基于领域本体的主题信息采集方法

基于关键词的向量空间模型是传统的专业搜索引擎中主题信息采集常用的方法,它通过考虑关键词的权重以及关键词在网页中出现的频率来采集相关的网页。而基于本体的主题信息采集方法,它反映的不再是简单的词条出现频率,而是强化了网页中词条间的语义关系,从而克服了使用传统向量空间时产生的多义词、同义词和单词依赖等现象。通过实验,比较了提出的方法与基于关键词方法的实验数据,进一步说明了方法的可行性。     

EPA组态软件工程管理模块的设计与实现

在EPA组态软件的设计中,工程管理模块贯穿着整个软件的运行。针对EPA网络的特点,将在线的EPA设备作为一个EPA工程,并通过该工程管理设备的运行状态。实验结果表明,该设计方法能有效地控制现场的EPA设备。     

TPM的两个主要密码授权协议的安全性分析与改进

可信计算的主要功能是由可信平台模块(TPM)完成的.对象无关授权协议(0IAP)、特定对象授权协议(OSAP)是TPM在可信计算平台中运行的基础,确保这些协议的安全运行是极为重要的.本文对这两个授权协议进行了逻辑描述并对其安全性进行了分析,针对协议的安全隐患提出了相应的改进方法.     

Novel Lyapunov-based rapid and ripple-free MPPT using a robust model reference adaptive controller for solar PV system

The technological, economic, and environmental benefits of photovoltaic (PV) systems have led to their widespread adoption in recent years as a source of electricity generation. However, precisely identifying a PV system''s maximum power point (MPP) under normal and shaded weather conditions is crucial to conserving the maximum generated power. One of the biggest concerns with a PV system is the existence of partial shading, which produces multiple peaks in the P–V characteristic curve. In these circumstances, classical maximum power point tracking (MPPT) approaches are prone to getting stuck on local peaks and failing to follow the global maximum power point (GMPP). To overcome such obstacles, a new Lyapunov-based Robust Model Reference Adaptive Controller (LRMRAC) is designed and implemented to reach GMPP rapidly and ripple-free. The proposed controller also achieves MPP accurately under slow, abrupt and rapid changes in radiation, temperature and load profile. Simulation and OPAL-RT real-time simulators in various scenarios are performed to verify the superiority of the proposed approach over the other state-of-the-art methods, i.e., ANFIS, INC, VSPO, and P&O. MPP and GMPP are accomplished in less than 3.8 ms and 10 ms, respectively. Based on the results presented, the LRMRAC controller appears to be a promising technique for MPPT in a PV system.     

基于改进YOLOv7的小目标检测

目前的目标检测技术已趋于成熟,但小目标检测仍是研究的难点。针对目标检测过程中小目标检测更容易出现漏检等问题,提出一种改进的YOLOv7目标检测模型。结合特征分离合并思想,对YOLOv7网络模型中的MPConv模块进行改进,以减少网络特征处理过程造成的特征损失,并通过实验确定放置改进MPConv模块的最佳位置。由于小目标检测过程中容易出现漏检的现象,利用ACmix注意力模块提高网络对小尺度目标的敏感度,降低噪声所带来的影响。在此基础上,使用SIoU替换原YOLOv7网络模型中的CIoU来优化损失函数,减少损失函数自由度,提高网络鲁棒性。在Okahublot公开的FloW-Img子数据集上进行实验,结果表明,对于数据集中的密集、小目标和超小目标三种情况的图片,改进后的YOLOv7网络模型相比原网络,漏检情况得到明显改善,且mAP达到71.1%,相比基线YOLOv7网络模型提升了4个百分点,检测效果优于原网络模型与传统经典目标检测网络模型。     

Maximum Power Extraction Control Algorithm for Hybrid Renewable Energy System

In this research, a modified fractional order proportional integral derivate (FOPID) control method is proposed for the photovoltaic (PV) and thermoelectric generator (TEG) combined hybrid renewable energy system. The faster tracking and steady-state output are aimed at the suggested maximum power point tracking (MPPT) control technique. The derivative order number (µ) value in the improved FOPID (also known as PI^λD^µ) control structure will be dynamically updated utilizing the value of change in PV array voltage output. During the transient, the value of µ is changeable; it’s one at the start and after reaching the maximum power point (MPP), allowing for strong tracking characteristics. TEG will use the freely available waste thermal energy created surrounding the PV array for additional power generation, increasing the system’s energy conversion efficiency. A high-gain DC-DC converter circuit is included in the system to maintain a high amplitude DC input voltage to the inverter circuit. The proposed approach’s performance was investigated using an extensive MATLAB software simulation and validated by comparing findings with the perturbation and observation (P&O) type MPPT control method. The study results demonstrate that the FOPID controller-based MPPT control outperforms the P&O method in harvesting the maximum power achievable from the PV-TEG hybrid source. There is also a better control action and a faster response.     

针对新学习策略的弱小目标检测方法

基于深度卷积神经网络的目标检测在应用中展现出了良好的性能,然而,将其应用于弱小目标检测上依然性能欠佳。本文提出一种有效的弱小目标检测方法,使用改进的特征提取方法,利用尺度匹配策略选取合适的尺度进行小目标检测。同时在神经网络中设计自适应的融合模块,通过融合特征与接收域以增强目标环境特征。提出的方法在检测速度和精度上都具备良好的性能。有效解决了一般的框策略无法准确获取小目标的问题,新的策略使用自适应参数确定检测框。实验结果表明,提出的方法在视频数据中能够有效检测弱小目标,优于其它先进的目标检测方法。     

基于生成对抗网络的文本生成图像算法

文本生成图像算法对生成图像的质量和文本匹配度有很高的要求. 为了提高生成图像的清晰度, 在现有算法的基础上改进生成对抗网络模型. 加入动态记忆网络、细节校正模块(DCM)、文本图像仿射组合模块(ACM)来提高生成图片的质量. 其中动态记忆网络可以细化模糊图像并选择重要的文本信息存储, 以提高下一阶段生成图像的质量. DCM纠正细节, 完成合成图像中缺失部分. ACM编码原始图像特征, 重建与文本描述无关的部分. 改进后的模型实现了两个目标, 一是根据给定文本生成高质量的图片, 同时保留与文本无关的内容. 二是使生成图像不再较大程度依赖于初始图像的生成质量. 通过在CUB-200-2011鸟类数据集进行研究实验, 结果表明相较之前的算法模型, FID (Frechet inception)有了显著的改善, 结果由16.09变为10.40. 证明了算法的可行性和先进性.     

融合MAML和CBAM的安卓恶意应用家族分类模型

为满足对新兴安卓恶意应用家族的快速检测需求,提出一种融合MAML(model-agnostic meta-learning)和CBAM(convolutional block attention module)的安卓恶意应用家族分类模型MAML-CAS。将安卓恶意应用样本集中的DEX文件可视化为灰度图,并构建任务集;融合混合域注意力机制CBAM,设计两个具有同等结构的卷积神经网络,分别作为基学习器和元学习器,这两个学习器在自动提取任务集中样本特征的同时,可从通道和空间两个维度来增强关键特征表达;利用元学习方法 MAML对两个学习器进行训练,其中基学习器完成特定恶意家族分类任务的属性学习,元学习器则学习不同任务的共性;在两个学习器训练完成后,MAML-CAS将获得初始化参数,在面对新的安卓恶意应用家族分类任务时,不需要重新训练,只需要少量样本就可以快速迭代;利用训练完成的基学习器提取安卓恶意应用家族特征,并利用SVM进行恶意家族分类。实验结果表明,MAML-CAS模型对新兴小样本安卓恶意应用家族具有良好的检测效果,检测速度较快,并具有较好的稳定性。     

基于傅里叶级数解析热扩散角的功率模块热阻抗物理模型

绝缘栅双极型晶体管功率模块失效主要由温度因素诱发。为提高功率模块可靠性,RC热阻抗模型被提出用于实时预测芯片结温。随着功率密度的提高,模块横向扩散愈发明显,多芯片热耦合效应愈加突出,导致传统RC模型会引入较大误差。文中针对RC模型精准度不足进行改进,揭示热扩散角取决于热流密度的物理内涵,结合多层封装结构下的傅里叶级数解析热流模型,建立一维RC热网络与三维热流物理场的本质联系,构造计及多芯片热路耦合的扩散角热网络,较为准确地描述多芯片结温动态特性,揭示热扩散与热耦合效应对芯片温度场形成的规律。与其他传统热扩散角模型相比,所提出方法的结温计算结果准确度最高。最后以型号SEMi X603GB12E4p模块为例,针对提出的物理模型进行验证,仿真与实验结果均表明,该模型能够表征不同工况条件下功率模块的热过程,验证了所提建模方法的有效性与准确性,误差小于4%,且验证了所提模型较不计及热耦合模型精度提高了16.72%。