設(shè)計應(yīng)用-AET-電子技術(shù)應(yīng)用

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(dá)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(wù)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(qiáng)依賴關(guān)系和內(nèi)存訪問不可預(yù)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(dá)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(yīng)的非信任字符集進(jìn)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(jī)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(yīng)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(jī)器學(xué)習(xí)的入侵檢測方法。該方法采用自動編碼器進(jìn)行數(shù)據(jù)降維，并使用極端隨機(jī)樹分類器檢測潛在攻擊。在IEEE標(biāo)準(zhǔn)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(zhǔn)確率高達(dá)99.76%，即使在僅有0.1%攻擊測量值的情況下，F(xiàn)1值也達(dá)到了99.77%，遠(yuǎn)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(jī)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(yīng)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(jìn)行了研究，同時提出一種PSFP的實現(xiàn)方法，并在TSN交換機(jī)上設(shè)計網(wǎng)絡(luò)拓?fù)浼皩嶒炦M(jìn)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(jìn)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(yīng)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(yīng)去噪網(wǎng)絡(luò)和Stacking集成學(xué)習(xí)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(fù)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(xué)習(xí)到PD特征多樣化表達(dá)等問題，分別提出殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)（Residual Attention Adaptive Denoising Network， RAADNet）和基于Stacking集成學(xué)習(xí)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(jī)制和軟閾值函數(shù)實現(xiàn)自適應(yīng)去噪；Stacking集成模型的基學(xué)習(xí)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(jī)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(jìn)方法，識別準(zhǔn)確率達(dá)到93.99%，Stacking集成模型則通過學(xué)習(xí)多樣化特征表達(dá)，進(jìn)一步提高模型性能，達(dá)到96.79%識別準(zhǔn)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(jìn)。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(dǎo)體排布密集，外部磁場很容易進(jìn)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(jìn)行驗證。實驗結(jié)果表明，在受到強(qiáng)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(jī)中放大器自激機(jī)理分析與預(yù)防措施[模擬設(shè)計][通信網(wǎng)絡(luò)]

對某型接收機(jī)中頻噪底升高故障進(jìn)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(dǎo)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(jī)理的分析給出了相應(yīng)的預(yù)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(hù)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(jìn)AlexNet卷積神經(jīng)網(wǎng)絡(luò)人臉識別的研究[人工智能][消費(fèi)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(xué)習(xí)領(lǐng)域，由于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在人臉識別任務(wù)上的準(zhǔn)確性和速度尚有提升空間，因此提出采用改進(jìn)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)進(jìn)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(jìn)后的AlexNet在人臉識別上不僅準(zhǔn)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(fù)荷預(yù)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(fēng)能、光伏及風(fēng)電等可再生能源的間歇性和隨機(jī)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(fù)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(fù)荷預(yù)測和優(yōu)化方法。首先采集配電網(wǎng)的發(fā)電與負(fù)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(yù)測模型；然后，對經(jīng)過小波變換后得到的特征參數(shù)進(jìn)行訓(xùn)練，根據(jù)預(yù)測負(fù)荷對可再生能源的發(fā)電量進(jìn)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?fù)荷進(jìn)行有效預(yù)測，通過提前預(yù)測負(fù)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(fèi)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(yùn)動場景和高動態(tài)范圍的真實世界場景。事件相機(jī)因其低延遲和高動態(tài)范圍捕捉高速運(yùn)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(xùn)練，實現(xiàn)自監(jiān)督的重建過程，并引入去模糊預(yù)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