TC-SAW滤波器仿真与设计技术

该文介绍了温度补偿滤波器的设计方法。通过研究温度补偿结构的材料,在性能和温度系数之间求取最佳的层间参数搭配。在此基础上提取三维耦合模式模型(COM)参数数据库,并置于设计仿真软件中,最终可以实现高温稳定型声表面波(TC-SAW)滤波器的设计优化。根据指标要求设计目标函数,设计出满足要求的低损耗TC-SAW滤波器。利用多层FEM/BEM软件对性能进行精确验证,实验结果与仿真结果吻合良好。     

基于正序阻抗幅值比的风电场送出线路纵联保护

针对风电场送出线路纵联保护在数据延时传输及异常采样数据下保护性能不佳的问题,提出了基于正序阻抗幅值比的纵联保护。通过分析风电系统送出线路发生区内外故障时正序阻抗幅值特征,得出区内外故障下双端正序阻抗幅值差异比特征不同。引入综合层次聚类(balanced iterative reducing and clustering using hierarchies, BIRCH)方法剔除正序阻抗幅值序列中异常采样数据,形成不含异常采样数据的故障时间序列聚类特征,并结合双端正序阻抗幅值差异比特征,构造不受数据延时传输影响的纵联保护判据。仿真结果表明,所提出的纵联保护不受系统运行工况、故障类型、数据延时传输及异常采样数据的影响。在过渡电阻达到150  时,所提出的纵联保护仍能正确判别故障方向,具有较强的抗噪性能,适用于含风电接入的弱馈型电力系统。     

考虑广域稳态量测时延的全网同时断面生成

互联大电网运行方式复杂多变,广域稳态量测数据采集不同步将引入较大的量测误差。为提高稳态量测数据时标一致性,提出一种基于统一时钟的全网同时断面生成方法。首先,基于广域稳态量测数据时序特征,提出一种固定时间间隔的数据滚动存储及循环更新方法,解决断面数据对齐问题。然后,采用电气介数法识别关键节点,在保证关键节点量测数据实时性的基础上,基于量测量的时空关联特性修正未更新量测数据,从而确保整合后全网同时断面数据的时效性和准确性。最后,基于标准算例和实际电网算例仿真结果,验证了所提方法的正确性和有效性。     

考虑源荷侧灵活性资源的风光消纳互动调控

针对大规模新能源并网导致电网调控的灵活性不足问题,考虑电网灵活性供需平衡,提出灵活性资源（FR）参与风光消纳的互动调控方法,建立规划—运行双层模型对风光消纳进行调控优化。规划层考虑FR改造成本与电压稳定性初步分配新能源安装位置与灵活性资源改造容量,运行层综合经济成本、灵活性缺失度及峰谷差值等指标协同调控源荷资源,通过混合种群迁徙算法进行多目标优化,筛选求解后的多样性方案反馈规划层,得到最优调控结果。最后,结合东北某实际电网进行仿真分析,结果表明合理配置多元化FR能改善电网的风光消纳能力及其调控灵活性,验证了所提方法的合理性和有效性。     

基于定频MPC的飞跨电容储能双向直流变换器低频波动功率抑制策略

为抑制直流母线低频波动功率对储能系统的影响,以飞跨电容双向直流变换器为研究对象,提出基于单目标定频模型预测控制(model predictive control, MPC)低频波动功率抑制策略。为降低传统MPC算法的运算负荷,通过对变换器数学模型进行分析,提出一种单目标定频MPC控制算法。该算法仅需通过电感电流单目标约束函数,即可实现对系统电流及双端飞跨电容电压的控制,无须对两端飞跨电容电压进行独立寻优,极大地降低了计算量。为实现对储能系统低频波动功率的抑制,引入低频波动功率抑制算法,通过与所提MPC算法的融合,使最终控制方案能够在实现储能控制目标的前提下,具备低频波动功率抑制能力,且保持良好的动态性能。通过搭建小功率实验平台对所提控制策略的有效性进行了验证。     

基于改进的CKF低轨卫星多普勒定位解算

针对低轨卫星多普勒定位中最小二乘法(the least squar method, LSM)和扩展卡尔曼滤波(extended Kalman filter, EKF)带来的解算误差,采用容积卡尔曼滤波(cubature Kalmanfilter, CKF)算法的思想来进行定位解算。首先设计了一种基于GeoSOT剖分网格的初值搜索方法进行粗定位,避免迭代发散;在解算过程中,对CKF进行改进,用QR分解代替其中的Cholesky分解,防止误差协方差矩阵非正定导致计算终止;最后以铱星星座对地面站的静态定位为例,通过STK 进行仿真验证算法的有效性。结果表明,改进的CKF(improvedCKF, ICKF)算法对于目标的定位误差在百米以内;且相较于LSM 和EKF,定位精度大约可以提高17%。     

联邦学习中的隐私保护技术研究综述

近年来,联邦学习成为解决机器学习中数据孤岛与隐私泄露问题的新思路。联邦学习架构不需要多方共享数据资源,只要参与方在本地数据上训练局部模型,并周期性地将参数上传至服务器来更新全局模型,就可以获得在大规模全局数据上建立的机器学习模型。联邦学习架构具有数据隐私保护的特质,是未来大规模数据机器学习的新方案。然而,该架构的参数交互方式可能导致数据隐私泄露。目前,研究如何加强联邦学习架构中的隐私保护机制已经成为新的热点。从联邦学习中存在的隐私泄露问题出发,探讨了联邦学习中的攻击模型与敏感信息泄露途径,并重点综述了联邦学习中的几类隐私保护技术：以差分隐私为基础的隐私保护技术、以同态加密为基础的隐私保护技术、以安全多方计算（SMC）为基础的隐私保护技术。最后,探讨了联邦学习中隐私保护中的若干关键问题,并展望了未来研究方向。     

基于神经网络的机器人学习与控制：回顾与展望

机器人因其高效的感知、决策和执行能力,在人工智能、信息技术和智能制造等领域中具有巨大的应用价值。目前,机器人学习与控制已成为机器人研究领域的重要前沿技术之一。各种基于神经网络的智能算法被设计,从而为机器人系统提供同步学习与控制的规划框架。首先从神经动力学(ND)算法、前馈神经网络(FNNs)、递归神经网络(RNNs)和强化学习(RL)四个方面介绍了基于神经网络的机器人学习与控制的研究现状,回顾了近30年来面向机器人学习与控制的智能算法和相关应用技术。最后展望了该领域存在的问题和发展趋势,以期促进机器人学习与控制理论的推广及应用场景的拓展。     

基于系统调用序列学习的内核模糊测试

操作系统内核是计算机系统中最基本的软件组件, 它控制和管理计算机硬件资源, 并提供访问和管理其他应用程序所需的接口和服务. 操作系统内核的安全性直接影响整个计算机系统的稳定性和可靠性. 内核模糊测试是一种高效、准确的安全漏洞检测方法. 然而目前内核模糊测试工作中, 存在系统调用间关系的计算开销过大且容易误判, 以及系统调用序列构造方式缺乏合理能量分配以至于很难探索低频系统调用的问题. 本文提出以N-gram模型学习系统调用间关系, 根据系统调用的出现频次信息和TF-IDF信息优先探索出现频次低或者TF-IDF值高的系统调用. 我们以极低的开销, 在Linux 4.19和5.19版本的24 h实验中分别提升了15.8%、14.7%的覆盖率. 此外, 我们挖掘到了一个已知CVE (CVE-2022-3524)、8个新崩溃, 其中一个获得了CNNVD编号(CNNVD-2023-84723975).     

人工智能在新型冠状病毒肺炎中的研究综述

新型冠状病毒肺炎（corona virus disease,COVID-19）的暴发对全球人类的生命财产安全造成了巨大威胁。人工智能（artificial intelligence,AI）为助力打赢这场疫情攻坚战发挥了不可替代的作用。由于AI的助力,医疗资源紧张的问题得到大幅度缓解,并提高了医疗诊断效率,同时也避免接触感染的风险。阐述了COVID-19和AI的背景知识,从疫情趋势预测、疫情溯源追踪、检测诊断、药物开发、疫苗研制、药物再利用、网络舆论管控以及基因组测序这8个疫情防控的环节讨论了AI在本次COVID-19中的研究进展,并列举本次疫情中AI所面临的挑战,浅谈本次疫情对我国AI产业影响以及两者的辩证关系,对全文进行总结。