基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

基于Abaqus的双裂纹不同间距对裂纹扩展速率的研究

扩展有限元法是近年经过大量运用的,在传统有限元的范围中求解不连续问题一种有效计算方法,它是基于单位分解的思想,在计算不连续问题时加入跳跃函数。以ABAQUS为平台,基于扩展有限元方法 (XFEM),以含双穿透型裂纹的有限宽板受横向拉伸载荷为力学模型,建立相应的裂纹尖端应力的有限元模型,研究焊接接头区域不同间距双裂纹相互作用对裂纹扩展速率的影响。结果表明:双裂纹间距的的大小并没有对裂纹的扩展速率产生影响。     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。     

轴向振动工况下切槽式螺母的防松性能研究

针对全扭矩工况(螺栓预紧力矩均为设计值)、欠扭矩工况(螺栓预紧力矩均为设计值的20%)和部分欠扭矩工况(其中一组对角螺栓预紧力矩为设计值,另一组对角螺栓预紧力矩为设计值的20%),系统开展了轴向振动载荷作用下切槽式螺母的防松性能研究;全扭矩工况下研究了切槽处裂纹对切槽式螺母防松性能的影响,利用体式显微镜(OM)和扫描电子显微镜(SEM)等微观分析设备分析裂纹的扩展情况。结果表明:在三种预紧工况下,全扭矩时螺母具有良好的防松性能,但在欠扭矩和部分欠扭矩工况下螺母的防松性能降低,且后者更为严重;螺栓的松动过程可分为两个阶段:第一阶段是螺栓轴向力快速下降,原因是材料发生塑性变形和螺纹接触面应力重新分布;第二阶段是螺栓残余预紧力缓慢下降,原因是螺纹接触面发生微动磨损。此外,切槽处裂纹会降低螺母防松性能,通过微观分析表明裂纹试验后出现明显扩展。