基于卷积神经网络的安全防御模式研究

云计算、大数据、5G通信等技术的快速发展，有力的促进了计算机网络在多个领域的普及和使用，人们已经进入到了“互联网+”时代，实现了工作、生活和学习的数字化、智能化和共享化。计算机网络在为人们提供各种便利服务的同时也面临着许多的安全威胁，比如木马、病毒等，不法分子攻击网络数据中心，破坏用户服务终端及服务器，为人们带来严重的威胁。网络安全学者或企业机构也提出了许多安全防御技术，比如入侵检测技术、深度包过滤技术、防火墙技术、数据加密技术等，一定程度上提高了网络安全防御的能力，但是随着互联网数据流量的增多，需要引入更加先进的人工智能技术，以便能够快速的采集、分析网络数据流，确定数据流中是否存在病毒或木马，以便及时的对其进行查杀，进一步提高网络安全防御的主动性、积极性     

Non-Halogenated-Solvent Processed and Additive-Free Tandem Organic Solar Cell with Efficiency Reaching 16.67%

Organic solar cells (OSCs) have recently reached a remarkably high efficiency and become a promising technology for commercial application. However, OSCs with top efficiency are mostly processed by halogenated solvents and with additives that are not environmentally friendly, which hinders large-scale manufacture. In this study, high-performance tandem OSCs, based on polymer donors and two small-molecule acceptors with different bandgaps, are fabricated by solution processing with non-halogenated solvents without additive. Importantly, the two active layers developed from non-halogenated solvents show better phase segregation and charge transport properties, leading to superior performance than halogenated ones. As a result, a tandem OSC with high efficiency of up to 16.67% is obtained, showing unique advantages in future massive production.     

燃料元件包壳材料CN-1515不锈钢在可控氧铅铋环境下的腐蚀行为

国产CN-1515不锈钢因其良好的抗辐照肿胀能力和高温力学性能成为铅铋快堆燃料包壳的主要候选材料。在铅铋冷快堆中，由于液态铅铋合金对金属材料具有强烈的腐蚀性，会影响到反应堆的安全稳定运行，因此，铅铋冷快堆中结构材料应用还需充分考虑耐液态铅铋腐蚀性能。本文以国产CN-1515奥氏体不锈钢为研究对象，在自行研发的控氧静态铅铋腐蚀实验装置上，开展了高温铅铋腐蚀实验。实验温度分别为450、500、550、600 ℃，实验时间分别为1 000、3 000、6 000 h，液态铅铋合金中氧含量控制在10^-6%～10^-7%之间。实验结果表明，低温（T≤450 ℃）下，CN-1515不锈钢表面会生成一层保护性氧化膜，但随着腐蚀时间的增加，氧化膜会逐渐疏松而失去其保护作用；然而温度大于500 ℃时，不锈钢发生严重的Ni元素溶解腐蚀，腐蚀深度随温度的升高和时间的延长而增加。     

基于DPM模型的铅铋合金中颗粒物对管道冲蚀的数值模拟研究

基于流体力学理论研究液态铅铋合金（LBE）流体中颗粒物对管道壁面的冲蚀作用，采用Fluent软件中的离散相模型（DPM）对管壁的冲蚀进行数值模拟研究。结果表明，弯管角度、颗粒粒径、颗粒物浓度、管道的管径以及流速等对管壁的冲蚀磨损产生明显影响，其中，流速影响较大，在高流速下的冲蚀严重；弯管角度的影响显著，对直管段的冲蚀较弱，对弯管角度在30° ~ 90°之间的管道的冲蚀比较严重；颗粒粒径在1 ~ 9 μm内的微颗粒对管道冲蚀影响较小，粒径增大到10 ~ 90 μm时，冲蚀速率变化不明显，粒径增大到100 ~ 900 μm时，大直径的颗粒对管道冲蚀严重。      

基于层次化语义框架的知识库属性映射方法

面向知识库的自动问答是自然语言处理的一项重要任务,其旨在对用户提出的自然语言形式问题给出精练、准确的回复。目前由于缺少数据集,存在特征不一致等因素,导致难以使用通用的数据和方法实现领域知识库问答。因此,该文将“问题意图”视作不同领域问答可能存在的共同特征,将“问题”与三元组知识库中“关系谓词”的映射过程作为问答核心工作。为了考虑多种层次的语义并避免重要信息的损失,该文分别将“基于门控卷积的深层语义”和“基于交互注意力机制的浅层语义”通过门控感知机制相融合。在NLPCC-ICCPOL 2016 KBQA数据集上的实验表明,该文方法与现有的CDSSM和BDSSM方法相比,效能有明显提升。此外,该文通过构造天文常识知识库,将问题与关系谓词映射模型移植到特定领域,结合Bi-LSTM-CRF模型构建了天文常识自动问答系统。     

爆破位置对深凹露天矿山炮烟扩散的影响研究

深凹露天矿山由于其特殊的结构,爆破产生的炮烟扩散稀释较为困难,严重危害生产作业人员的生命安全与健康。基于实际矿山构建了深凹露天矿山的二维物理及数学模型,采用非稳态数值分析方法研究了不同爆破位置下,深凹露天矿山采坑内爆破炮烟的扩散规律。研究结果表明：不同爆破位置下,露天采坑内均出现复环流,爆破点位置是影响露天采坑内风流结构特征的重要因素；露天采坑内的炮烟最高浓度均随着时间变化而逐渐下降,但下降的速率逐步减小,呈现三个阶段的下降趋势；爆破位置位于背风侧时露天采坑内的炮烟最高浓度和降至安全浓度所需时间远高于迎风侧三个爆破位置；随着背风侧爆破点距采坑底部距离的减小,炮烟最高浓度及降至安全浓度所需时间先降低后增加,炮烟最高浓度及降至安全浓度所需时间随着迎风侧爆破位置距采坑底部距离的减小而增加。研究结果对于指导深凹露天矿山企业合理组织爆破后的生产作业和保障作业人员安全具有重要意义。     

Metal chlorides-promoted ammonia absorption of deep eutectic solvent

Ammonia is considered as a promising hydrogen or energy carrier. Ammonia absorption or adsorption is an important aspect for both ammonia removal, storage and separation applications. To these ends, a wide range of solid and liquid sorbents have been investigated. Among these, the deep eutectic solvent (DES) is emerging as a promising class of ammonia absorbers. Herein, we report a novel type of DES, i.e., metal-containing DESs for ammonia absorption. Specifically, the NH₃ absorption capacity is enhanced by ca. 18.1–36.9% when a small amount of metal chlorides, such as MgCl₂, MnCl₂ etc., are added into a DES composed of resorcinol (Res) and ethylene glycol (EG). To our knowledge, the MgCl₂/Res/EG (0.1:1:2) DES outperforms most of the reported DESs. The excellent NH₃ absorption performances of metal–containing DESs have been attributed to the synergy of Lewis acid–base and hydrogen bonding interactions. Additionally, good reversibility and high NH₃/CO₂ selectivity are achieved over the MgCl₂/Res/EG (0.1:1:2) DES, which enables it to be a potential NH₃ absorber for further investigations.     

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。     

Dilated and soft attention-guided convolutional neural network for breast cancer histology images classification

Breast cancer is one of the most common types of cancer in women, and histopathological imaging is considered the gold standard for its diagnosis. However, the great complexity of histopathological images and the considerable workload make this work extremely time-consuming, and the results may be affected by the subjectivity of the pathologist. Therefore, the development of an accurate, automated method for analysis of histopathological images is critical to this field. In this article, we propose a deep learning method guided by the attention mechanism for fast and effective classification of haematoxylin and eosin-stained breast biopsy images. First, this method takes advantage of DenseNet and uses the feature map's information. Second, we introduce dilated convolution to produce a larger receptive field. Finally, spatial attention and channel attention are used to guide the extraction of the most useful visual features. With the use of fivefold cross-validation, the best model obtained an accuracy of 96.47% on the BACH2018 dataset. We also evaluated our method on other datasets, and the experimental results demonstrated that our model has reliable performance. This study indicates that our histopathological image classifier with a soft attention-guided deep learning model for breast cancer shows significantly better results than the latest methods. It has great potential as an effective tool for automatic evaluation of digital histopathological microscopic images for computer-aided diagnosis.     

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。