-NB15數(shù)據(jù)集上，將GWO-SVM分類算法與SVM、PSO-SVM、GA-SVM分類算法進行對比，實驗結(jié)果表明，GWO-SVM算法具有更高的分類準確率和性能，適用于物聯(lián)網(wǎng)環(huán)境下的網(wǎng)絡(luò)入侵檢測。

發(fā)表于：12/15/2020

云計算中心運維數(shù)據(jù)可視化研究[通信與網(wǎng)絡(luò)][數(shù)據(jù)中心]

針對云計算中心運維數(shù)據(jù)分散、可視化程度低等問題，提出了建設(shè)基于InfluxDB和Grafana的云計算中心運維指標(biāo)可視化平臺。該平臺從多個維度對運維數(shù)據(jù)進行展示，使用戶能夠全面了解云計算中心運行情況，提高運維管理工作的效率。

發(fā)表于：12/15/2020

油田工業(yè)控制系統(tǒng)網(wǎng)絡(luò)安全解決方案研究[通信與網(wǎng)絡(luò)][安防電子]

工業(yè)控制系統(tǒng)現(xiàn)已廣泛應(yīng)用在油田行業(yè)，隨著兩化融合、智慧油田建設(shè)進程的加速，油田工控網(wǎng)絡(luò)從相對封閉到趨于開放，工控系統(tǒng)的脆弱性和外部威脅被進一步放大，嚴重影響著國家油田行業(yè)的安全生產(chǎn)、穩(wěn)定運營。從油田工控實際需求出發(fā)，依據(jù)工業(yè)控制系統(tǒng)等級保護擴展要求，結(jié)合油田工業(yè)控制系統(tǒng)協(xié)議多樣、設(shè)備可靠性要求高、安全機制不能影響實時性等特點，從安全通信網(wǎng)絡(luò)、安全區(qū)域邊界、安全計算環(huán)境、安全管理中心等方面著手，研究貼合油田行業(yè)特征的工控網(wǎng)絡(luò)安全解決方案。

發(fā)表于：12/15/2020

淺談信息系統(tǒng)安全集成服務(wù)能力建設(shè)[通信與網(wǎng)絡(luò)][安防電子]

網(wǎng)絡(luò)安全已是國家戰(zhàn)略。從事信息系統(tǒng)安全集成服務(wù)企業(yè)的服務(wù)能力，對于信息系統(tǒng)建設(shè)具有重要的影響。安全集成服務(wù)認證作為一項自愿性認證受到廣大IT企業(yè)的認可。在從事安全集成服務(wù)認證審核中，發(fā)現(xiàn)依然存在一些共性方面的問題。剖析安全集成服務(wù)內(nèi)涵，總結(jié)分析企業(yè)在安全集成服務(wù)能力方面存在的問題及產(chǎn)生問題的主要原因，對于企業(yè)安全集成服務(wù)能力提升提出一些建議。

發(fā)表于：12/15/2020

基于控制圖的有軌電車能耗分析方法研究 [其他][智能交通]

針對傳統(tǒng)的有軌電車能耗分析方法缺少對異常數(shù)據(jù)的判斷分析，難以有效發(fā)現(xiàn)能耗數(shù)據(jù)特點以及各數(shù)據(jù)之間潛在關(guān)系等問題，提出結(jié)合控制圖與灰關(guān)聯(lián)分析法的有軌電車能耗分析集成方法。利用控制圖對能耗數(shù)據(jù)波動情況進行分析，并結(jié)合灰關(guān)聯(lián)數(shù)據(jù)分析算法對影響能耗數(shù)據(jù)因素進行分析，通過利用已開通運營的廣州有軌電車能耗數(shù)據(jù)進行仿真實驗，實驗結(jié)果表明有軌電車能耗分析法能夠更好地對各項能耗數(shù)據(jù)波動情況進行監(jiān)測，實現(xiàn)對能耗異常數(shù)據(jù)識別、找出影響能耗的相關(guān)因素，為有軌電車系統(tǒng)節(jié)能提供輔助決策，可為已運營的有軌電車系統(tǒng)能耗數(shù)據(jù)分析提供一定參考。

發(fā)表于：12/15/2020

立方攻擊研究進展[其他][其他]

立方攻擊是一種新型的代數(shù)分析方法，剛提出時對密碼算法的分析效果并不理想。但是在引入多重集合可分性、可分路徑的概念之后，立方攻擊的過程轉(zhuǎn)化為求解混合整數(shù)線性規(guī)劃問題,再使用數(shù)學(xué)軟件進行計算，大大提高了其分析能力。梳理了立方攻擊的技術(shù)脈絡(luò)，論述了其最新進展，給出了立方攻擊亟待解決的研究問題，這將有助于掌握立方攻擊的最新技術(shù)，便于開展對分組密碼、序列密碼和哈希函數(shù)等密碼算法的分析工作。

發(fā)表于：12/15/2020

具有關(guān)系敏感嵌入的知識庫錯誤檢測[人工智能][其他]

準確性與質(zhì)量對于知識庫而言尤為重要，盡管已經(jīng)有很多關(guān)于知識庫不完整性的研究，但是很少有工作者考慮到對于知識庫存在的錯誤進行檢測，按照傳統(tǒng)方法通常無法有效捕捉知識庫中錯誤事實內(nèi)在相關(guān)性。本文提出了一種知識庫具有關(guān)系敏感嵌入式方法NSIL，以獲取知識庫各關(guān)系之間的相關(guān)性，從而檢查出知識庫中的錯誤，以此提高知識庫的準確性與質(zhì)量。該方法分為相關(guān)性處理和錯誤檢測兩階段。在相關(guān)性處理階段，使用NSIL的相關(guān)函數(shù)以分值形式獲取各關(guān)系之間的相關(guān)度；在錯誤檢測階段，基于相關(guān)度分值進行錯誤檢測，對于缺失主體或客體的三元組進行缺失成分預(yù)測。最后在知識庫之一Freebase生成的基準數(shù)據(jù)集“FB15K”上進行了廣泛驗證，證明了該方法在知識庫錯誤知識檢測方面有著很高的性能。

發(fā)表于：12/15/2020

基于FPGA的高精度信號發(fā)生器[模擬設(shè)計][其他]

在當(dāng)代許多電子信息系統(tǒng)中，信號源的性能參數(shù)往往對系統(tǒng)的功能起著決定性作用。采用直接數(shù)字頻率合成技術(shù)（Direct Digital Synthesize，DDS），基于現(xiàn)場可編程門陣列（FieldProgrammable Gate Array，F(xiàn)PGA）設(shè)計了能同時輸出4路信號的高精度信號發(fā)生器。同時依靠串口通信的方式，通過PC端的控制界面實時調(diào)節(jié)系統(tǒng)輸出信號的頻率、相位和死區(qū)時間。

發(fā)表于：12/15/2020

基于交點的新層次聚類算法[人工智能][其他]

介紹了一種新的分層聚類算法，該聚類算法的主要目的是利用交點提供更好的聚類質(zhì)量和更高的準確性。為了驗證該聚類算法，對基準數(shù)據(jù)集進行了幾次實驗，并與其他五種廣泛使用的聚類算法進行對比。使用純度作為外部標(biāo)準來評估聚類算法的性能，并計算了由聚類算法得出的每個聚類的緊密度，以評估聚類算法的有效性。實驗結(jié)果表明，在大多數(shù)情況下，該算法的錯誤率低于研究中使用的其他聚類算法。

發(fā)表于：12/15/2020

16線POTS ONT硬件設(shè)計[模擬設(shè)計][其他]

光網(wǎng)絡(luò)設(shè)備（Optical Network Terminal,ONT）是XPON網(wǎng)絡(luò)接入方案中的產(chǎn)品，是一種應(yīng)用在用戶端的光網(wǎng)絡(luò)終端，有GPON和EPON。介紹以PON ONU SOC為主控芯片的16線POTS ONT的硬件設(shè)計及遇到的問題以及如何解決這些問題。此設(shè)計是一款基于GPON（ITU-T G.984）標(biāo)準并支持以太網(wǎng)和語音接口的ONT，適用于北美市場，滿足NEBS1標(biāo)準。本設(shè)計的特點是有16線的語音用戶接口和1個GE的接口，上聯(lián)是GPON，支持Dying Gasp且功耗低。

發(fā)表于：12/15/2020

基于圖卷積網(wǎng)格自編碼器的網(wǎng)格參數(shù)化[人工智能][通信網(wǎng)絡(luò)]

網(wǎng)格參數(shù)化作為數(shù)字幾何處理的基本工具，在游戲娛樂、工程設(shè)計、仿真模擬等多種領(lǐng)域有著廣泛的應(yīng)用背景。傳統(tǒng)的網(wǎng)格參數(shù)化方法大多通過求解線性系統(tǒng)或者非線性系統(tǒng)獲得結(jié)果，存在著求解速度慢、不夠魯棒的問題。提出了一個基于圖卷積網(wǎng)格自編碼器的網(wǎng)格參數(shù)化模型，采用了圖卷積網(wǎng)格自編碼器的編碼部分與自行構(gòu)建的參數(shù)化解碼部分結(jié)合的方式生成網(wǎng)絡(luò)，使用一類人臉網(wǎng)格數(shù)據(jù)集作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，并與傳統(tǒng)優(yōu)化算法進行對比。結(jié)果表明，使用建立的網(wǎng)格參數(shù)化模型，在保證參數(shù)化效果的同時，獲得參數(shù)化結(jié)果的速度比SLIM(Scalable Locally Injective Mappings，SLIM)算法快68%，比PP(Progressive Parameterizations)算法快約4倍。

發(fā)表于：12/15/2020