亚洲第一理论在线看,99精品国产福利在线观看,久久久久人妻一区

基于智能電表的電器用電量分類計量方法研究[電源技術][智能電網(wǎng)]

隨著電力需求側對于用電管理的重視度提升，只提供用戶總電量計量的電表已無法滿足人們的要求，為此，開創(chuàng)性地提出了在通用電表上實現(xiàn)用電器用電量分類計量方法。該方法利用電表的數(shù)據(jù)采集及處理功能獲取用電器特征后，將該暫態(tài)告警信息上傳至云端與預先建立的SVM模型進行類別匹配，從而判定用電器類型及相應的用戶操作，同時將識別結果及告警時間存入數(shù)據(jù)庫，后續(xù)通過分類計量策略實現(xiàn)各類用電器單獨的耗能量計算。實例驗證了該方法的準確性及可靠性，該方法具有較大實際應用價值。

發(fā)表于：12/16/2020

基于超級電容的電動小車動態(tài)無線充電系統(tǒng)[電源技術][汽車電子]

以電動小車無線充電為主題，實現(xiàn)了以超級電容為基本儲能裝置的電動小車動態(tài)無線充電系統(tǒng)。該系統(tǒng)使用了將無線充電模塊與超級電容組相結合的模式，通過把直流電轉換成高頻交流電，再通過電磁感應原理為超級電容無線充電，放電時通過Boost變換為小車提供電能。實驗可實現(xiàn)小車在跑道上的某點充電時，充電指示燈點亮起；當外界電源切斷，充電斷電后，小車可自動啟動并循跡行駛。最終證明了超級電容與無線充電模塊組合裝置可實現(xiàn)小車在行駛中，經(jīng)過通電線圈時可以進行閃充,并沿著既定運行軌道繼續(xù)行進。

發(fā)表于：12/16/2020

泛在電力物聯(lián)——智能電纜井蓋您見過嗎？[EDA與制造][工業(yè)自動化]

“智慧城市”、“智能電網(wǎng)”、“泛在電力物聯(lián)”......近幾年一些新概念相繼被提出，這些規(guī)劃相互交叉影響，在一些試點城市快速建設推進，如高壓電纜線已由空架開始轉到地下，以青島為例，主干道、高新區(qū)老區(qū)改造新區(qū)建設都要求電纜下地，每50m-100m覆蓋一個智能井蓋來保證城市安全，釋放城市空間資源。

發(fā)表于：12/16/2020

無中斷向量重定位單片機中實現(xiàn)IAP和APP中斷的方法[嵌入式技術][工業(yè)自動化]

獨創(chuàng)了一種基于RAM中轉的中斷跳轉方法，該方法以軟件形式實現(xiàn)了單片機的中斷向量重定位功能，實現(xiàn)了在應用中編程，克服了某類普通經(jīng)濟型單片機無法通過硬件寄存器設置中斷跳轉地址來實現(xiàn)跳轉的局限性，使得這類單片機也能在同一片F(xiàn)lash內(nèi)運行IAP和APP并相互跳轉，大大拓展了實用性。采用某國產(chǎn)單片機(SWM240)實現(xiàn)了IAP和APP部分，并在生產(chǎn)實際中得到檢驗。

發(fā)表于：12/16/2020

一種高速網(wǎng)絡流識別處理系統(tǒng)的設計與實現(xiàn)[通信與網(wǎng)絡][通信網(wǎng)絡]

隨著骨干網(wǎng)絡傳輸速率不斷提高，對高速網(wǎng)絡信號分析處理系統(tǒng)的需求十分迫切。骨干網(wǎng)絡高速率、大帶寬的特點給整個網(wǎng)絡空間的管理帶來了許多困難。采用五元組定義的網(wǎng)絡流作為研究對象，通過理論分析，設計和實現(xiàn)了高速網(wǎng)絡流識別處理系統(tǒng)硬件平臺，實現(xiàn)網(wǎng)絡信號在流層面的分析識別，并根據(jù)分析結果執(zhí)行不同的處理策略，從而為網(wǎng)絡流的分類處理提供了依據(jù)。

發(fā)表于：12/16/2020

基于深度學習的在線字臨摹分析系統(tǒng)設計[其他][其他]

為方便和快速地進行字體臨摹分析，該系統(tǒng)將紙面手寫字與名人真跡字進行相似度比較，使用殘差網(wǎng)絡ResNet50模型和新的字相似度算法對手寫字進行高精度識別并與名人真跡字快速地進行相似度計算。將自制的名人書法字數(shù)據(jù)集和普通中文數(shù)據(jù)集合在一起訓練ResNet50模型，最后結合Web網(wǎng)站和Android開發(fā)了一個實時在線手寫字與各名人書法字進行相似度比較的系統(tǒng)。Android端主要用來上傳紙面手寫字照片和展示處理的結果，搭建的Web網(wǎng)站用來對圖片進行識別和相似度的計算與分析。

發(fā)表于：12/16/2020

基于Wi-Fi信號的環(huán)境反向散射技術分析[通信與網(wǎng)絡][物聯(lián)網(wǎng)]

環(huán)境反向散射技術給物聯(lián)網(wǎng)低功耗設備部署的商業(yè)化帶來了新的技術方案。首先簡要概述反向散射技術的分類和基本特點，然后基于Wi-Fi信號下的環(huán)境反向散射技術，分析反向散射的設備通過接收Wi-Fi報文及反射信號來傳遞信息的可行性，討論設備實現(xiàn)Wi-Fi雙向通信的硬件框架和軟件模塊結構，介紹反向散射技術的應用場景，并歸納該技術的挑戰(zhàn)和改進方向。最后展望了基于Wi-Fi信號的環(huán)境反向散射技術的發(fā)展趨勢和研究方向。

發(fā)表于：12/16/2020

5G基站型路側設備技術方案與應用研究[通信與網(wǎng)絡][5G]

隨著5G技術的發(fā)展和商用，基于車路協(xié)同的自動駕駛被業(yè)界認為是車聯(lián)網(wǎng)未來發(fā)展的主要方向之一，路側設備RSU是車路協(xié)同關鍵設備之一。立足于未來5G網(wǎng)絡和C-V2X網(wǎng)絡發(fā)展趨勢，分析了5G基站型RSU的需求，并對5G基站型RSU的技術方案、基本功能進行了描述，展望了5G基站型RSU的應用場景。

發(fā)表于：12/16/2020

基于CNN-LightGBM模型的高速公路交通量預測[人工智能][物聯(lián)網(wǎng)]

有效的交通流量預測對人們出行和交管部門監(jiān)管都有著重要的意義。傳統(tǒng)的交通量預測模型主要基于交通流的時間特性，未結合交通流的時間和空間特性進行深入挖掘，因此預測效果有時不佳。提出了一種基于CNN與LightGBM結合的交通流預測模型，首先利用CNN模型挖掘出高速公路相鄰路段監(jiān)測點和出入口的時間和空間關聯(lián)性，實現(xiàn)對交通流數(shù)據(jù)的時空特征提取，然后將CNN提取到的特征向量輸入到LightGBM模型中進行預測。為了驗證模型的有效性，實驗中使用了多種預測模型進行對比，實驗結果表明，所提出的考慮到時空特性的CNNLightGBM組合的模型可以明顯降低預測誤差，是一種有效快速的交通流預測模型。

發(fā)表于：12/15/2020

一種鄰域自適應的雙閾值點云特征提取方法[其他][其他]

點云數(shù)據(jù)的特征提取是點云數(shù)據(jù)處理環(huán)節(jié)中的一項重要內(nèi)容，對幾何分析、數(shù)據(jù)分割、點云配準、模型重建等研究起關鍵作用。研究了基于法向量和曲率的點云特征提取技術，闡明了特征提取過程中鄰域選取與單一參數(shù)計算存在的問題，提出了鄰域自適應的雙閾值點云特征提取方法。通過實驗對比了該算法與基于曲率的特征提取算法的提取效果，驗證了本算法的穩(wěn)定性、準確性。該算法對于幾何特征復雜的點云具有較好的提取效果，對提高點云特征點提取的精度及效率具有重要的意義。

發(fā)表于：12/15/2020

基于Flink框架的TopN堆排序優(yōu)化算法[其他][其他]

為了解決大數(shù)據(jù)TopN排序問題，將傳統(tǒng)的堆排序進行優(yōu)化，闡述了優(yōu)化后的HeapOptimize方法的處理過程。HeapOptimize方法基于Flink框架來完成TopN作業(yè)，可以實時地接收并處理大量的數(shù)據(jù)，根據(jù)單位時間需要處理的數(shù)據(jù)數(shù)量來調(diào)整算子的并行度，增加Flink框架的吞吐量，提高處理數(shù)據(jù)的速度。通過實驗測量的數(shù)據(jù)結果佐證了HeapOptimize方法的優(yōu)勢。

發(fā)表于：12/15/2020

基于改進馬爾科夫特征的圖像拼接檢測研究[通信與網(wǎng)絡][信息安全]

針對傳統(tǒng)馬爾科夫特征拼接檢測準確率不高的問題，提出了一種有效的馬爾科夫特征提取方法。與傳統(tǒng)馬爾科夫特征的計算過程不同，只計算水平和垂直兩個方向的轉移概率矩陣，選擇四個轉移概率矩陣中對應位置求和后的值作為最終特征。求和操作不僅降低了特征維度，而且使真實圖像與拼接圖像之間的概率分布區(qū)分更加明顯。所提出的算法的特征維度與數(shù)據(jù)集無關。該方法在哥倫比亞彩色拼接檢測圖庫、CASIA V1.0和CASIA V2.0數(shù)據(jù)集上測試的準確率分別為94.38%、99.19%、96.02%。

發(fā)表于：12/15/2020

基于DAPA的卷積神經(jīng)網(wǎng)絡Web異常流量檢測方法[測試測量][通信網(wǎng)絡]

針對Web攻擊流量檢測問題，提出一種基于動態(tài)自適應池化算法(Dynamic Adaptive Pooling Algorithm,DAPA)的卷積神經(jīng)網(wǎng)絡模型。首先將數(shù)據(jù)集中每一條請求流量進行剪裁、對齊、補足等操作，生成一系列50×150的矩陣數(shù)據(jù)A作為輸入，然后搭建基于動態(tài)自適應的卷積神經(jīng)網(wǎng)絡模型去進行異常流量檢測，使之可以根據(jù)特征圖的不同，動態(tài)地調(diào)整池化過程，在網(wǎng)絡結構中添加Dropout層來解決流量特征提取過程中的過擬合問題。實驗表明，該方法比未使用動態(tài)自適應池化的方式精確度提升了1.2%，損失值降低了2.6%，過擬合問題也得到了解決。

發(fā)表于：12/15/2020

基于KNN的剩余油形態(tài)識別[其他][其他]

對從實驗中采集到的剩余油圖像進行分析研究，可以為油藏后期開采提供理論依據(jù)。通過收集確定類型的剩余油特征數(shù)據(jù)作為樣本集向量空間，對待分類剩余油特征數(shù)據(jù)進行歸一化處理，之后求取歐氏距離。使用KNN（K近鄰）分類方法近鄰投票確定剩余油類別，可以較為快速準確地得到分類結果。

發(fā)表于：12/15/2020

基于方面情感的層次化雙注意力網(wǎng)絡[人工智能][信創(chuàng)產(chǎn)業(yè)]

基于深度學習的方面級情感分析，結合注意力機制的神經(jīng)網(wǎng)絡模型取得較好的分類效果，但常用方法僅考慮單一層面注意力機制，且無法獲取句子間依賴關系。設計了一種層次化的雙注意力神經(jīng)網(wǎng)絡模型用于方面級情感分析，針對特定方面引入方面目標的注意力機制以及文本上下文自注意力機制，獲取方面特征信息和句子的全局依賴信息；設計層次化GRU網(wǎng)絡，其中單詞層嵌入特定方面信息，獲取針對方面目標的句子內(nèi)部特征信息，句子層網(wǎng)絡通過雙注意力機制和詞語層的輸入，獲取句子間的特征依賴信息，從而實現(xiàn)深層次的方面情感分類。在SemEval 2014兩個數(shù)據(jù)集和Twitter數(shù)據(jù)集上進行對比實驗，驗證了該方法的有效性，針對方面級情感，分類準確率均得到了有效提升。

發(fā)表于：12/15/2020