国产精品高潮呻吟久久av野狼 ,国产精品亚洲一区,中文字幕一区二区精品区

突發(fā)通信快速定時恢復(fù)設(shè)計與實現(xiàn)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

采用反饋結(jié)構(gòu)定時恢復(fù)的數(shù)字接收機環(huán)路鎖定時間存在不確定性，無法滿足突發(fā)通信快速同步的需求。為快速獲取定時誤差，同時兼顧實現(xiàn)的復(fù)雜度和資源，提出了一種2倍采樣下前饋結(jié)構(gòu)的定時恢復(fù)方法。首先，根據(jù)同步段檢測的相關(guān)峰值，利用拋物線估計得到定時誤差；然后，通過四點分段拋物線插值將采樣數(shù)據(jù)進行重構(gòu)，恢復(fù)出定時同步的數(shù)據(jù)；最后，采用現(xiàn)場可編程門陣列硬件平臺對該方法進行了實現(xiàn)及驗證。實驗結(jié)果表明，該方法計算量小、實現(xiàn)復(fù)雜度低，誤碼率在10-5時較理想采樣仿真性能只損失0.05 dB，實現(xiàn)性能損失在0.2 dB以內(nèi)。

發(fā)表于：6/18/2025 5:11:05 PM

基于廣義Matern硬核點過程的兩層異構(gòu)蜂窩網(wǎng)絡(luò)的性能分析[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

廣義Matern硬核點過程（Generalized Matern Hard-Core Point Process， GMHCPP）是在硬核點過程的基礎(chǔ)上通過引入競爭函數(shù)和刪減函數(shù)來限制保留概率的一種排斥點過程。針對兩層異構(gòu)蜂窩網(wǎng)絡(luò)模型中宏基站與微基站的性能進行了深入研究，獲得了該模型的覆蓋概率和平均可達速率的近似表達式。首先，基于宏基站的性能差異及其排斥性生成保留概率函數(shù)，進而，將宏基站的部署以GMHCPP建模。然后，采用蒙特卡羅模擬方法對基站分布進行仿真，并繪制出了平均干擾信號比與路徑損耗因子的關(guān)系圖，根據(jù)該函數(shù)圖，擬合得到了用泊松點過程近似時GMHCPP的增益因子表達式。最后，將增益因子代入覆蓋概率和平均可達速率公式，對兩層異構(gòu)蜂窩網(wǎng)絡(luò)模型的性能指標進行了仿真與分析。

發(fā)表于：6/18/2025 5:01:05 PM

面向多源異構(gòu)數(shù)據(jù)的知識圖譜可視化融合方法[人工智能][其他]

為解決數(shù)據(jù)冗余沖突與關(guān)聯(lián)缺失問題，研究面向多源異構(gòu)數(shù)據(jù)的知識圖譜可視化融合方法，提升數(shù)據(jù)融合的可靠性。利用網(wǎng)絡(luò)本體語言為多源異構(gòu)數(shù)據(jù)建立對應(yīng)的領(lǐng)域本體庫與全局本體庫，使得知識實體抽取和知識融合在同一框架下進行；通過長短期記憶網(wǎng)絡(luò)-條件隨機場模型，在本體庫約束下，從多源異構(gòu)數(shù)據(jù)中抽取符合領(lǐng)域定義的知識實體；利用基于層次過濾思想的知識融合模型，可視化融合抽取的知識實體，解決多源異構(gòu)數(shù)據(jù)中冗余信息和不一致性問題，形成準確、完整、可靠的多源異構(gòu)數(shù)據(jù)可視化融合知識圖譜，有助于發(fā)現(xiàn)潛在的數(shù)據(jù)關(guān)聯(lián)，補全數(shù)據(jù)關(guān)聯(lián)缺失。實驗結(jié)果表明：隨著數(shù)據(jù)缺失比例的提升，尺度系數(shù)與屬性覆蓋度均開始下降，最低尺度系數(shù)與屬性覆蓋度是0.86與0.87，均顯著高于對應(yīng)的閾值；所提方法在處理四個數(shù)據(jù)源時，視覺清晰度達93%~97%，信息融合度達92%~96%，均優(yōu)于對比方法。說明該方法可有效抽取多源異構(gòu)數(shù)據(jù)知識實體，建立知識圖譜，實現(xiàn)多源異構(gòu)數(shù)據(jù)可視化融合；在不同數(shù)據(jù)缺失比例下，該方法多源異構(gòu)數(shù)據(jù)可視化融合的尺度系數(shù)與屬性覆蓋度均較大，即數(shù)據(jù)可視化融合效果較優(yōu)；同時有效提升了數(shù)據(jù)可視化效果和信息整合程度。

發(fā)表于：6/18/2025 4:50:05 PM

復(fù)雜景觀圖像的語義多狀態(tài)圖像風(fēng)格遷移[人工智能][其他]

復(fù)雜景觀圖像包含具有不同特征的各種對象，傳統(tǒng)的風(fēng)格遷移方法無法在同一圖像中對不同對象進行局部風(fēng)格遷移。CycleGAN可以通過偽監(jiān)督策略在沒有配對樣本的情況下實現(xiàn)風(fēng)格遷移。但是CycleGAN無法實現(xiàn)對復(fù)雜風(fēng)景圖像中不同類別對象的風(fēng)格遷移；同時CycleGAN在復(fù)雜場景中的泛化能力不足且復(fù)雜度高。因此，提出了一種基于語義類別的復(fù)雜風(fēng)景多狀態(tài)圖像生成方法，即語義類別風(fēng)格遷移（Semantic Category Style Transfer，SCST），能夠有效地結(jié)合局部特征實現(xiàn)復(fù)雜風(fēng)景的圖像生成。同時提出了上下文感知的風(fēng)格遷移模型GCycleGAN。實驗結(jié)果表明本文提出的GCycleGAN的性能優(yōu)于CycleGAN、DualGAN和Munit等基于深度學(xué)習(xí)的圖像生成模型。

發(fā)表于：6/18/2025 3:21:05 PM

基于特征選擇和優(yōu)化CNN-BiLSTM-Attention對SF6斷路器漏氣故障診斷[人工智能][智能電網(wǎng)]

SF6（六氟化硫）斷路器是保障電網(wǎng)穩(wěn)定運行的重要設(shè)備，但其在長期使用中容易發(fā)生漏氣問題，既影響設(shè)備性能，又威脅電網(wǎng)的安全性。為精準診斷SF6斷路器的漏氣故障，提出了一種基于Gini指數(shù)特征選擇和貝葉斯優(yōu)化（Bayesian Optimization， BO）的CNN-BiLSTM-Attention組合模型。首先，針對影響SF6斷路器漏氣的內(nèi)外部因素，進行特征映射與重要性分析，并采用KMeans-SMOTE技術(shù)解決數(shù)據(jù)分布不均的問題。其次，利用基于Gini指數(shù)的方法篩選關(guān)鍵特征，并通過貝葉斯優(yōu)化精調(diào)CNN-BiLSTM-Attention模型的超參數(shù)以提升分類性能。實驗結(jié)果表明，設(shè)備缺陷、運行年限、運維水平、天氣和溫度是導(dǎo)致漏氣的主要因素。與其他模型相比，所提方法在漏氣故障的0/1分類任務(wù)中展現(xiàn)出更高的分類精度和魯棒性。研究不僅驗證了方法的有效性，還揭示了引發(fā)SF6斷路器漏氣的關(guān)鍵因素，為設(shè)備巡檢和運維管理提供了科學(xué)支持，進一步提升了電網(wǎng)運行的安全性與可靠性。

發(fā)表于：6/18/2025 3:11:05 PM

電力系統(tǒng)較大波動數(shù)據(jù)條目自適應(yīng)檢索方法研究[模擬設(shè)計][智能電網(wǎng)]

針對電力系統(tǒng)數(shù)據(jù)具有復(fù)雜性、多樣性特點，導(dǎo)致檢索難度過高的問題，設(shè)計了電力系統(tǒng)較大波動數(shù)據(jù)條目自適應(yīng)檢索方法。依據(jù)電力系統(tǒng)出力變化率，選取二分量一維混合高斯模型，構(gòu)建電力系統(tǒng)波動概率分布模型。對比概率分布模型模擬的電力系統(tǒng)波動數(shù)據(jù)與量測數(shù)據(jù)，依據(jù)判定閾值辨識電力系統(tǒng)較大波動數(shù)據(jù)條目，構(gòu)建數(shù)據(jù)條目檢索庫。利用哈希函數(shù)獲取檢索庫內(nèi)較大波動數(shù)據(jù)條目的哈希特征，生成二值碼。較大波動數(shù)據(jù)條目檢索時，生成用戶檢索詞的二值編碼，計算檢索詞二值碼與檢索庫內(nèi)條目二值碼的漢明距離，并對其加權(quán)處理，利用加權(quán)漢明距離排序數(shù)據(jù)條目，獲取較大波動數(shù)據(jù)條目的自適應(yīng)檢索結(jié)果。實驗結(jié)果表明，該方法能夠依據(jù)用戶輸入的檢索詞，自適應(yīng)檢索電力系統(tǒng)較大波動數(shù)據(jù)條目，檢索結(jié)果的歸一化折損累積增益均高于0.9，檢索時間低于500 ms。

發(fā)表于：6/18/2025 3:01:05 PM

基于機器閱讀理解的電力安全命名實體識別方法[模擬設(shè)計][智能電網(wǎng)]

為解決現(xiàn)有命名實體識別方法在電力安全規(guī)程等領(lǐng)域文本中識別效果不佳的問題，提出了一種基于機器閱讀理解的電力安全命名實體識別方法。首先，使用預(yù)訓(xùn)練模型對待識別文本進行編碼處理得到文本向量表示。其次，利用層次化注意力機制捕捉嵌套實體間的層次關(guān)系，重新分配文本序列的注意力權(quán)重；在此基礎(chǔ)上，利用分類器預(yù)測文本中實體范圍，得到最終實體識別結(jié)果。將該方法在ACE 2005與OntoNotes 4.0公開數(shù)據(jù)集上進行驗證，對比主流方法其取得最優(yōu)的識別效果，在電力安全領(lǐng)域?qū)嶓w識別場景下，該方法可達到89.3%的識別準確率，實現(xiàn)電力安全領(lǐng)域命名實體的精準識別。

發(fā)表于：6/18/2025 2:50:05 PM

數(shù)據(jù)驅(qū)動的商業(yè)負荷集群動態(tài)聚合研究[模擬設(shè)計][智能電網(wǎng)]

商業(yè)負荷集群的動態(tài)聚合對提高電網(wǎng)的調(diào)度靈活性、優(yōu)化需求側(cè)管理以及促進可再生能源消納具有重要意義。基于典型相關(guān)分析（CCA）選取商業(yè)負荷特征，并結(jié)合DBSCAN 和 K-means等聚類算法對負荷進行分類，以構(gòu)建適用于不同場景的負荷集群。進一步，提出了三種負荷聚合標準，即基于調(diào)節(jié)速度、負荷穩(wěn)定性和經(jīng)濟性的標準，并分析不同標準下的商業(yè)負荷聚合特性、適用性及其在電力調(diào)度中的潛在應(yīng)用。

發(fā)表于：6/18/2025 2:39:00 PM

面向電氣設(shè)施火災(zāi)早期檢測的多模態(tài)融合模型[模擬設(shè)計][安防電子]

高層建筑電氣火災(zāi)難以預(yù)測，危害程度大。為此，提出了一種面向高層建筑電氣火災(zāi)早期檢測的多模態(tài)數(shù)據(jù)融合模型，該模型融合了溫度、CO氣體濃度與煙霧三種不同模態(tài)傳感器的數(shù)據(jù)，利用了各模態(tài)間的互補優(yōu)勢。首先使用gMLP捕捉三種模態(tài)數(shù)據(jù)的內(nèi)在模式，完成特征提取。然后利用基于多頭注意力的融合方法，融合不同模態(tài)數(shù)據(jù)間的有效信息，完成特征融合，并識別出存在火情隱患的電氣設(shè)施。通過在無隱患與不同電氣設(shè)施存在火情隱患情況下的多模態(tài)數(shù)據(jù)集上進行實驗，證明了多模態(tài)數(shù)據(jù)融合模型的早期預(yù)測具有較高的準確率，表明了融合方法的優(yōu)越性。

發(fā)表于：6/18/2025 2:27:03 PM

AirGAN：空調(diào)機理模型增強生成對抗模型[模擬設(shè)計][智能電網(wǎng)]

為引導(dǎo)資源龐大、調(diào)控靈活的空調(diào)負荷參與需求響應(yīng)實現(xiàn)“源荷互動”，保障電網(wǎng)的安全經(jīng)濟運行，各大研究單位開展了樓宇空調(diào)需求響應(yīng)實時控制仿真與實踐研究。然而，如何準確地估算空調(diào)的負荷，并對空調(diào)負荷進行預(yù)測是目前面臨的重要挑戰(zhàn)。當(dāng)前主流方法包括模型驅(qū)動型、數(shù)據(jù)驅(qū)動型兩種方法體系。其中模型驅(qū)動型依賴對空調(diào)負荷的建模，難以實現(xiàn)對空調(diào)負荷復(fù)雜變化的模擬。數(shù)據(jù)驅(qū)動則是依賴大量數(shù)據(jù)進行模型訓(xùn)練，但難以覆蓋空調(diào)負荷的各類特點。為此，擬從模型驅(qū)動及數(shù)據(jù)驅(qū)動相結(jié)合的角度進行空調(diào)負荷的智能擬合，以提升空調(diào)負荷生成預(yù)測的準確性和適應(yīng)性。提出了一種基于機制模型與生成對抗網(wǎng)絡(luò)（GAN）相結(jié)合的負荷生成方法和模型AirGAN。該方法通過GAN生成器生成的虛擬數(shù)據(jù)，持續(xù)調(diào)整物理模型的超參數(shù)，以使其更好地符合實際空調(diào)負荷特性。同時，采用GAN判別器對機制模型預(yù)測的負荷進行判別，以此訓(xùn)練機制模型，從而提升其預(yù)測精度。

發(fā)表于：6/18/2025 2:14:00 PM