設(shè)計(jì)資源-AET-電子技術(shù)應(yīng)用

分布式VANETs中車流自適應(yīng)的低沖突TDMA-MAC協(xié)議[通信與網(wǎng)絡(luò)][汽車電子]

在分布式車載自組織網(wǎng)絡(luò)中，動態(tài)變化的雙向車流會嚴(yán)重影響基于slot分組的TDMA-MAC協(xié)議降低沖突的效果以及整體協(xié)議的安全性與可靠性，對此設(shè)計(jì)一種車流自適應(yīng)的低沖突TDMA-MAC協(xié)議TALC-MAC。采用slot占用率作為分組調(diào)整的判斷依據(jù)，設(shè)計(jì)詳細(xì)的分組擴(kuò)展與收縮策略以適應(yīng)車流實(shí)際分布。同時(shí)優(yōu)化幀內(nèi)slot分組方案與節(jié)點(diǎn)預(yù)約slot的策略，進(jìn)一步降低網(wǎng)絡(luò)中發(fā)生沖突的概率。仿真實(shí)驗(yàn)結(jié)果表明TALC-MAC能有效適應(yīng)雙向車流的動態(tài)變化，保持協(xié)議整體低沖突的特性。

發(fā)表于：7/5/2022

基于凸優(yōu)化的FSO/RF自動請求重傳協(xié)議方案[其他][其他]

針對FSO/RF混合鏈路的高效可靠數(shù)據(jù)傳輸問題,研究系統(tǒng)在二進(jìn)制相移鍵控（BPSK）調(diào)制與ARQ差錯控制模式下雙鏈路重傳協(xié)作的優(yōu)化設(shè)計(jì)方法。基于FSO信道雙伽馬（Gamma-Gamma）分布的湍流模型和RF信道Nakagami-m分布的衰落模型,推導(dǎo)得出混合鏈路平均包錯誤率與吞吐量的解析表達(dá)式,并運(yùn)用凸優(yōu)化求解方法得出吞吐量最優(yōu)解時(shí)的數(shù)據(jù)重傳協(xié)作比例系數(shù)。在不同大氣湍流強(qiáng)度與衰落因子條件下,計(jì)算分析了FSO/RF混合鏈路ARQ數(shù)傳方案的平均包錯誤率與吞吐量性能。數(shù)值結(jié)果表明,采用優(yōu)化后的ARQ雙鏈路重傳比例策略,可有效提高混合鏈路傳輸?shù)目煽啃耘c數(shù)據(jù)吞吐量性能。

發(fā)表于：7/5/2022

基于直接高階注意力和多尺度路由的圖神經(jīng)網(wǎng)絡(luò)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

圖神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制在處理圖結(jié)構(gòu)化數(shù)據(jù)方面表現(xiàn)出優(yōu)異的性能。傳統(tǒng)的圖注意力計(jì)算直接連接的節(jié)點(diǎn)之間的注意力，并通過堆疊層數(shù)隱式獲取高階信息。盡管在圖注意力機(jī)制方面目前已有廣泛的研究，但用于注意力計(jì)算的堆疊范式在建模遠(yuǎn)程依賴方面效果較差。為了提高表達(dá)能力，設(shè)計(jì)了一種新穎的直接注意力機(jī)制，這一機(jī)制通過K階鄰接矩陣直接計(jì)算高階鄰居之間的注意力。通過自適應(yīng)路由聚合過程進(jìn)一步傳播高階信息，這使得聚合過程更靈活地適應(yīng)不同圖的特性。在引文網(wǎng)絡(luò)上的節(jié)點(diǎn)分類任務(wù)上進(jìn)行了大量的實(shí)驗(yàn)。實(shí)驗(yàn)表明，該方法優(yōu)于最先進(jìn)的基線模型。

發(fā)表于：7/5/2022

地鐵運(yùn)營崗位應(yīng)急處置培訓(xùn)的語音識別研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

地鐵交通運(yùn)營是一種整體性活動，離不開各部門間的協(xié)調(diào)配合,地鐵運(yùn)營崗位應(yīng)急處置培訓(xùn)系統(tǒng)應(yīng)用于多個(gè)崗位的聯(lián)合培訓(xùn)。該系統(tǒng)通過語音識別來實(shí)現(xiàn)模擬崗位間語音交互及對培訓(xùn)過程智能評價(jià)的功能。提出的語音識別方法可實(shí)現(xiàn)離線網(wǎng)絡(luò)下對地鐵培訓(xùn)專業(yè)術(shù)語的高識別精度，利用深度全序列卷積神經(jīng)網(wǎng)絡(luò)（DFCNN）和鏈接時(shí)序分類（CTC）構(gòu)建聲學(xué)模型，對應(yīng)急處置培訓(xùn)用語進(jìn)行整理并構(gòu)建專業(yè)術(shù)語庫，基于統(tǒng)計(jì)學(xué)構(gòu)建語言模型。實(shí)驗(yàn)結(jié)果表明，該語音識別方法能夠有效識別地鐵應(yīng)急處置培訓(xùn)用語，為地鐵運(yùn)營崗位人員的培訓(xùn)和考核提供更全面的評價(jià)指標(biāo)。

發(fā)表于：7/5/2022

基于方向一致?lián)p失的輕量車道線檢測[通信與網(wǎng)絡(luò)][汽車電子]

目前，輕量型車道線檢測網(wǎng)絡(luò)存在彎道檢測效果差、網(wǎng)絡(luò)感受野不夠與實(shí)時(shí)性受限等問題，故提出了一種改進(jìn)的輕量型車道線檢測網(wǎng)絡(luò)模型。首先，為提高彎道檢測效果，設(shè)計(jì)了一種方向一致?lián)p失，以使模型適用于彎道場景。其次，為在增強(qiáng)網(wǎng)絡(luò)實(shí)時(shí)性的同時(shí)提高其感受野，提出將自注意力機(jī)制與RepVGG相融合的網(wǎng)絡(luò)作為模型的主干網(wǎng)絡(luò)。該模型在CULane測試集上測試的總F1-measure達(dá)到了70.7%，在Tusimple測試集上測試的準(zhǔn)確率達(dá)到95.92%，其平均推斷速度達(dá)到了408 FPS。實(shí)驗(yàn)結(jié)果表明，該模型相較于目前輕量型模型在性能上有一定的提升，尤其對彎道場景下的車道線檢測效果提升明顯。

發(fā)表于：7/5/2022

基于注意力機(jī)制的無監(jiān)督單目標(biāo)跟蹤算法[其他][其他]

為提升目標(biāo)跟蹤精度，設(shè)計(jì)一種基于注意力機(jī)制的無監(jiān)督單目標(biāo)跟蹤算法。該算法使用DCFNet網(wǎng)絡(luò)作為基本網(wǎng)絡(luò)，通過前向跟蹤和后向驗(yàn)證實(shí)現(xiàn)無監(jiān)督跟蹤。為結(jié)合上下文信息，引入特征融合方法，且將DCFNet網(wǎng)絡(luò)每一層所提取的特征通過雙線性池化調(diào)整分辨率以便進(jìn)行特征融合；為關(guān)注不同特征通道上的關(guān)系，引入通道注意力機(jī)制SENet模塊；設(shè)計(jì)一個(gè)反向逐幀驗(yàn)證方法，在反向驗(yàn)證中間幀的基礎(chǔ)上再預(yù)測第一幀，進(jìn)而減少判別位置的誤差。在公共數(shù)據(jù)集OTB-2015上的測試結(jié)果顯示，本算法AUC分?jǐn)?shù)達(dá)60.6%，速度達(dá)61FPS。與無監(jiān)督單目標(biāo)跟蹤UDT算法相比，所設(shè)計(jì)算法取得了更優(yōu)的目標(biāo)跟蹤性能。

發(fā)表于：7/5/2022

交通場景下基于深度強(qiáng)化學(xué)習(xí)的感知型路徑分配算法[其他][其他]

路徑分配問題是交通數(shù)字孿生系統(tǒng)的重要研究方向之一，其重點(diǎn)是綜合考量行駛需求的動態(tài)變化以及路網(wǎng)信息的實(shí)時(shí)改變，實(shí)現(xiàn)高效合理的路徑規(guī)劃。現(xiàn)階段一些經(jīng)典的分配算法如粒子群、Dijkstra等算法及其優(yōu)化模型僅能達(dá)到全局靜態(tài)最優(yōu)，忽略了現(xiàn)實(shí)交通中的復(fù)雜變化。而逐漸推出的各種深度學(xué)習(xí)算法雖能進(jìn)行全面的時(shí)空預(yù)測，但受限于海量歷史數(shù)據(jù)的歸納分析以及較高的運(yùn)算成本，難以大規(guī)模應(yīng)用。鑒于此，提出了一種靜態(tài)分配算法與深度強(qiáng)化學(xué)習(xí)算法結(jié)合的感知型路徑分配算法,在行駛中依據(jù)實(shí)時(shí)路網(wǎng)信息和車輛當(dāng)前狀態(tài)，實(shí)現(xiàn)全局路徑動態(tài)再分配及更新，相關(guān)算法的精度和效率在仿真實(shí)驗(yàn)中得到驗(yàn)證。

發(fā)表于：7/5/2022

MATLAB到高性能C的代碼轉(zhuǎn)換系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[可編程邏輯][其他]

MATLAB被廣泛應(yīng)用于算法設(shè)計(jì)及驗(yàn)證，但由于平臺限制及性能因素影響，實(shí)際工作中通常使用C語言及高性能庫來重寫和優(yōu)化代碼。人工轉(zhuǎn)換MATLAB到C工作繁瑣，而大部分已有的自動轉(zhuǎn)換方法又難以解決MATLAB的高性能矢量運(yùn)算和庫函數(shù)與C的對接問題。為此，設(shè)計(jì)了一個(gè)MATLAB到高性能C的自動轉(zhuǎn)換系統(tǒng)，通過將MATLAB代碼轉(zhuǎn)換為中間表示，進(jìn)一步轉(zhuǎn)換為C代碼。同時(shí)，將MATLAB的高性能矢量運(yùn)算和庫函數(shù)對接到高性能C函數(shù)庫Math Kernel Library(MKL)上。在相同MATLAB代碼上的實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)轉(zhuǎn)換生成的C代碼性能與人工編寫的C代碼相當(dāng)，優(yōu)于已有的轉(zhuǎn)換方法生成的C代碼。

發(fā)表于：7/5/2022

民用無人機(jī)領(lǐng)域數(shù)據(jù)與飛行安全法律規(guī)制研究[通信與網(wǎng)絡(luò)][航空航天]

無人機(jī)技術(shù)是當(dāng)今工業(yè)互聯(lián)網(wǎng)發(fā)展的助力之一，尤其是5G技術(shù)與無人機(jī)技術(shù)的結(jié)合成為推動工業(yè)向數(shù)字化轉(zhuǎn)型升級的重要力量。但是，在無人機(jī)大規(guī)模應(yīng)用的同時(shí)，也不能忽視其給行業(yè)帶來的風(fēng)險(xiǎn)與挑戰(zhàn)。主要討論民用無人機(jī)存在的隱私侵權(quán)問題及其造成的數(shù)據(jù)安全問題和“黑飛”問題，并對比中外法律法規(guī)提出有關(guān)法律體系建設(shè)的建議。

發(fā)表于：7/5/2022

大數(shù)據(jù)技術(shù)中的隱私保護(hù)法律問題[通信與網(wǎng)絡(luò)][信息安全]

大數(shù)據(jù)技術(shù)廣泛應(yīng)用的同時(shí)也帶來了諸多問題，對用戶隱私和數(shù)據(jù)安全造成了嚴(yán)重侵害。由于大數(shù)據(jù)發(fā)展速度快和法律屬性界定復(fù)雜等原因，現(xiàn)行法律法規(guī)存在一定的滯后，對此類問題適用性不佳，需要隨著大數(shù)據(jù)技術(shù)的發(fā)展進(jìn)行及時(shí)的改進(jìn)，從而適應(yīng)日新月異的網(wǎng)絡(luò)環(huán)境。

發(fā)表于：7/5/2022

保留格式加密的雙擾工作模式[通信與網(wǎng)絡(luò)][信息安全]

在通常的分組密碼ECB或CBC工作模式下，當(dāng)數(shù)據(jù)分組的分組長度較小時(shí)，可能會因?yàn)槊芪慕M重復(fù)導(dǎo)致明文信息泄露。為此，給出了一種適用于保留格式加密算法的創(chuàng)新工作模式。以加密初始向量為起點(diǎn)，用一種密鑰參與運(yùn)算的非線性遞歸方法產(chǎn)生不可預(yù)測序列，并以加擾形式將該序列作用到分組迭代變換的輸入和輸出數(shù)據(jù)組中。即明文組變換到密文組的過程由明文加擾、分組加密和密文加擾三步構(gòu)成。這樣的工作模式將使得攻擊者難以獲得和積累明密對，以及實(shí)施已知明文攻擊。這將在一定程度上消除某些密碼算法因?yàn)槊魑慕M空間較小而存在的安全缺陷。因此，該工作模式適用于某些保留格式加密算法或分組較小的輕量級分組算法。

發(fā)表于：7/5/2022

基于CL-PKC的衛(wèi)星通信認(rèn)證技術(shù)研究[通信與網(wǎng)絡(luò)][航空航天]

隨著衛(wèi)星通信技術(shù)的不斷發(fā)展，衛(wèi)星通信組網(wǎng)技術(shù)受到越來越多的關(guān)注，其相關(guān)的安全問題也更加突出。針對衛(wèi)星通信認(rèn)證技術(shù)進(jìn)行研究，分析了衛(wèi)星網(wǎng)絡(luò)的特點(diǎn)和安全認(rèn)證需求，提出了一種基于身份的密碼體制認(rèn)證方案，實(shí)現(xiàn)了身份認(rèn)證和密鑰協(xié)商，以及對合法用戶的身份信息的保護(hù)功能。并進(jìn)行仿真實(shí)驗(yàn)對協(xié)議的安全可行性進(jìn)行了驗(yàn)證，結(jié)果表明，該方案達(dá)到了安全、高效的認(rèn)證效果。

發(fā)表于：7/5/2022

基于變分自編碼器和三支決策的工控入侵檢測算法[其他][工業(yè)自動化]

為了更精確地提取工控入侵?jǐn)?shù)據(jù)集特征和更精準(zhǔn)地分類惡意數(shù)據(jù)，使得入侵檢測方法滿足當(dāng)前工業(yè)控制網(wǎng)絡(luò)的安全需求，提出了基于變分自編碼器(Variational Autoencoder，VAE)和三支決策理論(Three-way Decisions，TWD)的新型工業(yè)控制網(wǎng)絡(luò)入侵檢測算法(VAE-TWD)。該算法利用變分自編碼器強(qiáng)大的感知能力對高維數(shù)據(jù)進(jìn)行降維映射和特征提取，再對正常和惡意數(shù)據(jù)利用三支決策理論進(jìn)行即刻決策，劃分入正向決策域和負(fù)向決策域。而對于邊界域內(nèi)不確定的數(shù)據(jù)，將通過不同粒度的特征，選擇適當(dāng)數(shù)據(jù)構(gòu)成新的訓(xùn)練集并擴(kuò)充到原有數(shù)據(jù)集中。然后重復(fù)決策過程，直至決策域中數(shù)據(jù)為空，規(guī)避盲目決策的風(fēng)險(xiǎn)。實(shí)驗(yàn)結(jié)果表明VAE-TWD算法提升了對工控入侵檢測的特征提取能力和分類能力，且在準(zhǔn)確率、檢出率、誤報(bào)率、F1得分等指標(biāo)上均優(yōu)于對比算法，有效提高了工控入侵檢測的性能。

發(fā)表于：7/5/2022

基于擠壓激勵網(wǎng)絡(luò)的惡意代碼家族檢測方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

惡意代碼已經(jīng)成為威脅網(wǎng)絡(luò)安全的重要因素。基于機(jī)器學(xué)習(xí)的惡意代碼檢測方法已經(jīng)取得較好的效果，但面對相似的惡意代碼家族，往往效果不佳。對此，提出了一種基于擠壓激勵網(wǎng)絡(luò)的檢測算法，由卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)與擠壓和激勵(Squeeze-and-Excitation，SE)模塊構(gòu)成。CNN先快速提取惡意代碼的圖像特征，SE模塊對多通道特征圖進(jìn)行全局平均池化，將全局信息壓縮，然后通過全連接層自適應(yīng)學(xué)習(xí)，并將每個(gè)通道特征圖賦予不同的權(quán)重來表示不同的重要程度，指導(dǎo)激勵或抑制特征信息。實(shí)驗(yàn)結(jié)果表明，該方法相對于傳統(tǒng)機(jī)器學(xué)習(xí)方法有更好的檢測效果，與深度學(xué)習(xí)算法相比檢測效果也有一定的提升且參數(shù)量大大減少。

發(fā)表于：7/5/2022

破解SiC、GaN柵極動態(tài)測試難題的魔法棒 — 光隔離探頭[測試測量][工業(yè)自動化]

發(fā)表于：7/2/2022