Numerical integration for the inverse dynamics of a large class of cranes

Multibody System Dynamics - A recently developed index reduction method is applied to comparatively complicated underactuated mechanical systems in the context of inverse dynamics. The inverse...     

基于改进CGANs的入侵检测方法研究

近年来,机器学习算法在入侵检测系统(IDS)中的应用获得越来越多的关注。然而,传统的机器学习算法更多的依赖于已知样本,因此需要尽可能多的数据样本来对模型进行训练。遗憾地是,随着越来越多未知攻击的出现,且用于训练的攻击样本具有不平衡性,传统的机器学习模型会遇到瓶颈。文章提出一种将改进后的条件生成对抗网络(CGANs)与深度神经网络(DNN)相结合的入侵检测模型(CGANs-DNN),通过解决样本不平衡性问题来提高检测模型对未知攻击类型或只有少数攻击样本类型的检测率。深度神经网络(DNN)具有表征数据潜在特征的能力,而经过改进后的条件CGANs,能够通过学习已知攻击样本潜在数据特征分布,来根据指定类型生成新的攻击样本。此外,与生成对抗网络(GANs)和变分自编码器(VAE)等无监督生成模型相比,CGANsDNN经过改进后加入梯度惩罚项,在训练的稳定性上有了很大地提升。通过NSL-KDD数据集对模型进行评估,与传统算法相比CGANs-DNN不仅在整体准确率、召回率和误报率等方面有更好的性能,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率。     

海上稠油油田蒸汽吞吐产量确定新方法

针对目前蒸汽吞吐产量预测模型假设条件简单、普适性差等问题,一般采用测试法和类比法综合确定海上稠油油田蒸汽吞吐初期产量。由于目前海上油田通常只开展常规测试,无法直接获得热采开发初期产量。笔者提出海上稠油油田蒸汽吞吐初期产量确定新方法,建立蒸汽吞吐相对于常规开发的初期产量倍数预测模型,通过蒸汽吞吐产量倍数,将常规测试确定的产量转化为蒸汽吞吐产量。研究表明,蒸汽吞吐初期产量倍数主要受储集层渗透率、原油黏度、注入强度、蒸汽干度等因素影响,利用正交试验设计和多元回归等方法,建立海上稠油油田蒸汽吞吐初期产量倍数与油藏地质参数及注入参数之间的非线性预测模型,该模型经实际生产数据验证,预测误差小于5%,可靠性高,能够为海上稠油油田蒸汽吞吐初期产量的确定提供依据。     

核电厂立式泵电机多故障耦合振动问题的处理

某核电厂立式水泵配套电机存在两径向方向振动差异大、启机后振动缓慢上升的振动现象，为解决该问题，本文利用频谱分析、固有频率分析、相位分析等方法进行故障诊断，判断出该配套电机存在结构共振、转子热弯曲、动不平衡的耦合问题，并最终通过调整螺栓及现场动平衡方法成功解决了振动问题。      

基于SCA波形采样读出电子学的CSNS Back-n中子飞行时间测量

中国散裂中子源(CSNS)反角白光中子束线(Back-n)对中子核数据测量和核技术应用等多个领域均有重要意义。为监测其中子束斑轮廓、束流密度及束流能量，研制了由镀硼微网格气体(Micromegas)探测器构成的束流剖面监测装置，并通过测量中子的飞行时间(TOF)来获得能量信息。采用基于开关电容阵列(SCA)专用集成电路(ASIC)的波形采样电子学系统，实现了128路Micromegas探测器阳极条信号的低噪声放大、成形和波形数字化，在现场可编程逻辑门阵列(FPGA)芯片中实现了对信号过阈时间的实时测量，其量程为650 ns～10 ms，电子学时间分辨好于10 ns。在CSNS Back-n上开展实验，成功获得了中子束流剖面及10.65 μs～10 ms范围的飞行时间谱，对应的中子能量范围约为0.16 eV～0.14 MeV。利用钽、钴等吸收体进行了中子共振吸收峰的检验，验证了读出电子学系统的功能及飞行时间测量的正确性。     

一种基于深度森林的恶意代码分类方法

针对当前恶意代码静态分析方法精度不足的问题，将恶意代码映射为无压缩的灰度图像，然后根据图像变换方法将图像变换为恒定大小的图像，使用方向梯度直方图提取图像的特征，最后提出一种基于深度森林的恶意代码分类方法.实验中选择不同家族的多个恶意代码样本进行分类，验证了该方法的有效性，并且实验结果优于近期提出的SPAM-GIST方法.     

基于智能电表大数据的异常用电检测

异常或欺诈造成的非技术性电力损失是电力公司损失的主要源头之一。智能电表的广泛使用，使得运用大数据方法实现对非技术性电力损失的有效检测成为可能。提出了一种使用监督学习进行非技术损失检测的方法。该方法基于智能仪表记录的所有信息（耗电量、异常警报等）结合辅助数据库所提供的有关每个智能电表的地理位置和技术参数的附加信息，使用最优的机器算法来深入分析用电客户的用电行为，生成异常用电客户列表。通过现场检查的结果表明，该方法能够较为准确地识别智能电网中所存在异常用电客户。