基于故障暂态电流的无通信保护研究

对故障电流信号噪声的频谱特性进行仿真研究表明，窄频带的高频信号不易很好的表故障高频暂态分量的特征，利用多分辨分析和小分解快速算法对故障暂态电流进行分析，可以充分反映故障暂态电流不同频率成分的特点，以此构成的暂态电流保护递推新判据，可以准确区分区内，区外故障。EMTP仿真证明了新方案的有效性。     

一种基于CNN的混叠光谱解调算法及FPGA实现

为了解决光纤布拉格光栅(FBG)传感网络的光谱信号混叠问题,基于现场可编程门阵列(FPGA)提出了一种利用卷积神经网络(CNN)模型的混叠光谱信号解调算法,并对其进行硬件实现与加速。通过对模型参数进行定点数量化,压缩网络模型的存储空间,提高FPGA中DSP资源的利用率;利用循环展开和数组重排等硬件优化方法,提高了系统实时性,确定了算法的并行计算方案。研究结果表明,在100 MHz的时钟下,测试集解调精度为1.19 pm,推理速度为每帧14.96μs,光谱解调速率为60 kHz,对于FBG混叠光谱信号解调具有较高的精度和速率。     

注塑机注射速度的离散预期学习控制

针对注塑成形过程的重复运行特性,采用离散预期学习控制方法对注射阶段的针对离散化后的注塑机注射速度模型,根据收敛性条件以两步法设计预期学习控制中的两个参数--超前步长与学习增益,并与连续预期学习控制作了比较.当收敛性条件不能在整个频段内满足时,利用DFT/IDFT截断可学习频段外的频率信号,保证跟踪误差单调收敛,并在离散频域内讨论测量噪声存在及初始定位不可重置时学习算法的跟踪性能.仿真结果表明,对于给定的期望注射速度曲线,该方法能得到比P型、D型迭代学习控制(ILC)更满意的跟踪性能,且具干扰抑制能力.     

基于深度卷积神经网络算法改进

深度卷积神经网络在近年发展迅速,特别是在深度学习被提出来后。但在真实的人脸检测中,大的视觉变化,如背景,照明等,需要一种精确的判别模型来区分人脸和背景。于是,本文给出基于深度卷积网络算法的改进。     

一种适用于在FPGA中实现频域均衡的高精度FFT结构

本文简单介绍了频域均衡基本原理 ,并针对其在 FPGA中的实现提出了一种基于频率抽取算法的 FFT实现结构。此结构具体服务于 2 5 6点基二 FFT变换 ,为充分满足在FPGA中实现频域均衡的要求 ,具有占用硬件资源合理 ,计算精度高的特点     

基于卷积神经网络的遗传算法密码分析适应度函数

遗传算法是密码分析的一种有效方法。遗传算法中适应度函数至关重要,直接影响到遗传算法的收敛速度以及能否找到最优解。在基于遗传算法的密码分析中,适应度函数主要基于语言字符频率统计特征。由于n-gram的统计字符仅包括26个英语字母,当密码字符集包含特殊字符或数字时,该方法效果不佳。提出一种新的基于卷积神经网络的遗传算法适应度函数,其基于卷积神经网络用于文本分类的原理。实验证明所提出的方法对经典密码分析是一种有效的方法。     

基于结构保持的星载SAR图像超分辨重构算法

星载合成孔径雷达（SAR）可以实现全天候、全天时、大幅宽的对地观测,但受天线尺寸和数据有损传输影响,高分辨率SAR图像的获取十分困难。针对该问题,提出一个基于结构保持的图像超分辨重构网络（SP-SRNet）,以实现SAR图像从低分辨（LR）图像到高分辨（HR）图像的重构：使用一个轻量级深度卷积神经网络提取图像梯度图特征,为超分辨重构网络提供更多的结构信息;设计一个由像素损失和梯度损失组成的多目标函数优化SP-SRNet。利用ICEYE公司卫星高分辨SAR图像,采用双3次下采样算法构建SAR图像的LR-HR数据集,并在该数据集运用多种现有算法对比仿真验证。结果表明,提出的SP-SRNet在定量评估指标和主观视觉上均优于现有的超分辨重构算法。     

基于卷积神经网络的5G网络HTTP/2协议低速DoS识别方法

当前,为满足多种应用场景的各项指标需求,5G网络引入HTTP/2协议以提高网络功能数据传输速率和并发能力,然而针对HTTP/2协议的低速DoS攻击具有流量峰值低、攻击过程隐蔽等特点,严重威胁网络安全。通过分析现有低速DoS攻击原理和识别算法的不足,提出一种基于卷积神经网络的HTTP/2协议低速DoS识别方法。首先,提取HTTP/2控制帧字节级别数据构建流量特征灰度图;其次,设计具有卷积计算、池化降维和全连接dropout的卷积神经网络,并将特征灰度图输入到神经网络中训练调优;最后,将训练好的模型用于低速DoS流量识别。仿真结果表明,所提方法在分类准确性、泛化性等方面优于现有识别分类算法,为5G网络安全提供更好的防护。     

基于深度神经网络的综采工作面视频目标检测

综采工作面环境较复杂,地形狭长,多目标多设备经常出现在同一场景当中,使得目标检测难度加大。目前应用于煤矿井下的目标检测方法存在特征提取难度较大、泛化能力较差、检测目标类别较为单一等问题,且主要应用于巷道、井底车场等较为空旷场景,较少应用于综采工作面场景。针对上述问题,提出了一种基于深度神经网络的综采工作面视频目标检测方法。首先,针对综采工作面环境复杂多变、光照不均、煤尘大等不利条件,针对性挑选包含各角度、各环境条件下的综采工作面关键设备和人员的监控视频,并进行剪辑、删选,制作尽可能涵盖工作面现场各类场景的目标检测数据集。然后,通过对YOLOv4模型进行轻量化改进,构建了LiYOLO目标检测模型。该模型利用CSPDarknet、SPP、PANet等加强特征提取模块对视频特征进行充分提取,使用6分类YoloHead进行目标检测,对综采工作面环境动态变化、煤尘干扰等具有较好的鲁棒性。最后,将LiYOLO目标检测模型部署到综采工作面,应用Gstreamer对视频流进行管理,同时使用TensorRT对模型进行推理加速,实现了多路视频流的实时检测。与YOLOv3、YOLOv4模型相比,LiYOLO...