中文字幕日本不卡,天堂资源中文在线,av福利在线播放

ßFA：一種基于向量指令集的高性能數(shù)據(jù)處理算法[模擬設(shè)計][其他]

正則表達式匹配技術(shù)在數(shù)據(jù)清洗、解析提取等數(shù)據(jù)處理任務方面發(fā)揮重大作用。然而，由于匹配過程中存在數(shù)據(jù)強依賴關(guān)系和內(nèi)存訪問不可預測等問題，造成匹配性能較低。針對此問題，提出一種基于向量指令集的高性能正則表達式數(shù)據(jù)處理算法，稱之為ßFA：通過向量指令一次性從內(nèi)存讀出若干連續(xù)字符，并與最常被訪問狀態(tài)對應的非信任字符集進行向量匹配，利用內(nèi)置函數(shù)定位首個非信任字符的位置，獲得可直接跳過的字符數(shù)，從而實現(xiàn)匹配性能的加速。實驗結(jié)果表明，ßFA算法的吞吐率優(yōu)于原始DFA算法和αFA算法，是原始DFA算法的4.67~60倍以及ɑFA算法的4.37~7.82倍。

發(fā)表于：11/14/2024 4:11:27 PM

基于自動編碼器和隨機樹的智能電網(wǎng)FDI檢測[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

為應對智能電網(wǎng)系統(tǒng)可能受到的新型網(wǎng)絡(luò)攻擊（如虛假數(shù)據(jù)注入攻擊），提出了一種基于機器學習的入侵檢測方法。該方法采用自動編碼器進行數(shù)據(jù)降維，并使用極端隨機樹分類器檢測潛在攻擊。在IEEE標準電力系統(tǒng)數(shù)據(jù)的基礎(chǔ)上，測試了該方法在不同系統(tǒng)規(guī)模和攻擊程度下的性能。實驗結(jié)果顯示，在IEEE 118節(jié)點系統(tǒng)中，該方法的檢測準確率高達99.76%，即使在僅有0.1%攻擊測量值的情況下，F(xiàn)1值也達到了99.77%，遠超其他算法。該方法不僅能有效檢測智能電網(wǎng)中的入侵行為，而且具有較高的計算效率。

發(fā)表于：11/14/2024 3:56:39 PM

TSN交換機PSFP方法設(shè)計[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

時間敏感網(wǎng)絡(luò)（Time Sensitive Network，TSN）將傳統(tǒng)以太網(wǎng)“Best Effor”傳輸方式所具備的靈活性與時間敏感網(wǎng)絡(luò)的實時性、確定性等特點相結(jié)合，具有支持不同類型應用的能力。TSN的逐流過濾和監(jiān)管（Per-Stream Filtering and Policing， PSFP）協(xié)議通過提供策略，可阻止非法報文的攻擊及流量過載。基于該協(xié)議的工作原理，對流過濾、流門控和流測量功能進行了研究，同時提出一種PSFP的實現(xiàn)方法，并在TSN交換機上設(shè)計網(wǎng)絡(luò)拓撲及實驗進行了驗證。結(jié)果表明，該方法可根據(jù)報文特征自動識別滿足一定規(guī)則的異常報文，并按照要求進行阻斷或限流操作，驗證了合理性。該方法不受限于硬件或軟件實現(xiàn)的TSN，對TSN在工業(yè)、車載等行業(yè)的應用有一定的參考價值。

發(fā)表于：11/14/2024 3:40:09 PM

基于殘差注意力自適應去噪網(wǎng)絡(luò)和Stacking集成學習的局部放電故障診斷[模擬設(shè)計][智能電網(wǎng)]

針對傳統(tǒng)局部放電（Partial Discharge， PD）故障診斷方法在處理復雜含噪PD信號存在局限性并依賴于人工去噪和專家經(jīng)驗，難以學習到PD特征多樣化表達等問題，分別提出殘差注意力自適應去噪網(wǎng)絡(luò)（Residual Attention Adaptive Denoising Network， RAADNet）和基于Stacking集成學習的PD故障診斷模型。RAADNet基于殘差網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計，通過集成CAM注意力機制和軟閾值函數(shù)實現(xiàn)自適應去噪；Stacking集成模型的基學習器分別由基于卷積神經(jīng)網(wǎng)絡(luò)的RAADNet、基于多頭自注意力機制的Transformer以及基于Boosting集成策略的XGBoost多個差異化模型共同構(gòu)建構(gòu)成。實驗結(jié)果表明，提出的RAADNet優(yōu)于其他先進方法，識別準確率達到93.99%，Stacking集成模型則通過學習多樣化特征表達，進一步提高模型性能，達到96.79%識別準確率。

發(fā)表于：11/14/2024 3:26:02 PM

圓形陣列式霍爾電流傳感器抗磁干擾算法研究[MEMS|傳感技術(shù)][智能電網(wǎng)]

陣列式霍爾電流傳感器是電力電子領(lǐng)域中的一個研究熱點，特別是在直流電測量方面，它具有線性度高、動態(tài)范圍大、體積小、功耗低等優(yōu)點，是對鐵磁磁芯的電流傳感器的改進。然而，由于沒有鐵芯聚磁，在汽車電子、配電系統(tǒng)等場所內(nèi)，導體排布密集，外部磁場很容易進入磁傳感器，從而影響測量精度。因此，提出了一種抗磁干擾算法來解決這一問題，采用構(gòu)造超越方程的方法，不僅可以計算被測電流，還可以計算任意位置的干擾電流，并通過數(shù)值模擬、有限元分析和室內(nèi)實驗對該算法進行驗證。實驗結(jié)果表明，在受到強干擾電流的影響下，誤差在3.5%以內(nèi)，驗證了構(gòu)造的圓形傳感器陣列及抗磁干擾算法的有效性。

發(fā)表于：11/14/2024 3:12:54 PM

某型接收機中放大器自激機理分析與預防措施[模擬設(shè)計][通信網(wǎng)絡(luò)]

對某型接收機中頻噪底升高故障進行了分析處理，分析結(jié)果表明射頻模塊腔體內(nèi)存在個體差異，導致本振放大器在脈沖工作條件下產(chǎn)生自激，通過對放大器自激機理的分析給出了相應的預防措施，在射頻小盒側(cè)壁中粘貼吸波材料，可以有效消除自激。論文對今后腔體自激問題的處理分析具有參考價值。

發(fā)表于：11/14/2024 2:57:00 PM

基于ARM 架構(gòu)的安全總線橋設(shè)計與實現(xiàn)[模擬設(shè)計][工業(yè)自動化]

為提高SoC（System-On-Chip）系統(tǒng)安全性能，設(shè)計了一種基于ARM（Advanced RISC Machine）架構(gòu)的安全總線橋電路。該電路設(shè)計了一個橋接模塊和一個訪問控制功能模塊。仿真表明，該電路能夠在任意倍頻的AHB（Advanced High-Performance Bus）和APB（Advanced Peripheral Bus）時鐘頻率下完成AHB傳輸協(xié)議向APB傳輸協(xié)議的轉(zhuǎn)換，同時支持靈活配置主從設(shè)備的訪問權(quán)限和保護模式，防止外設(shè)寄存器數(shù)據(jù)被非法訪問和惡意篡改，提高了系統(tǒng)的安全性能和適用性。

發(fā)表于：11/14/2024 2:44:30 PM

基于改進AlexNet卷積神經(jīng)網(wǎng)絡(luò)人臉識別的研究[人工智能][消費電子]

近期，人臉識別技術(shù)在社會上廣受關(guān)注，其非接觸式的識別特性相較于指紋等傳統(tǒng)接觸式識別方法展現(xiàn)出明顯優(yōu)勢。在深度學習領(lǐng)域，由于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在人臉識別任務上的準確性和速度尚有提升空間，因此提出采用改進的AlexNet卷積神經(jīng)網(wǎng)絡(luò)進行人臉識別。通過實驗驗證，與傳統(tǒng)卷積網(wǎng)絡(luò)相比，改進后的AlexNet在人臉識別上不僅準確度更高，而且識別過程更為穩(wěn)定。

發(fā)表于：11/14/2024 2:29:57 PM

計及可再生能源接入配電網(wǎng)的負荷預測和優(yōu)化[人工智能][智能電網(wǎng)]

目前，可再生能源大量接入配電網(wǎng)，但是太陽能、風能、光伏及風電等可再生能源的間歇性和隨機性不可避免地會造成配電網(wǎng)的波動。考慮電網(wǎng)內(nèi)可再生能源發(fā)電功率與用電負荷隨時間變化的特點，提出一種基于小波變換和神經(jīng)網(wǎng)絡(luò)的可再生能源接入配電網(wǎng)的負荷預測和優(yōu)化方法。首先采集配電網(wǎng)的發(fā)電與負荷數(shù)據(jù)，利用小波變換處理收集到的數(shù)據(jù)，得到局部尺度和頻率分解的特征參數(shù)，建立神經(jīng)網(wǎng)絡(luò)預測模型；然后，對經(jīng)過小波變換后得到的特征參數(shù)進行訓練，根據(jù)預測負荷對可再生能源的發(fā)電量進行調(diào)節(jié)，保持配電網(wǎng)供需側(cè)的動態(tài)平衡。結(jié)果表明，所提方法能夠?qū)ω摵蛇M行有效預測，通過提前預測負荷量，保證配電網(wǎng)用電穩(wěn)定性的同時，最大化利用可再生能源。

發(fā)表于：11/14/2024 2:16:53 PM

基于Transformer殘差網(wǎng)絡(luò)的事件重建算法[人工智能][消費電子]

目前的人工視覺系統(tǒng)仍然無法處理一些涉及高速運動場景和高動態(tài)范圍的真實世界場景。事件相機因其低延遲和高動態(tài)范圍捕捉高速運動的優(yōu)勢具有消除上述問題的能力。然而，由于事件數(shù)據(jù)的高度稀疏和變化性質(zhì)，在保證其快速性的同時將事件重建為視頻仍然具有挑戰(zhàn)性。因此提出了一種基于Transformer殘差網(wǎng)絡(luò)和光流估計的事件流重建算法，通過光流估計和事件重建的聯(lián)合訓練，實現(xiàn)自監(jiān)督的重建過程，并引入去模糊預處理和亞像素上采樣模塊來提高重建質(zhì)量。實驗結(jié)果表明，在公開數(shù)據(jù)集上，提出的方法可以有效提高事件流的重建效果。

發(fā)表于：11/14/2024 2:03:50 PM