构建全面企业安全架构

对于现在每一个生存、竞争在互联世界里的企业来说,关注变化以及这些变化会给自己的企业带来的影响,显得更为重要。企业的网络安全就象是家里的一道门,已经变成企业经营运转的一个“标准配置”。建设企业的安全架构,需要全面地、细致地考虑,包括企业的业务发展特点、IT应用环境特点、企业网络的基础构架特点等,进而据此进行精心地设计和架构。     

垃圾填埋场渗滤液处理工艺与评价分析

本文在参考国内一些对生活垃圾填埋场渗沥液的处理组合工艺研究的基础上,系统总结适合我国渗滤液处理的技术路线,同时以广东某垃圾填埋场渗滤液处理改造工程实践为背景,先对原处理工艺运行状况进行调研,分析原工艺的不足,再结合该垃圾填埋场渗沥特点和场地条件,对其原渗滤液处理工艺进行改造和处理效果进行评价,最终实现各指标均能满足达标排放的要求,为类似渗滤液改造工程的工艺优化提供技术参考.     

基于BP网络的雷达目标距离像识别性能仿真

针对反向传播(BP)神经网络用于高分辨率雷达目标距离像分类的问题.讨论了对识别性能产生影响的主要因素:训练算法的选择、输入数据的预处理方法以及神经网络的参数设计。利用4种飞机模型的重点散射源二维分布测试数据和频率步进法得到目标的一维距离像,对于从不同方位角范围内获得的距离像,用BP神经网络对目标识别的性能进行了仿真测试,结果表明选择弹性传播算法或模拟退火弹性传播算法训练网络时具有更好的分类性能,而且对输入样本进行对数变换也有助于提高识别率。     

一种Chirplet神经网络自动目标识别算法

针对飞机目标的自动识别问题,提出一种联合特征提取与分类的Chirplet神经网络方法,实现一维高分辨率距离像的识别。Chirplet神经网络将Chirplet原子变换用于多层前馈神经网络结构的输入层,替换传统的激励函数对距离像序列进行特征提取;网络的分类部分由隐层和输出层组成。在训练过程中调整神经网络权值的同时,完成对Chirplet原子时频参数的自动调整,协调优化特征参数和分类器参数,使Chirplet神经网络同时实现特征提取和目标分类。对4类飞机目标的仿真测试结果表明,相比时频变换和Gabor原子网络等方法,具有四特征参数的Chirplet神经网络方法具有较高的识别率和抗噪性能。     

一种适合实际风电接入电力系统的小干扰概率稳定分析方法

风电出力的随机性导致风电接入电力系统运行点具有明显的不确定性,也使得确定性小干扰稳定分析方法难以全面分析含风电的电力系统小干扰稳定问题。为此,本文提出了一种实用化的风电接入电力系统小干扰概率稳定分析方法。以BPA为小扰动稳定分析核心程序,通过利用Matlab开发风电出力Monte Carlo采样程序、调用BPA接口程序和结果概率统计分析程序组成的闭环系统实现。用3机9节点系统进行了风电接入容量、接入点及不同的风电消纳方式对系统小干扰概率稳定的影响分析;然后对某省实际电力系统2020年风电规划情况进行了小干扰概率稳定分析,验证了所提方法的有效性和实用性。     

我省葡萄生产、加工现状、问题及对策

葡萄生产是我省优势之一,面积和产量仅次于新疆,居全国第二位,1986年全省葡萄面积30.6万亩,产量9.22万吨,分别占全国总数的17％和20.9％。1986年和1980年相比,葡萄面积、产量分别增长3.3倍和6.9倍。1986年全省年产葡萄5000吨的县6个,其中莱西县产量最多为1.73万吨;全省葡萄栽植面积超过5000亩的县13个,超过万亩的9个,超过2万亩葡萄的4个县(平度、黄县、蓬莱、莱西),其中平度葡萄面积最大为4.5万亩。     

计及氢能多环节利用和混合需求响应的综合能源系统多时间尺度低碳优化

在“双碳”背景下,充分利用氢能和各类需求侧资源是实现电力系统低碳运行的重要手段。为此,提出了一种计及氢能多环节利用和混合需求响应的综合能源系统多时间尺度低碳优化调度策略。首先,为提升氢能的利用效率,构建了含制氢、用氢、储氢以及燃气混氢的氢能多环节利用模型。其次,为挖掘需求侧资源在不同时间尺度下的响应能力,分析了需求侧资源的响应特性,建立了多时间尺度下的混合需求响应模型。然后,为了提升系统的低碳特性,将绿证交易机制和碳交易机制同时引入进综合能源系统优化模型中,以降低系统碳排放量,并降低系统的源、荷不确定性,构建了含日前、日内、实时阶段的综合能源系统多时间尺度低碳优化模型。最后,仿真结果表明,相比传统调度模型,考虑氢能多环节利用模型后,系统总成本和碳排放量分别降低了6.59%和5.56%,并且混合需求响应模型可分别降低购电、购气功率波动率2.64%和5.56%,验证了混合需求响应对系统功率波动的平抑作用。     

一维卷积神经网络用于雷达高分辨率距离像识别

针对人工提取高分辨率距离像（HRRP）优良特征比较困难的问题,研究了基于一维卷积神经网络（CNN）的HRRP识别方法。利用CNN具有分层学习特征的能力,训练CNN自动地从HRRP中学习有用的特征并分类。在仿真实验中描述了网络的相关配置,分析了不同激活函数、不同参数、不同网络结构的识别性能,对比了CNN与其他分类器的识别结果,用可视化特征图直观地说明了CNN通过卷积层能够学习到易于分辨的特征。实验结果表明CNN具有很好的识别性能。