一种基于混合模式的密码协议入侵检测方法

本文结合特征入侵检测和异常入侵检测技术,提出了一种在密码协议运行中,能动态监视安全协议运行,实时检测其上攻击的方法,详细介绍了该方法的工作原理,并通过实例验证了此方法的可行性.     

弱标签声音事件检测的空间-通道特征表征与自注意池化

深度神经网络声音事件检测方法需要大量标记声音事件类别和起止时间的强标签音频样本,然而强标签标注非常困难和耗时.弱标签声音事件检测是解决这一困难的有效途径.本文将弱标签声音事件检测作为多实例学习问题,并基于卷积循环神经网络提出弱标签声音事件检测的空间-通道特征表征与自注意池化方法 .该方法研究多实例弱标签声音事件检测的特征表征和帧级预测结果池化两个方面的内容.在特征表征方面,为了增强卷积神经网络的特征表征能力,结合上下文门控和通道注意机制构建门控注意力结构并嵌入到卷积循环神经网络中,实现了音频样本特征的空间和通道特征选择;在预测结果池化方面,引入自注意思想设计音频帧预测结果的自注意池化方法,增强了音频样本中事件帧之间的相关度,使事件帧获得更大的权重.本文方法通过对卷积循环神经网络特征表征和预测结果池化的革新,有效提升了模型的检测性能.本文提出的方法在DCASE 2017任务4和DCASE 2018任务4数据集的评估集中分别取得了52.47%和31.00%的F1得分,性能优于当前绝大部分的弱标签声音事件检测方法 .实验结果表明：本文提出的空间-通道特征表征与自注意池化方法能显著改善弱标签声...     

计及多元不确定性的氢电耦合微电网多阶段动态规划方法

针对传统单阶段规划设计方法存在的初始投资成本高、源荷匹配性弱、经济性不足的缺点,提出了一种氢电耦合微电网多阶段动态规划方法,可确定各设备的最优配置容量和投资时机,并基于混合优化架构增强模型对多元不确定性的适应能力。其中,设备在规划周期内投资成本的波动不确定性特征以随机概率场景描述,可再生分布式电源出力和负荷需求不确定性则以不确定场景集合处理。在此基础上,进一步考虑微电网规划周期内的负荷增长率、设备性能衰退等动态因素,提升规划方案对未来动态信息变化的适用性,并最终构建随机-鲁棒混合整数线性规划模型描述微电网的多阶段动态规划问题。仿真结果表明,与传统的单阶段规划模型相比,所提方法的总成本降低近5.0%,初始投资成本降低近13.9 %,投资回收期缩短近32.9 %,有利于提升微电网规划方案的经济性。     

基于激基复合物主体的高效TADF/磷光杂化白光有机发光二极管EI北大核心CSCD

发光层中载流子的平衡以及拓宽的激子分布对于制备高性能白光有机发光二极管(WOLEDs)至关重要。采用蓝光热激活延迟荧光(TADF)分子DMAC-DPS、绿光磷光分子Ir(ppy)2(acac)和红光磷光分子RD071制备了基于激基复合物主体的TADF/磷光杂化WOLEDs。在发光层中引入TCTA:DPEPO激基复合物作为主体不仅平衡了电荷和空穴传输,拓宽了激子复合区,并构建蓝-绿-红发光层之间级联式激子能量传递,有效提升了激子利用率,降低了器件的效率滚降。通过调控发光层中载流子平衡及激子分布,白光器件的最大电流效率(CE)、功率效率(PE)和外量子效率(EQE)分别为37.1 cd·A^(−1)、36.4 lm·W^(−1)和17.5%,并且在1000 cd·m^(−2)亮度下依旧保持在26.6 cd·A^(−1)、18.2 lm·W^(−1)和12.3%,对应色坐标(CIE)和显色指数(CRI)分别为(0.451,0.428)和88。值得注意的是,在1000~5000 cd·m^(−2)亮度范围内,CIE变化仅为(0.006,0.004),表现出优异的色稳定性。同时,通过单极性主体和双极性主体的对比,阐明了双极性主体中载流子复合及激子能量传递机制。最终,通过器件传输层的优化进一步降低了器件的工作电压,提升了载流子平衡性,器件EQE及PE分别提升至19.3%和52.6 lm·W^(−1),并保持了高的显色指数(CRI=90)及良好的色稳定性。     

有源相控阵雷达TRM高功率微波在线测试系统

高功率微波（HPM）是系统电磁环境效应评估中的重要项目之一。针对有源相控阵雷达“前门”耦合窄带HPM效应评估需求,通过HPM效应评估不同试验方法比较分析,提出采用多端口高隔离“魔T”、耐高功率吸收式滤波器与隔离器等关键微波器件,构建基于传导注入法的收发组件（TRM）高功率微波效应评估实时在线测试系统,针对典型频段TRM开展效应试验,获取相应试验数据,验证了该测试系统是合理可行的。     

注意力增强和目标模型更新的红外目标跟踪算法

目的 多数以深度学习为基础的红外目标跟踪方法在对比度弱、噪声多的红外场景下,缺少对目标细节信息的利用,而且当跟踪场景中有相似目标且背景杂乱时,大部分跟踪器无法对跟踪的目标进行有效的更新,导致长期跟踪时鲁棒性较差。为解决这些问题,提出一种基于注意力和目标模型自适应更新的红外目标跟踪算法。方法 首先以无锚框算法为基础,加入针对红外跟踪场景设计的快速注意力增强模块以并行处理红外图像,在不损失原信息的前提下提高红外目标与背景的差异性并增强目标的细节信息,然后将提取的特征融合到主干网络的中间层,最后利用目标模型自适应更新网络,学习红外目标的特征变化趋势,同时对目标的中高层特征进行动态更新。结果 本文方法在 4 个红外目标跟踪评估基准上与其他先进算法进行了比较,在 LSOTB-TIR(large-scale thermalinfrared object tracking benchmark)数据集上的精度为 79.0%,归一化精度为 71.5%,成功率为 66.2%,较第 2 名在精度和成功率上分别高出 4.0%和 4.6%;在 PTB-TIR(thermal infrared pedestrian tracking benchmark)数据集上的精度为85.1%,成功率为 66.9%,较第 2 名分别高出 1.3% 和 3.6%;在 VOT-TIR2015(thermal infrared visual object tracking)和VOT-TIR2017 数据集上的期望平均重叠与精确度分别为 0.344、0.73 和 0.276、0.71,本文算法在前 3 个数据集的测评结果均达到最优。同时,在 LSOTB-TIR 数据集上的消融实验结果显示,本文方法对基线跟踪器有着明显的增益作用。结论 本文算法提高了对红外目标特征的捕捉能力,解决了红外目标跟踪易受干扰的问题,能够提升红外目标长期跟踪的精度和成功率。     

人工智能与算法课程思政设计与实践

分析人工智能与算法课程思政教育的可行性和课程思政的教学目标,提出在理论教学和实践教学中实施课程思政,并阐述实施途径以及各个教学单元内容对应的思政元素和思政融入形式,最后对课程思政的实践效果进行总结。     

基于共享近邻和优化关联策略的边界剥离聚类

边界剥离聚类算法(BP)是一种基于密度的聚类算法,它通过逐渐剥离边界点来揭示聚类的潜在核心,已经被证明是一种十分有效的聚类手段.然而, BP算法仍存在一些不足之处:一方面,数据点的局部密度仅考虑了距离特征,使得边界点的确定不够合理;另一方面, BP算法中的关联策略容易误判异常值,并且在分配边界点时容易产生连带错误.为此,本文提出了一种基于共享近邻和优化关联策略的边界剥离聚类算法(SOBP).该算法使用了基于共享近邻的局部密度函数来更好地探索数据点之间的相似性,同时优化了BP算法中的关联策略,使得每次迭代中边界点不再仅与一个非边界点进行关联,并进一步采用了边界点与非边界点、已剥离边界点之间的双重关联准则.在一些数据集上的测试表明,相较于其他6种经典算法,该算法在评估指标上表现更佳.