Internet拥塞控制系统在不同源控制算法作用下的资源竞争分析

在未来的Internet拥塞控制协议中,不同的用户群根据不同的QoS需求,可以实现不同的控制算法.系统地研究了拥塞控制系统在AIMD和MIMD两类源算法共同作用下的稳态和动态特性,这些特性揭示了配置不同源控制算法的用户群对网络资源的竞争.内容包括AIMD,MIMD算法共同作用下的系统模型、系统稳态分析、系统稳定性分析等.基于NS2系统的仿真结果,证实了给出的分析方法的有效性,并揭示了不同源算法对网络资源的竞争情况.     

无线传感器网络的认证协议分析

通过对现有无线传感器网络的认证协议进行比较和分析,总结了各协议的优点及存在问题,根据目前对传感器节点软硬件性能研究的进展,探讨了无线传感器网络安全认证协议研究的进一步发展方向.     

视觉符号在跨文化传播中的价值研究

在跨文化交流日益频繁的时代,符号作为一种独特"语言",成为国际性的通用方式。随着人们审美心理的需要和对它实际功能的需求,越来越人性化、简约化、准确化的视觉符号在视觉传达设计中层出不穷。本文基于对文化以及跨文化概念的了解,提出了视觉符号在跨文化传播中是一个不容忽视的因素,以此为重点,分析在整个跨文化传播的过程中,视觉符号所带来的影响及其价值体现。     

基于H.323协议的VoIP语音流量识别

通过分析H.323协议和H.323协议的会话流程,基于H.323协议的VoIP通信过程中出现的会话特征,提取出通信双方的元组信息来识别整个会话流量,设计出相应的流存储、搜索、更新方案和识别VoIP流量的算法。实验表明,该方法能够准确识别基于H.323协议的VoIP语音流量。     

基于微波无线能量传输多径效应的多角度超表面能量收集器

文中深入研究了基于微波无线能量传输技术的多径效应及其对多角度超表面能量收集器的性能的影响。首先,概述了微波无线能量传输技术的基本原理与发展现状,随后详细讨论了超表面结构在多角度能量接收中的应用。通过理论分析与仿真实验,文中提出了一种优化的超表面设计方案,以提高能量收集效率。实验结果显示,该方案能显著提高多角度超表面能量收集器在复杂传播环境下的能量收集性能,不仅为超表面能量收集器的设计提供了新的视角,也为未来无线能量传输技术的发展提供了理论参考。     

基于高频重构信号与Bayes-XGBoost的低压电弧故障辨识方法研究

针对低压配电系统中单个用电负载支路串联电弧故障辨识困难的问题,提出一种基于高频重构信号和Bayes-XGBoost的低压电弧辨识方法。首先,搭建多支路、多负载类型的低压电弧故障真型实验平台,并采集相关数据。其次,基于故障前后主线路电流高频信号变化规律,提出信号微弱变化叠加法重构故障有效信号。最后,建立适用于单个负载支路电弧故障辨识的XGBoost模型,并采用Bayes算法对模型多个超参数进行优化。实验结果表明,所提方法在多种工况下对单个负载支路电弧故障具有较高的辨识准确率。与6种主流故障分析方法对比,所提方法在精度、训练速度和泛化能力等方面展现出了显著的优越性,有利于实现低压配电系统单个负载支路电弧故障的可靠辨识。     

基于宽频等值电路的配电变压器局部放电电气定位研究

当配电变压器中发生局部放电时,脉冲电流信号会沿着绕组传播,检测低压绕组中性点接地处脉冲电流即可实现配电变压器局部放电检测。以往的配电变压器局部放电检测及评价方法无法判断放电位置与放电类型,难以准确评估配电变压器绝缘状态。建立了配电变压器宽频等值电路模型,研究了不同位置、不同类型局部放电脉冲电流信号在配电变压器绕组中的传播规律,提出了小波-经验模态联合去噪算法过滤现场检测中的噪声信号。通过计算脉冲电流信号的能量值以及三相波形相似系数实现了配电变压器局部放电的电气定位,以对多组不同噪声水平的信号进行验证,均可实现准确定位,验证了去噪算法和定位方法的有效性。     

预训练语言模型实体匹配的可解释性

实体匹配可以判断两个数据集中的记录是否指向同一现实世界实体,对于大数据集成、社交网络分析、网络语义数据管理等任务不可或缺.作为在自然语言处理、计算机视觉中取得大量成功的深度学习技术,预训练语言模型在实体识别任务上也取得了优于传统方法的效果,引起了大量研究人员的关注.然而,基于预训练语言模型的实体匹配技术效果不稳定、匹配结果不可解释,给这一技术在大数据集成中的应用带来了很大的不确定性.同时,现有的实体匹配模型解释方法主要面向机器学习方法进行模型无关的解释,在预训练语言模型上的适用性存在缺陷.因此,以Ditto、JointBERT等BERT类实体匹配模型为例,提出3种面向预训练语言模型实体匹配技术的模型解释方法来解决这个问题:(1)针对序列化操作中关系数据属性序的敏感性,对于错分样本,利用数据集元特征和属性相似度实现属性序反事实生成;(2)作为传统属性重要性衡量的补充,通过预训练语言模型注意力机制权重来衡量并可视化模型处理数据时的关联性;(3)基于序列化后的句子向量,使用k近邻搜索技术召回与错分样本相似的可解释性优良的样本,增强低置信度的预训练语言模型预测结果.在真实公开数据集上的实验结果...     

基于动态门控特征融合的轻量深度补全算法

稠密深度图在自动驾驶和机器人等领域至关重要,但是现今的深度传感器只能产生稀疏的深度测量,所以有必要对其进行补全.在所有辅助模态中, RGB图像是常用且易得的信息.现今的许多方法都采用RGB和稀疏深度信息结合进行补全.然而它们绝大部分都是利用通道拼接或逐元素求和简单的对两种模态的信息进行融合,没有考虑到不用场景下不同模态特征的置信度.提出一种以输入深度稀疏分布为指导,结合双模态信息量的动态门控融合模块,通过动态产生融合权重的方式对两个模态特征进行更高效的结合.并且根据不同模态的数据特征设计了精简的网络结构.实验结果表明所提出模块和改进的有效性,提出的网络在两个有挑战性的公开数据集KITTI depth completion和NYU depth v2上,使用了很少的参数量达到了先进的结果,取得了性能和速度的优秀平衡.     

改进YOLOX网络的轴承缺陷小目标检测方法

针对深度学习模型在工业轴承表面缺陷检测中多目标情形下的小目标漏检率高、模型特征融合不充分的问题,基于YOLOX提出一种多注意力特征加权融合的小目标缺陷检测算法。在骨干网络引入特征提取更加细粒度的Res2Block模块,同时嵌入自注意力机制,增加隐性小目标的区域特征,减少漏检率;设计内嵌坐标注意力并作为加权条件的双路金字塔特征融合网络,提升浅层细节特征和深层高级语义特征的交互融合能力;后处理阶段引入Focal Loss损失函数,增加模型对正样本目标的学习,进一步减少漏检率。实验结果表明,与原YOLOX算法相比,改进算法在自制小型列车轴承表面缺陷数据集上mAP提高了4.04个百分点,对小目标的识别率明显提升。