基于直流电流动态上升的高压直流输电系统换相失败分析

针对现有换相失败分析方法未考虑交流系统故障后直流电流动态上升对关断角影响的问题,在分析直流电流变化对关断角影响的基础上,首先推导了对称故障下未考虑直流电流变化以及考虑直流电流瞬时变化的换相失败分析方法。分析结果表明,当逆变侧换流母线电压跌落在一定区间内,以上2种方法会导致换相失败判别结果不准确。为此考虑交流系统故障后直流线路和直流控制的动态过程,推导了直流电流的时域表达式,通过求解直流电流最大值,提出了一种考虑直流电流动态上升的换相失败分析方法。最后基于PSCAD/EMTDC仿真平台验证了所提方法的有效性以及对高压直流输电系统换相失败判别结果的正确性。     

一种加密域鲁棒图像哈希算法

随着云计算的发展,越来越多的多媒体数据存储在云端,出于安全需要,往往需要对其加密后再上传至云端进行存储或运算等操作.针对加密图像,在不具备图像明文内容的情况下,为了认证图像内容的完整性和真实性,提出了一种基于Paillier同态加密的鲁棒图像哈希算法.该算法主要由3个部分构成:图像所有者端图像加密,云服务器端密文图像哈希计算以及接收者端明文图像哈希生成.具体地,图像所有者对图像进行Paillier加密,并将加密图像上传至云服务器,由云服务器利用Paillier密码系统的运算法则执行加密域DCT与Watson人眼视觉特征等的计算,并利用密钥控制的伪随机矩阵增加哈希的随机性,接收者解密并分析接收到的密文哈希,生成明文图像哈希.实验结果表明,所提算法在鲁棒性、唯一性和安全性上具有较理想的性能.     

选择并融合粗细粒度特征的细粒度图像识别

目的 在细粒度图像识别任务中,类内图像姿势方差大,需要找到类内变化小的共性,决定该任务依赖于鉴别性局部的细粒度特征;类间图像局部差异小,需要找到类间更全面的不同,决定该任务还需要多样性局部的粗粒度特征。现有方法主要关注粗细粒度下的局部定位,没有考虑如何选择粗细粒度的特征及如何融合不同粒度的特征。为此,提出一种选择并融合粗细粒度特征的细粒度图像识别方法。方法 设计一个细粒度特征选择模块,通过空间选择和通道选择来突出局部的细粒度鉴别性特征;构建一个粗粒度特征选择模块,基于细粒度模块选择后的局部,挖掘各局部间的语义和位置关系,从而获得为细粒度局部提供补充信息的粗粒度多样性特征;融合这两个模块中提取到的细粒度特征和粗粒度特征,形成互补的粗细粒度表示,以提高细粒度图像识别方法的准确性。结果 在CUB-200-2011（caltech-UCSD birds-200-2011）、Stanford Cars和FGVC-Aircraft（fine-grained visual classification aircraft） 3个公开的标准数据集上进行广泛实验,结果表明,所提方法的识别准确率分别达到90.3%、95.6%和94.8%,明显优于目前主流的细粒度图像识别方法,相较于对比方法中的最好结果,准确率相对提升0.7%、0.5%和1.4%。结论 提出的方法能够提取粗粒度和细粒度两种类型的视觉特征,同时保证特征的鉴别性和多样性,使细粒度图像识别的结果更加精准。     

孪生网络框架下融合显著性和干扰在线学习的航拍目标跟踪算法

针对一般跟踪算法不能很好地解决航拍视频下目标分辨率低、视场大、视角变化多等特殊难点,该文提出一种融合目标显著性和在线学习干扰因子的无人机(UAV)跟踪算法.通用模型预训练的深层特征无法有效地识别航拍目标,该文跟踪算法能根据反向传播梯度识别每个卷积滤波器的重要性来更好地选择目标显著性特征,以此凸显航拍目标特性.另外充分利用连续视频丰富的上下文信息,通过引导目标外观模型与当前帧尽可能相似地来在线学习动态目标的干扰因子,从而实现可靠的自适应匹配跟踪.实验证明:该算法在跟踪难点更多的UAV123数据集上跟踪成功率和准确率分别比孪生网络基准算法高5.3%和3.6%,同时速度达到平均28.7帧/s,基本满足航拍目标跟踪准确性和实时性需求.     

基于Fisher块对角LNMF的彩色人脸识别

为提高对彩色人脸的识别率,提出一种基于Fisher块对角局部非负矩阵分解(LNMF)的识别算法。采用块对角矩阵编码彩色图像不同通道的颜色信息,在LNMF算法中增加块对角约束和Fisher判别约束,对不同通道的颜色信息同时进行计算并融入人脸的类别信息,用于提取人脸特征。在CVL和PIE彩色人脸数据库上的实验结果验证了该识别算法的有效性。     

基于ATCA平台FC Target的设计与实现

在Linux环境下,以先进的计算平台ATCA为基础,通过编写目标端接口函数,完成FC Target端的设计与实现,并详细介绍了FC Target端的读命令和写命令的处理流程.通过对比测试,验证了FC Target在ATCA环境下性能稳定,数据传输效率高.     

Energy-efficient adaptive sensor scheduling for target tracking in wireless sensor networks

Sensor scheduling is essential to collaborative target tracking in wireless sensor networks (WSNs). In the existing works for target tracking in WSNs, such as the information-driven sensor query (IDSQ), the tasking sensors are scheduled to maximize the information gain while minimizing the resource cost based on the uniform sampling intervals, ignoring the changing of the target dynamics and the specific desirable tracking goals. This paper proposes a novel energyefficient adaptive sensor scheduling approach that jointly selects tasking sensors and determines their associated sampling intervals according to the predicted tracking accuracy and tracking energy cost. At each time step, the sensors are scheduled in alternative tracking mode, namely, the fast tracking mode with smallest sampling interval or the tracking maintenance mode with larger sampling interval, according to a specified tracking error threshold. The approach employs an extended Kalman filter (EKF)-based estimation technique to predict the tracking accuracy and adopts an energy consumption model to predict the energy cost. Simulation results demonstrate that, compared to a non-adaptive sensor scheduling approach, the proposed approach can save energy cost significantly without degrading the tracking accuracy.     

实时微控制器与20-SIM仿真模型的共同仿真实现

基于单片机实时控制是嵌入式控制系统的主要部分。讨论如何在20-SIM平台上建立用户自己的目标模板。内容包括系统模型的建立、模型的结构和目标模板的调整。重点讨论模型模板结构和在具体装置中对模型模板的调整过程。最后给出一个测试实验。