測(cè)控設(shè)備狀態(tài)分析輔助決策系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[其他][其他]

針對(duì)一些測(cè)控任務(wù)對(duì)各類測(cè)控?cái)?shù)據(jù)的分析利用程度較低的問(wèn)題，提出了一種綜合分析測(cè)控設(shè)備的工作狀態(tài)，并形成相關(guān)輔助決策信息的技術(shù)。并且基于“主框架+組件”的模式，設(shè)計(jì)實(shí)現(xiàn)了相應(yīng)的軟件系統(tǒng)，系統(tǒng)通過(guò)匯集測(cè)控設(shè)備上報(bào)的各類測(cè)量數(shù)據(jù)信息，對(duì)測(cè)量數(shù)據(jù)的實(shí)時(shí)性、準(zhǔn)確性、穩(wěn)定性、有效性等進(jìn)行綜合分析，形成輔助決策結(jié)論。目前該系統(tǒng)已成功應(yīng)用于實(shí)際工程，對(duì)未來(lái)測(cè)控任務(wù)的執(zhí)行具有一定的借鑒價(jià)值。

發(fā)表于：12/15/2021 9:46:00 PM

ADS-B信號(hào)干擾源自動(dòng)監(jiān)測(cè)與粗定位技術(shù)研究[其他][其他]

針對(duì)自動(dòng)廣播相關(guān)監(jiān)視(ADS-B)數(shù)據(jù)鏈存中GPS信號(hào)容易受到干擾的情況，提出了一種自動(dòng)監(jiān)測(cè)和粗定位方法來(lái)確定GPS信號(hào)干擾源。該技術(shù)處理方法在不改變現(xiàn)有ADS-B系統(tǒng)的基礎(chǔ)上，只是對(duì)系統(tǒng)軟件功能進(jìn)行擴(kuò)展，利用ADS-B地面站接收的目標(biāo)數(shù)據(jù)，實(shí)時(shí)跟蹤每個(gè)目標(biāo)的運(yùn)動(dòng)軌跡，制定跟蹤規(guī)則和算法，開展GPS信號(hào)干擾分析，準(zhǔn)確獲取GPS信號(hào)丟失和恢復(fù)的時(shí)間、經(jīng)緯度、高度等數(shù)據(jù)，并與飛機(jī)的飛行軌跡進(jìn)行對(duì)比分析，同時(shí)將分析數(shù)據(jù)展現(xiàn)在電子地圖上，通過(guò)飛行大數(shù)據(jù)分析降低GPS信號(hào)干擾排查成本，提升人工排查GPS信號(hào)干擾源的效率，減少民航飛行安全隱患。

發(fā)表于：12/15/2021 9:41:18 PM

通用指揮顯示數(shù)據(jù)引擎架構(gòu)及應(yīng)用設(shè)計(jì)[其他][其他]

航天發(fā)射場(chǎng)指揮顯示不僅涉及各大系統(tǒng)的多種方式、多類協(xié)議的數(shù)據(jù)接入，還存在不同參試系統(tǒng)型號(hào)以及臨時(shí)新增參數(shù)帶來(lái)的參數(shù)內(nèi)容、協(xié)議字段調(diào)整的問(wèn)題。如何在不更改現(xiàn)有平臺(tái)軟件代碼的情況下完成各類接口參數(shù)的接收、傳輸、處理與存儲(chǔ)是指顯數(shù)據(jù)引擎架構(gòu)設(shè)計(jì)的重點(diǎn)。針對(duì)上述情況，提出了一種面向試驗(yàn)任務(wù)指揮顯示的通用數(shù)據(jù)引擎架構(gòu)。該架構(gòu)基于“平臺(tái)+組件”的設(shè)計(jì)思想，通過(guò)數(shù)據(jù)接入、解析、存儲(chǔ)組件化，從而實(shí)現(xiàn)通過(guò)配置，靈活完成指顯系統(tǒng)與內(nèi)外部系統(tǒng)的信息交換，并支持集中式、分布式、混合式多種指顯數(shù)據(jù)接入分發(fā)應(yīng)用模式。

發(fā)表于：12/15/2021 9:37:56 PM

基于ARM和深度學(xué)習(xí)的智能行人預(yù)警系統(tǒng)[其他][其他]

針對(duì)行人交通安全問(wèn)題，開發(fā)行人檢測(cè)系統(tǒng)以提醒行人和司機(jī)危險(xiǎn)的發(fā)生。對(duì)目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析和對(duì)比實(shí)驗(yàn)，選取以darknet為網(wǎng)絡(luò)框架的YOLO-fastest模型進(jìn)行改進(jìn)優(yōu)化并采用分類并標(biāo)簽的實(shí)時(shí)交通數(shù)據(jù)進(jìn)行訓(xùn)練，最終將訓(xùn)練模型部署至開發(fā)板完成實(shí)時(shí)性檢測(cè)并能夠根據(jù)車輛速度反饋給行人危險(xiǎn)信號(hào)。實(shí)驗(yàn)結(jié)果表明YOLO-fastest模型的平均檢測(cè)精度為96.1%，檢測(cè)速度為33 f/s，模型大小為1.2 MB，既滿足檢測(cè)精度又滿足檢測(cè)速度的要求，能夠完成對(duì)真實(shí)交通場(chǎng)景下的實(shí)時(shí)性檢測(cè)。

發(fā)表于：12/15/2021 9:31:00 PM

基于混合表征學(xué)習(xí)的專利分類方法研究[其他][其他]

專利分類是專利分析的基本任務(wù)，而基于深度學(xué)習(xí)的自動(dòng)化專利分類方法可以有效地執(zhí)行專利分類任務(wù)?，F(xiàn)有研究大多利用自然語(yǔ)言處理方法，基于單個(gè)專利的文本內(nèi)容(如摘要和標(biāo)題)對(duì)專利文本進(jìn)行分類，而專利及標(biāo)簽之間的宏觀關(guān)系(如專利之間的引用和標(biāo)簽之間的共現(xiàn))在很大程度上被忽略。為了緩解專利分類中單一專利信息的問(wèn)題，構(gòu)建了三個(gè)圖網(wǎng)絡(luò)表示專利及其標(biāo)簽之間的宏觀關(guān)系，然后提出一個(gè)基于混合表征學(xué)習(xí)的專利分類框架，將專利及標(biāo)簽的宏觀關(guān)系融入分類中，以提高專利的自動(dòng)化分類的準(zhǔn)確性。在真實(shí)的專利數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，該分類方法在多個(gè)評(píng)價(jià)指標(biāo)上取得了最佳的性能。

發(fā)表于：12/15/2021 9:27:45 PM

基于YOLOV5的藥品表面缺陷實(shí)時(shí)檢測(cè)方法[其他][其他]

藥品在實(shí)際生產(chǎn)過(guò)程中總會(huì)伴隨著異物、缺粒、藥體破損等表面缺陷，這些缺陷輕則影響產(chǎn)品使用效果,重則會(huì)在使用過(guò)程中產(chǎn)生巨大事故造成生命財(cái)產(chǎn)損失。針對(duì)深度學(xué)習(xí)模型在實(shí)際工業(yè)產(chǎn)品表面缺陷檢測(cè)中缺陷樣本少以及細(xì)小缺陷檢測(cè)精度低的應(yīng)用問(wèn)題，將目前主流的目標(biāo)檢測(cè)算法之一——YOLOV5應(yīng)用于藥品檢測(cè)場(chǎng)景，提出了一種精度高、所需標(biāo)注樣本少、檢測(cè)速度快的one-stage實(shí)時(shí)缺陷檢測(cè)系統(tǒng)——RDD_YOLOV5(Real-time Defects Detection_YOLOV5)。利用原始圖像初級(jí)特征進(jìn)行數(shù)據(jù)增強(qiáng)，結(jié)合注意力機(jī)制與多尺度特征融合，增加骨干網(wǎng)絡(luò)提取跨通道語(yǔ)義信息能力，充分融合高層語(yǔ)義信息與底層細(xì)粒度信息以提升模型在小缺陷檢測(cè)方面的識(shí)別效果，在有限的樣本條件下達(dá)到較高的準(zhǔn)確率。該方法檢測(cè)效果達(dá)到了96.6%mAP，32 FPS。

發(fā)表于：12/15/2021 9:24:14 PM

基于LUT的多目機(jī)場(chǎng)視頻實(shí)時(shí)拼接算法設(shè)計(jì)與實(shí)現(xiàn)[其他][其他]

針對(duì)機(jī)場(chǎng)中多路實(shí)時(shí)視頻信號(hào)的情況，開展了8路視頻實(shí)時(shí)全景拼接的算法研究工作，基本完成了8路視頻實(shí)時(shí)全景拼接算法的設(shè)計(jì)與實(shí)現(xiàn)。首先，借助現(xiàn)有全景圖片合成軟件，完成了圖像配準(zhǔn)，即找出每路視頻圖像到全景圖的像素坐標(biāo)映射關(guān)系；完成圖像配準(zhǔn)之后，根據(jù)像素坐標(biāo)映射關(guān)系建立查找表，利用查找表，同時(shí)使用OpenMP多核并行加速，完成視頻每一幀的實(shí)時(shí)拼接。相鄰兩路視頻之間的重疊區(qū)域使用線性融合的方法進(jìn)行融合。實(shí)驗(yàn)結(jié)果表明，該研究方法可完成8路960×540分辨率視頻的實(shí)時(shí)全景拼接，得到無(wú)明顯畸變?nèi)爱嬅妗?/a>

基于改進(jìn)麻雀算法的工控入侵檢測(cè)方法[其他][其他]

為了解決如何選取最為有效的工控入侵?jǐn)?shù)據(jù)特征集，從而提高入侵檢測(cè)性能的問(wèn)題，提出了一種基于改進(jìn)麻雀搜索算法(Improved Sparrow Search Algorithm，ISSA)和孿生支持向量機(jī)(Twin Support Vector Machine，TWSVM)的新型工控入侵檢測(cè)方法(ISSA-TWSVM)。ISSA采用立方混沌映射初始化種群并引入動(dòng)態(tài)慣性權(quán)重，融合對(duì)位差分進(jìn)化策略與柯西變異算子，對(duì)當(dāng)前最優(yōu)解進(jìn)行交叉變異，從而增強(qiáng)麻雀算法全局搜索和跳出局部最優(yōu)的能力，并在基準(zhǔn)測(cè)試函數(shù)上證明了ISSA的優(yōu)秀性能。之后基于ISSA對(duì)工控特征子集尋優(yōu)后，約簡(jiǎn)數(shù)據(jù)特征，利用TWSVM對(duì)工控?cái)?shù)據(jù)進(jìn)行二分類判別。在MSU公布的工控網(wǎng)絡(luò)標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，ISSA-TWSVM可以快速提取出最優(yōu)特征子集，極大地提高算法檢測(cè)性能。

發(fā)表于：12/15/2021 9:14:00 PM

基于加權(quán)判別隨機(jī)鄰域嵌入的故障特征提取算法[其他][數(shù)據(jù)中心]

針對(duì)大數(shù)據(jù)維數(shù)高、非線性強(qiáng)、噪聲敏感、故障特征信息冗余、部分歷史數(shù)據(jù)類別標(biāo)記信息可獲取等特點(diǎn)，對(duì)適用于非線性數(shù)據(jù)的t-SNE無(wú)監(jiān)督流形學(xué)習(xí)方法進(jìn)行改進(jìn)，提出一種基于加權(quán)判別隨機(jī)鄰域嵌入的故障特征提取算法。在原始高維空間和相應(yīng)的低維子空間定義包含類別信息的數(shù)據(jù)相似度，使用Manhattan距離作為度量方式以增大數(shù)據(jù)相對(duì)距離差，基于距離遠(yuǎn)近關(guān)系進(jìn)行相似度加權(quán)，由此充分利用類別標(biāo)記約束指導(dǎo)降維，使得類間更分散而類內(nèi)更緊湊。結(jié)合KNN方法的UCI仿真數(shù)據(jù)集分類實(shí)驗(yàn)與KDD99網(wǎng)絡(luò)故障診斷實(shí)驗(yàn)，表明該改進(jìn)故障特征提取算法能夠?qū)崿F(xiàn)更有效的故障診斷。

發(fā)表于：12/15/2021 9:08:00 PM

國(guó)家治理現(xiàn)代化視域下我國(guó)網(wǎng)絡(luò)信息安全問(wèn)責(zé)機(jī)制研究[通信與網(wǎng)絡(luò)][信息安全]

網(wǎng)絡(luò)信息安全問(wèn)責(zé)機(jī)制建設(shè)是國(guó)家治理體系和治理能力現(xiàn)代化進(jìn)程在網(wǎng)絡(luò)信息安全治理領(lǐng)域的重要一環(huán)。在網(wǎng)絡(luò)信息安全已上升為國(guó)家戰(zhàn)略的背景下，針對(duì)國(guó)內(nèi)外嚴(yán)峻復(fù)雜的網(wǎng)絡(luò)空間環(huán)境與形勢(shì)，提出構(gòu)建和發(fā)展現(xiàn)代化的網(wǎng)絡(luò)信息安全問(wèn)責(zé)機(jī)制。通過(guò)結(jié)構(gòu)功能分析和歸納分析，以國(guó)家治理現(xiàn)代化為視角深入解析機(jī)制的運(yùn)行內(nèi)核及其現(xiàn)存困境，最后提出優(yōu)化我國(guó)網(wǎng)絡(luò)信息安全問(wèn)責(zé)機(jī)制的思路和建議。

發(fā)表于：12/15/2021 9:03:00 PM