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。     

甲基氯硅烷精馏流程的模拟与优化

采用Aspen plus软件对工业七塔精馏过程进行全流程建模与模拟，优化工艺参数，研究了新的精馏节能工艺。对一甲塔等7个精馏塔采用双因素水平的灵敏度分析，考察了塔釜采出率、回流比、进料位置和塔顶压力对产品浓度和热负荷的影响，确定一甲塔最优的工艺参数：塔釜摩尔采出率为0.92，摩尔回流比为130，塔顶压力为0.18 MPa，总理论板数为400，在210块理论板位置进料。在此基础上，针对高能耗的脱高塔/脱低塔，模拟研究了双效精馏新工艺，新工艺可节省39.70%的年总成本；针对一甲塔模拟研究了热泵精馏新工艺，新工艺可降低41.42%的年总成本。     

自动电位滴定仪在双氧水装置在线分析中的应用

将自动电位滴定技术应用于双氧水装置氢效、氧效、萃余、前酸、后酸分析,该技术可以应用于在线检测,有利于实现双氧水装置自动化、智能化。减少人为操作对分析结果的影响,缩短了分析时间,提高了工作效率,避免了操作人员长期接触重芳烃对身体造成的损害。     

地下式厂房通风除湿系统的设计及应用

近几年,随着对可再生能源的开采,水力发电逐渐被重视,也加快了水电厂房的建设。但是由于自然条件的影响,一些特殊情况不得不采用地下厂房的形式进行生产。而地下厂房往往空气湿度大,会影响机械的正常运转并对值守人员的身体状况造成伤害。论文分析了地下环境的湿热原理,对厂房内具体的布置作了一些设想,探讨了方案的实用性和可行性。希望能给地下厂房通风除湿设计提供一些思路。     

刚接式桥面连续结构的受力性能分析

针对桥面连续结构易开裂受损的问题,结合牛牯岭大桥实际工程,建立了三维空间实体有限元模型,对常用的刚接式桥面连续结构进行了细致的受力性能分析,得到了其在不同荷载作用下的应力分布情况,并重点讨论了跨度大小对桥面连续结构受力性能的影响。     

100 MeV质子回旋加速器二期辐照效应管道设计

针对中国原子能科学研究院100 MeV质子回旋加速器上的单粒子效应辐照装置进行了二期管道设计，采用八极磁铁校正法对束流进行了扩束及均匀化，最终在靶上得到了一个30 cm×30 cm、均匀性好于92%的均匀分布的束斑，满足了单粒子效应实验的需求。为降低靶站处的束流能散及中子本底，采用两级降能的方案，在偏转磁铁前放置1个降能片，将能量分为100 MeV和40 MeV两档，并分别针对这两个能量点进行方案设计，束流利用率均在42%以上。公差分析结果表明，四极磁铁对靶上束斑均匀性的影响大于八极磁铁，安装过程中应优先保证四极磁铁的安装公差。     

基于SysML的嵌入式软件系统建模与验证方法研究

嵌入式软件系统由于广泛采用分布式异构网络,使得软件系统复杂性呈现几何增长,因此需要在系统设计的论证阶段,对系统需求和设计方案进行正确性和充分性验证,进而发现系统性设计缺陷,避免可能引发或导致的严重系统性问题。为此,提出一种基于SysML的嵌入式软件系统结构与行为需求建模方法。通过对嵌入式软件系统的结构和逻辑行为进行层次化建模,并利用Modelica离散与连续融合的仿真特点,在系统需求论证阶段,基于建立的仿真模型对系统关键功能指标进行仿真,结果表明,该方法对系统需求论证具有可行性。     

六边形形状记忆合金蜂窝材料面内变形特性的研究

采用数值模拟方法建立六边形蜂窝材料模型,以形状记忆合金作为基体材料,研究了六边形形状记忆合金蜂窝材料在面内冲击载荷作用下的变形响应特性。重点讨论了冲击速度和温度对变形模式的影响。研究结果表明,在低速和中速冲击条件下,六边形形状记忆合金蜂窝材料表现出均匀的变形模式,温度对六边形形状记忆合金蜂窝材料变形模式的影响可以忽略。