設(shè)計資源-AET-電子技術(shù)應(yīng)用

為何毫米波需要采用不同的DPD方法？如何量化其值？[微波|射頻][5G]

在5G新無線電技術(shù)標準中，除了sub-6 GHz頻率外，還利用毫米波（mmWave）頻率來提高吞吐量。毫米波頻率的使用為大幅提高數(shù)據(jù)吞吐量帶來了獨特的機會，同時也帶來了新的實施挑戰(zhàn)。本文探討sub-6 GHz和毫米波基站無線電之間的架構(gòu)差異，著重講述在這些系統(tǒng)上實施DPD面臨的挑戰(zhàn)和帶來的好處。數(shù)字預(yù)失真（DPD）是一種成熟技術(shù)，通常用于sub-6 GHz無線通信系統(tǒng)，以提高功率效率，但大多數(shù)毫米波無線電并不使用DPD。采用ADI波束成型器和收發(fā)器構(gòu)建的包含256個元件的毫米波陣列原型，我們能夠證明采用DPD能夠?qū)⒂行Ц飨蛲暂椛涔β剩‥IRP）提高達3 dB。與不采用DPD，但具有相同目標EIRP的陣列相比，這種陣列的元件數(shù)量可以減少30%。

發(fā)表于：1/19/2022

基于異構(gòu)信息網(wǎng)絡(luò)的學生成績預(yù)測與預(yù)警模型研究[其他][其他]

發(fā)表于：1/19/2022

重載混合動力車輛再生制動策略設(shè)計與優(yōu)化[其他][其他]

為進一步提高混合動力應(yīng)急救援車輛的能源利用率，針對N3類重型車輛的特點設(shè)計了雙模糊邏輯控制策略，分別對前后軸之間的制動力及前軸再生制動與機械制動的制動力進行了合理分配，同時兼顧了車輛的制動穩(wěn)定性及再生制動能量的回收效率。為了更好地發(fā)揮模糊邏輯控制器的性能，采用多目標粒子群優(yōu)化算法，以車輛制動穩(wěn)定性指標及再生制動能量回收量為優(yōu)化目標，對雙模糊邏輯控制器的輸入/輸出隸屬度參數(shù)進行了優(yōu)化。最后，通過Simulink離線仿真實驗驗證了所設(shè)計的雙模糊邏輯再生制動策略及多目標粒子群優(yōu)化算法的正確性、有效性及實用性。

發(fā)表于：1/19/2022

基于光電檢測技術(shù)的電纜表面缺陷實時監(jiān)測系統(tǒng)研究[其他][其他]

基于光電檢測技術(shù)開發(fā)了電纜表面缺陷實時監(jiān)測系統(tǒng)。在硬件結(jié)構(gòu)方面，系統(tǒng)采用半環(huán)形LED白光源照射電纜，利用線陣CCD相機采集電纜表面圖像。在軟件算法方面，提出一種改進的ROI(Region of Interest)算法精確定位電纜區(qū)域，利用一種基于改進雙邊濾波的圖像差分算法建立背景模型，改進一種基于CV-Kmeans區(qū)域分類自適應(yīng)濾波窗口算法來凸顯電纜表面缺陷特征。研究結(jié)果表明，基于光電檢測技術(shù)研發(fā)的電纜表面缺陷實時監(jiān)測系統(tǒng)的識別能力較高，整體監(jiān)測準確率不低于97.0%。

發(fā)表于：1/19/2022

面向CNN的類激活映射算法研究[其他][其他]

類激活映射(CAM)是卷積神經(jīng)網(wǎng)絡(luò)(CNN)解釋中的一種直觀的方法，通常由CNN的最后一個卷積層生成，可以突出顯示輸入圖片中目標類的不同區(qū)域。之前的CAM方法只依賴于最后的卷積層，生成的解釋圖只能顯示模糊的物體位置信息。提出了一種新的方法即分層加權(quán)類激活映射方案(SL-CAM)，通過加權(quán)合并CNN淺層到深層的信息來生成類激活圖。由淺層特征圖及其對應(yīng)的梯度生成的激活圖包含詳細、準確但噪聲大的位置信息；而由深層特征圖生成的激活圖包含噪聲少但模糊的位置信息。在LSVRC2012 Val上的實驗表明，SL-CAM多項指標上均優(yōu)于Grad-CAM、Grad-CAM++和Score-CAM。

發(fā)表于：1/19/2022

基于生成對抗網(wǎng)絡(luò)的無監(jiān)督圖像超分辨率算法[其他][其他]

目前，大多數(shù)基于學習的圖像超分辨率研究通常采用預(yù)定的降質(zhì)類型(比如雙三次下采樣)處理高分辨率圖像，來產(chǎn)生成對的訓練集。然而，真實圖像往往存在未知的模糊和噪聲，導(dǎo)致這些算法無法有效應(yīng)用到真實場景中。為了實現(xiàn)真實圖像的超分辨率重建，提出了一種基于生成對抗網(wǎng)絡(luò)的無監(jiān)督圖像超分辨率算法，所提出的算法分為域轉(zhuǎn)換子網(wǎng)絡(luò)和重建子網(wǎng)絡(luò)兩個部分。同時設(shè)計了深度特征提取模塊，通過融合不同感受野所提取的圖像特征來提升網(wǎng)絡(luò)的性能。實驗結(jié)果證明，相比于目前多數(shù)的圖像超分辨率算法，本文算法能夠?qū)崿F(xiàn)真實降質(zhì)圖像(存在噪聲、模糊等)的圖像超分辨率，在主觀效果和客觀指標上均能獲得更好的性能。

發(fā)表于：1/19/2022

融合CNN和Transformer編碼器的變聲語音鑒別與還原[其他][其他]

語音變聲偽裝會導(dǎo)致人耳感知和聲紋識別出現(xiàn)錯誤，從而達到隱匿說話人真實身份的目的。為削弱變聲語音的影響，提出一種融合卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)和Transformer編碼器的模型，提取變聲語音的局部特征和全局特征用于判別變聲因子，并根據(jù)變聲因子的數(shù)值實施變聲語音還原。在中英文真實場景錄音數(shù)據(jù)集上驗證了所提方法的有效性，對變聲因子判別實現(xiàn)了95%以上的準確率。利用所提出的方法，在黑箱條件下對某型商用硬件變聲器輸出的語音進行鑒別與還原，取得了較好的效果。

發(fā)表于：1/19/2022

我國工業(yè)互聯(lián)網(wǎng)技術(shù)發(fā)展路線研究[人工智能][5G]

基于我國工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)的空心化問題較為突出、產(chǎn)業(yè)鏈關(guān)鍵環(huán)節(jié)自主安全程度較低的發(fā)展現(xiàn)實，結(jié)合我國工業(yè)互聯(lián)網(wǎng)“三步走”戰(zhàn)略目標，即“到2025年，基本形成具有國際競爭力的基礎(chǔ)設(shè)施和產(chǎn)業(yè)體系；到2035年，建成國際領(lǐng)先的網(wǎng)絡(luò)基礎(chǔ)設(shè)施和平臺，形成國際先進的技術(shù)及產(chǎn)業(yè)體系；到本世紀中葉，網(wǎng)絡(luò)基礎(chǔ)設(shè)施全面支撐國民經(jīng)濟與社會發(fā)展，綜合實力邁入世界前列”，從關(guān)鍵技術(shù)自主安全和新一代信息技術(shù)融合應(yīng)用兩個角度推動工業(yè)互聯(lián)網(wǎng)“感、傳、支、用”四個層面發(fā)展的技術(shù)路線，為我國工業(yè)互聯(lián)網(wǎng)發(fā)展戰(zhàn)略目標落地與實施提供參考。

發(fā)表于：1/19/2022

工控編程編譯工具應(yīng)用現(xiàn)狀分析及展望[其他][其他]

為實現(xiàn)國家關(guān)鍵基礎(chǔ)工控設(shè)備自主化戰(zhàn)略，部分國產(chǎn)品牌先后推出了全國產(chǎn)化自主安全PLC。雖然這些國產(chǎn)品牌PLC的核心芯片、操作系統(tǒng)、編程軟件工具都實現(xiàn)了國產(chǎn)自主化，但其功能、性能與國外品牌PLC相比具有較大差距，尤其是PLC編程軟件工具，PLC的功能全部是通過編程軟件工具來實現(xiàn)的，編程軟件工具作為PLC的核心組件之一尤為重要。在對國內(nèi)外編程工具現(xiàn)狀分析的基礎(chǔ)上，對國產(chǎn)自主開發(fā)的編程工具進行對比和探討，并分析了目前國產(chǎn)自主安全編程工具的瓶頸，提出了一些關(guān)鍵技術(shù)和研究建議。

發(fā)表于：1/19/2022

一種去中心化的域名服務(wù)本地化模型[其他][其他]

域名系統(tǒng)(Domain Name System，DNS)作為管理網(wǎng)絡(luò)空間資源名稱與IP對應(yīng)關(guān)系的網(wǎng)絡(luò)基礎(chǔ)設(shè)施，在提供廣泛的域名解析服務(wù)的同時，也存在性能和安全隱患。針對傳統(tǒng)DNS系統(tǒng)的中心化樹狀層次結(jié)構(gòu)引起的對根域名服務(wù)器的嚴重依賴以及可能導(dǎo)致的系統(tǒng)脆弱性，設(shè)計了一種去中心化的域名服務(wù)本地模型，通過在去中心化互聯(lián)模型中整合多源數(shù)據(jù)，重構(gòu)域名信息解析優(yōu)先級記錄和相應(yīng)存活時間，以保證域名數(shù)據(jù)的唯一性及高優(yōu)先級；同時基于本地數(shù)據(jù)記錄重構(gòu)模型實現(xiàn)域名解析的快速響應(yīng)，形成本地DNS數(shù)據(jù)記錄重構(gòu)模型和域名解析服務(wù)模型，實現(xiàn)快速、準確、可靠的域名解析服務(wù)。

發(fā)表于：1/19/2022

一種基于局部平均有限差分的黑盒對抗攻擊方法[其他][其他]

在黑盒攻擊領(lǐng)域，目前主流方法是利用對抗樣本遷移性實現(xiàn)對抗攻擊，然而此類方法效果不佳。為此提出一種基于訪問的黑盒攻擊方法，此方法運用有限差分法直接估計樣本在目標模型中的損失函數(shù)梯度。為提高攻擊效率，算法在兩方面進行優(yōu)化：第一，在估計梯度時，固定區(qū)域內(nèi)使用平均像素值代替區(qū)域所有像素值進行有限差分，從而每個區(qū)域只需計算一次梯度；第二，在迭代生成對抗樣本時，提出復(fù)用多代梯度生成對抗擾動的思想，顯著減少攻擊迭代次數(shù)。經(jīng)過大量實驗驗證，在MNIST、CIFAR-10和ImageNet中迭代的非目標攻擊分別獲得了99.8％、99.9％和85.8％的攻擊成功率，領(lǐng)先當今大多數(shù)黑盒攻擊算法。

發(fā)表于：1/19/2022

基于Canopy-Kmeans算法的電力企業(yè)流量數(shù)據(jù)分析研究[其他][其他]

針對電力企業(yè)關(guān)鍵信息基礎(chǔ)設(shè)施大量業(yè)務(wù)數(shù)據(jù)易遭受網(wǎng)絡(luò)攻擊的現(xiàn)象，基于各業(yè)務(wù)信息系統(tǒng)下已有的網(wǎng)絡(luò)安全設(shè)備，通過輔助設(shè)備采集流量數(shù)據(jù)，采用Canopy-Kmeans算法進行數(shù)據(jù)分析研究。首先通過實驗證明了Canopy-Kmeans算法在處理流量數(shù)據(jù)時，相比傳統(tǒng)K-means算法，具有更好的聚類效果，準確率提高約11%；然后以采集到的電力關(guān)鍵業(yè)務(wù)系統(tǒng)的流量數(shù)據(jù)為基礎(chǔ)，基于Canopy-Kmeans算法進行挖掘分析實驗，完成相同類型流量數(shù)據(jù)的聚類，分析出攻擊流量與業(yè)務(wù)流量的特征項，排除部分誤報信息，合理開展網(wǎng)絡(luò)安全防護工作。

發(fā)表于：1/19/2022

基于人臉識別的安全驗證技術(shù)研究[其他][其他]

隨著人工智能和光學成像器件的蓬勃發(fā)展，基于先進的硬件基礎(chǔ)和深度學習算法，人臉識別技術(shù)得到了廣泛的應(yīng)用，特別是在金融領(lǐng)域，能高效地完成刷臉登錄、支付、驗證等服務(wù)，極大地節(jié)省了人力成本和用戶的時間成本，并且憑借著其非接觸性、易采集性、方便性、穩(wěn)定性和獨特性等優(yōu)點在眾多生物識別技術(shù)中脫穎而出，但是其安全性也成為人臉識別在應(yīng)用的過程中最大的瓶頸問題，可能危機生物信息安全甚至國家安全。因此著力于提高人臉識別技術(shù)的抗攻擊能力和安全驗證技術(shù)刻不容緩。活體檢測技術(shù)在人機交互和視頻監(jiān)控領(lǐng)域有著廣泛的應(yīng)用，能較好地解決這一問題。該技術(shù)能有效地辨別人臉圖像是否為真實人臉，并結(jié)合人臉識別系統(tǒng)，提高安全性和可靠性。通過對目前已有的活體檢測技術(shù)進行總結(jié)分析，對人臉識別的安全性進行驗證。

發(fā)表于：1/19/2022

聯(lián)邦學習在金融數(shù)據(jù)安全領(lǐng)域的研究與應(yīng)用[通信與網(wǎng)絡(luò)][信息安全]

近年來，金融領(lǐng)域明文數(shù)據(jù)流通所引起的數(shù)據(jù)泄露問題日漸突出，傳統(tǒng)的跨機構(gòu)數(shù)據(jù)融合的機器學習方式面臨著新的問題與挑戰(zhàn)。因此，立足于金融數(shù)據(jù)安全領(lǐng)域，從用戶隱私和數(shù)據(jù)安全角度出發(fā)，概述聯(lián)邦學習理論并深入分析其目前在金融行業(yè)的應(yīng)用現(xiàn)狀，指出現(xiàn)有的聯(lián)邦學習還存在通信效率低、數(shù)據(jù)異構(gòu)性突出等問題。最后提出健全聯(lián)邦學習標準體系、時刻關(guān)注監(jiān)管要求等建議，為推動聯(lián)邦學習在金融數(shù)據(jù)安全領(lǐng)域中的合法應(yīng)用提供參考性意見。

發(fā)表于：1/19/2022

12V鉛酸電池即將退出市場？[電源技術(shù)][汽車電子]

沒錯，汽車12V 鉛酸電池即將退出市場。歐洲已頒布法令，2030 年之后，所有新車均不再使用鉛酸電池，這給 OEM 廠商尋找替代解決方案帶來了極大的挑戰(zhàn)。雖然這似乎是一項艱巨的任務(wù)，但它也可帶來巨大的機遇，不僅可消除對環(huán)境有害的電池，同時還可減輕車輛重量并提高整體效率。

發(fā)表于：1/18/2022