网络攻击与防御技术的研究与实践

网络攻击与防御是信息安全领域的核心内容,采用攻防角色分组的情境实践模式,将其分解为扫描、网络嗅探、口令破解、欺骗攻击、拒绝服务攻击、缓冲区溢出攻击、Web攻击、SQL注入攻击、木马攻击、计算机病毒、手机病毒、防火墙与入侵检测等12个专题,对应12个学生小组,每组6名学生,攻击和防御各半。通过课程实践,有效培养学生的实际动手能力、自主学习、分析问题、解决问题的能力,以及团队协作和组织能力。     

三相电压不平衡情况下电机车整流技术的研究

针对煤矿井下直流电机车变流系统中存在三相电压不平衡而使传统的PWM整流器的交流侧出现负序电流分量的问题,提出了一种在三相电压不平衡情况下抑制PWM整流器交流侧负序电流分量的控制策略;详细介绍了该控制策略的具体实现。仿真及现场实验结果表明,采用该控制策略后,PWM整流器的交流侧电流波形基本接近正弦波形,实现了单位功率因数运行。     

配电网故障定位与快速抢修系统研究

针对配电网发生故障后采用传统的人工巡线方式存在故障区段定位困难、抢修效率低的问题,设计了一种基于柱上故障定位监测终端的配电网故障定位与快速抢修系统。该系统采用柱上故障定位监测终端实时测量配电网数据,采用过流速断法判别短路故障、全电流法判别接地故障;当故障发生时,柱上故障定位监测终端通过GPRS无线通信模块将故障信息发送到监控主站,监控主站采用改进的矩阵定位算法实现故障区段的准确定位;故障类型及故障位置以短信方式通知相关工作人员并在监控主站界面上显示,从而可实现故障的快速抢修。仿真结果验证了该系统的可行性。     

配电网短路故障分析及其识别方法研究

分析了在不同中性点接地方式下单相接地和两相短路接地故障的相电压及中性点电压变化特征,结合三相短路和两相短路的故障特征,提出了完整的配电网短路故障识别方法。仿真结果表明,该方法具有采集的模拟量少、判据简单、运算简便的优点,具有一定的实用价值。     

基于USB2.0的振动监测系统的研究与设计

在对振动信号研究的基础上,采用现代计算机测量与控制技术开发了一种新型的振动信号监测系统;硬件以嵌入式微控制器LPC1768作为核心控制芯片,配合891-2型测振仪完成振动信号的采集和传输;软件采用LabVIEW虚拟仪器技术设计完成,实现了振动信号的时域分析、频域分析以及实时显示等功能;系统采用USB2.0总线实现数据传输,有效提高了传输速度,方便现场工作;试验测试表明,系统性能稳定,传输速度快,采集精度高,可适用于各种振动信号的工程监测,具有一定的实用和推广价值。     

网络化数据采集系统在风光互补电厂中的应用

风能、太阳能属于可再生、无污染的清洁能源,风光互补发电系统是利用太阳能和风能的互补性,向负载提供稳定的输出;针对实际风光互补发电厂中各电站较为分散的特点,以及实现对风光互补发电厂的远程监控,运用CAN总线构建了包括各独立风光互补发电站的数据采集点在内的现场总线网络,并利用GPRS网络最终设计了一种新型的集数据采集、控制及远程通信于一体的风光互补发电厂远程监控系统;可对偏远地区无人值守的风光互补发电厂的运行及所获得的电能质量进行有效远程监控。     

关于RFID核心关键技术对其应用的制约的研究

从RFID硬件、软件、制造、信息安全等各个方面入手,对影响RFID技术发展因素进行分析并提出一些建设性的建议,各个方面研究可以看出RFID技术发展有三大制约,它们是价格、技术以及信息安全,如果能突破性解决这些问题,那么RFID的应用将更进一步。     

一种摄像机标定系统的设计与实现

对摄像机标定系统进行研究和设计,给出了基于Matlab的单个摄像机标定和立体标定的流程和实现方法,给出了基于棋盘格长度的标定精度方法的实现步骤。该标定系统具有简单、快捷、精度高等优点,是一种简便实用的标定方法。     

Short-term load forecasting using bayesian neural networks learned by Hybrid Monte Carlo algorithm

This paper presents a short term load forecasting model based on Bayesian neural network (shorted as BNN) learned by the Hybrid Monte Carlo (shorted as HMC) algorithm. The weight vector parameter of the Bayesian neural network is a multi-dimensional random variable. In learning process, the Bayesian neural network is considered as a special Hamiltonian dynamical system, and the weights vector as the system position variable. The HMC algorithm is used to learn the weight vector parameter with respect to Normal prior distribution and Cauchy prior distribution, respectively. The Bayesian neural networks learned by Laplace algorithm and HMC algorithm and the artificial neural network (ANN) learned by the BP algorithm were used to forecast the hourly load of 25 days of April (Spring), August (Summer), October (Autumn) and January (Winter), respectively. The roots mean squared error (RMSE) and the mean absolute percent errors (MAPE) were used to measured the forecasting performance. The experimental result shows that the BNNs learned by HMC algorithm have far better performance than the BNN learned by Laplace algorithm and the neural network learned BP algorithm and the BNN learned by HMC has powerful generalizing capability, it can welly solve the overfitting problem.