123,123

慣性測(cè)量單元姿態(tài)融合的動(dòng)態(tài)分析[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對(duì)慣性測(cè)量單元背景噪聲和器件漂移等問(wèn)題，提出了一種基于梯度下降法、互補(bǔ)濾波和卡爾曼濾波的融合算法。首先，利用加速度計(jì)和磁力計(jì)的數(shù)據(jù)通過(guò)幾何計(jì)算得出姿態(tài)角。其次，利用梯度下降法，將加速度計(jì)和陀螺儀的數(shù)據(jù)進(jìn)行基于四元數(shù)法的數(shù)據(jù)融合，得出姿態(tài)角。接著，利用互補(bǔ)濾波法將姿態(tài)數(shù)據(jù)再次結(jié)合。最后，利用卡爾曼算法對(duì)結(jié)合后的數(shù)據(jù)進(jìn)行濾波處理。通過(guò)動(dòng)態(tài)實(shí)驗(yàn)表明，經(jīng)過(guò)此融合算法的慣性測(cè)量單元與傳統(tǒng)算法相比，數(shù)據(jù)輸出更加準(zhǔn)確，連續(xù)性提高，并擁有很好的平穩(wěn)特性。

發(fā)表于：2021/7/20 16:05:02

一種基于NB-IoT的物聯(lián)網(wǎng)燃?xì)獗硌芯吭O(shè)計(jì)[其他][物聯(lián)網(wǎng)]

針對(duì)物聯(lián)網(wǎng)技術(shù)的發(fā)展現(xiàn)狀和智能燃?xì)獗韺?duì)低功耗與強(qiáng)連接的需求，提出了一種基于NB-IoT技術(shù)的物聯(lián)網(wǎng)智能燃?xì)獗淼脑O(shè)計(jì)方案。該方案采用瑞薩R7F0C004芯片作為MCU采集燃?xì)庥?jì)量數(shù)據(jù)，以N700-58為通信模組實(shí)現(xiàn)網(wǎng)絡(luò)連接，業(yè)務(wù)數(shù)據(jù)經(jīng)由CoAP協(xié)議封裝后發(fā)送到電信AEP平臺(tái)，再由AEP平臺(tái)推送到燃?xì)獗順I(yè)務(wù)管理平臺(tái)系統(tǒng)實(shí)現(xiàn)數(shù)據(jù)通信。測(cè)試結(jié)果表明，所設(shè)計(jì)的燃?xì)獗斫K端無(wú)論是在連網(wǎng)收發(fā)數(shù)據(jù)，還是在低能耗方面都達(dá)到了預(yù)期的設(shè)計(jì)目標(biāo)，能夠很好地滿足應(yīng)用需求。

發(fā)表于：2021/7/20 15:57:43

空天地一體化網(wǎng)絡(luò)系統(tǒng)架構(gòu)設(shè)計(jì)與智能管理[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

為了克服空天地一體化網(wǎng)絡(luò)系統(tǒng)(Space-Air-Ground Integrated Network，SAGIN)由于結(jié)構(gòu)復(fù)雜和業(yè)務(wù)多樣而導(dǎo)致的不同網(wǎng)絡(luò)間的協(xié)同困難，提出了基于移動(dòng)邊緣計(jì)算(Mobile Edge Computing，MEC)的SAGIN多維管理架構(gòu)。通過(guò)將網(wǎng)絡(luò)系統(tǒng)劃分為數(shù)據(jù)層、控制層和管理層，網(wǎng)絡(luò)狀態(tài)信息由各網(wǎng)絡(luò)層逐層匯總和分層處理，網(wǎng)絡(luò)管理策略由MEC統(tǒng)一制定，并逐層轉(zhuǎn)發(fā)，實(shí)現(xiàn)不同網(wǎng)絡(luò)間的協(xié)同管理?；谒峒軜?gòu)搭建網(wǎng)絡(luò)仿真平臺(tái)，并通過(guò)強(qiáng)化學(xué)習(xí)方法制定網(wǎng)絡(luò)協(xié)同策略，仿真結(jié)果證明了該架構(gòu)的可行性。

發(fā)表于：2021/7/20 15:52:48

基于深度學(xué)習(xí)的抽油機(jī)井工況診斷方法[其他][其他]

基于示功圖對(duì)抽油機(jī)井下工況進(jìn)行自動(dòng)診斷是數(shù)字油田不可或缺的環(huán)節(jié)。通常通過(guò)人工提取示功圖的特征向量，然后輸入機(jī)器學(xué)習(xí)算法分類器識(shí)別井下工況。然而，特征的選擇需要借助經(jīng)驗(yàn)和先驗(yàn)知識(shí)，并且直接影響后續(xù)分類器的最終性能。而人工提取特征易受知識(shí)干擾，且在特征提取的過(guò)程中存在信息丟失，這決定了識(shí)別結(jié)果的上限。為此，受深度神經(jīng)網(wǎng)絡(luò)自動(dòng)特征提取的啟發(fā)，提出基于卷積神經(jīng)網(wǎng)絡(luò)的示功圖的離線訓(xùn)練與在線診斷的方法。首先將挑選后的信號(hào)數(shù)據(jù)轉(zhuǎn)換為圖像數(shù)據(jù)，然后將圖像二值化降低計(jì)算復(fù)雜度，最后基于改進(jìn)的LeNet-5網(wǎng)絡(luò)探究最適合模型的網(wǎng)絡(luò)結(jié)構(gòu)。最終通過(guò)實(shí)驗(yàn)與目前先進(jìn)的算法進(jìn)行對(duì)比，驗(yàn)證了本方法的有效性和可行性。

發(fā)表于：2021/7/20 15:45:29

改進(jìn)的TF-IDF算法在文本分類中的研究[其他][其他]

企業(yè)數(shù)字化建設(shè)過(guò)程中，對(duì)大量日常經(jīng)營(yíng)活動(dòng)文本的數(shù)字化處理通常是多任務(wù)的，需要對(duì)文本數(shù)據(jù)同時(shí)完成信息抽取和文本分類任。在此應(yīng)用場(chǎng)景下，為了實(shí)現(xiàn)更加精準(zhǔn)的分類效果，提出一種改進(jìn)的TF-IDF算法，將文本信息抽取結(jié)果也作為文本重要類別區(qū)分特征。通過(guò)引入信息增益方法得到改進(jìn)的權(quán)重計(jì)算公式，進(jìn)而得到改進(jìn)的文本特征向量空間表示，再構(gòu)建文本分類模型。實(shí)驗(yàn)以石油行業(yè)中文文本為例，選取測(cè)試文本2 006條進(jìn)行文本分類對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明改進(jìn)的TF-IDF算法精確率P達(dá)到99.3%，召回率R達(dá)到98.7%，相比于傳統(tǒng)TF-IDF算法文本分類效果得到顯著提高。

發(fā)表于：2021/7/20 15:27:53

一種應(yīng)用于語(yǔ)義分割的新型親和力監(jiān)督方法[其他][其他]

語(yǔ)義分割是計(jì)算機(jī)視覺領(lǐng)域一項(xiàng)基本且具有挑戰(zhàn)性的任務(wù)，最近的語(yǔ)義分割研究工作，著力于設(shè)計(jì)注意力機(jī)制和全局性模塊，而在注意力機(jī)制中，親和力矩陣是非常重要的部份。傳統(tǒng)的親和力矩陣是以注意力機(jī)制的一部分嵌入在神經(jīng)網(wǎng)絡(luò)中，通常作為特征融合的權(quán)重來(lái)使用。嘗試直接將親和力矩陣應(yīng)用于注意力機(jī)制之外，與語(yǔ)義標(biāo)簽聯(lián)系起來(lái)。首先定義標(biāo)簽親和力矩陣，再在語(yǔ)義分割網(wǎng)絡(luò)輸出層計(jì)算親和力矩陣，將兩個(gè)矩陣結(jié)合起來(lái)，得到一個(gè)輔助的懲罰函數(shù)。標(biāo)簽親和力矩陣可以視為一種結(jié)構(gòu)上的監(jiān)督信息，能輔助訓(xùn)練語(yǔ)義分割網(wǎng)絡(luò)。在NYUv2數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，懲罰函數(shù)有助于提高語(yǔ)義分割網(wǎng)絡(luò)的精度，并且效果顯著。

發(fā)表于：2021/7/20 15:23:02

基于上下文特征重聚合網(wǎng)絡(luò)的人群計(jì)數(shù)[其他][其他]

針對(duì)計(jì)數(shù)問(wèn)題中人群目標(biāo)尺度的變化問(wèn)題，提出了一種基于上下文特征重聚合的計(jì)數(shù)算法。將高層網(wǎng)絡(luò)提取的語(yǔ)義信息與底層網(wǎng)絡(luò)提取的人群尺度細(xì)節(jié)信息相結(jié)合，旨在利用淺層網(wǎng)絡(luò)中提取的信息向深層網(wǎng)絡(luò)提取的特征中融入不同尺度的行人目標(biāo)特征，從而融合多種尺度的人群特征回歸出高質(zhì)量的人群密度圖。此外，在ShanghaiTech、UCF_CC_50以及 UCF_QNRF 三個(gè)數(shù)據(jù)集進(jìn)行算法的性能驗(yàn)證，并通過(guò)結(jié)構(gòu)實(shí)驗(yàn)驗(yàn)證本文結(jié)構(gòu)的有效性。

發(fā)表于：2021/7/20 15:17:32

基于補(bǔ)丁特性的漏洞掃描研究[通信與網(wǎng)絡(luò)][信息安全]

為抵御漏洞引發(fā)的黑客攻擊和漏洞自身產(chǎn)生的威脅，1day漏洞應(yīng)用修復(fù)的通用辦法是使用代碼匹配檢測(cè)。但目前源代碼匹配誤報(bào)率高，二進(jìn)制代碼匹配不精確且不通用。基于此，提出了一種由源代碼到二進(jìn)制的基于補(bǔ)丁特性的漏洞掃描模型——BinScan。它先形成已知漏洞數(shù)據(jù)庫(kù)并對(duì)源代碼進(jìn)行已知漏洞掃描得出漏洞檢測(cè)結(jié)果；然后利用源代碼檢測(cè)信息對(duì)打補(bǔ)丁前后源代碼編譯生成二進(jìn)制文件，形成二進(jìn)制漏洞庫(kù)；最后比較目標(biāo)二進(jìn)制文件相似性，利用源代碼結(jié)果進(jìn)行檢驗(yàn)。最終生成Linux Kernel的2 700條漏洞數(shù)據(jù)，15 496個(gè)patch文件，實(shí)現(xiàn)了利用源代碼檢測(cè)限制二進(jìn)制文件的漏洞檢測(cè)范圍，然后基于CFG和二進(jìn)制代碼相似性檢測(cè)補(bǔ)丁存在以檢測(cè)漏洞。檢測(cè)結(jié)果表明，此方法與其他二進(jìn)制漏洞檢測(cè)工具相比，可以將源代碼級(jí)的漏洞掃描能力應(yīng)用于二進(jìn)制，是有效的。

發(fā)表于：2021/7/20 15:13:10

基于最優(yōu)停止理論的網(wǎng)絡(luò)欺騙防御策略優(yōu)化[通信與網(wǎng)絡(luò)][信息安全]

網(wǎng)絡(luò)欺騙防御已經(jīng)成為網(wǎng)絡(luò)主動(dòng)防御的重要手段。網(wǎng)絡(luò)欺騙防御系統(tǒng)中，防御方主動(dòng)釋放部分有效信息來(lái)迷惑攻擊者，受到誘騙的攻擊者則會(huì)在欺騙誘捕環(huán)境中實(shí)施進(jìn)一步攻擊，直至攻擊者識(shí)破誘騙手段或防御方主動(dòng)驅(qū)逐攻擊者。為研究如何在達(dá)到有效防御效果的同時(shí)，盡量減少欺騙環(huán)境所釋放的有效信息，分別分析了欺騙防御模型和最優(yōu)停止理論問(wèn)題模型，確立了欺騙防御模型和最優(yōu)停止理論的要素對(duì)應(yīng)關(guān)系?；谧顑?yōu)停止理論，構(gòu)建了信息收益最大化問(wèn)題模型，通過(guò)對(duì)每次攻擊行動(dòng)信息量和有效信息泄露量進(jìn)行分析，選擇最大信息量之比，對(duì)后續(xù)攻擊進(jìn)行抑制，求解信息收益最大化問(wèn)題，得出最佳抑制時(shí)刻，即最優(yōu)解表達(dá)式。

發(fā)表于：2021/7/20 15:06:18

基于LSTM的卷積神經(jīng)網(wǎng)絡(luò)異常流量檢測(cè)方法[其他][其他]

針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)方法依賴人工特征提取，存在檢測(cè)算法準(zhǔn)確率低、無(wú)法應(yīng)對(duì)0day漏洞利用等未知類型攻擊等問(wèn)題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)(Long-Short Term Memory，LSTM)混合算法的異常流量檢測(cè)方法，充分發(fā)掘攻擊流量的結(jié)構(gòu)化特點(diǎn)，提取流量數(shù)據(jù)的時(shí)空特征，提高了異常流量檢測(cè)系統(tǒng)性能。實(shí)驗(yàn)結(jié)果表明，在CIC-IDS2017數(shù)據(jù)集上，多種異常流量檢測(cè)的準(zhǔn)確率均超過(guò)96.9%，總體準(zhǔn)確率達(dá)到98.8%，與其他機(jī)器學(xué)習(xí)算法相比準(zhǔn)確率更高，同時(shí)保持了極低的誤警率。

發(fā)表于：2021/7/20 14:34:50