【目的】随着社交软件用户群体的不断扩大,越来越多的平台采用多标签标注对文本信息进行分类。如何通过多标签文本数据挖掘来分析用户行为与心理,已成为当前研究的热点问题。本文基于深度主题特征提取模型,提出了一种面向多标签隐性知识的数据挖掘算法,以提升文本分类的准确性和数据挖掘的效率。【方法】针对多标签文本数据中隐性知识的显性化问题,基于SECI理论对文本信息中的隐性知识进行显性化转换,并利用循环神经网络的短时记忆能力提高隐性知识的转换效率。在此基础上,考虑到文本信息的复杂性,分别从局部特征和全局特征两个维度进行分析,并采用特征融合策略提高数据挖掘的准确性。由于文本信息前后文关联性较强,利用基于长短期记忆网络(LSTM)模型的门控机制,提取文本的上下文信息,以捕捉文本中的序列依赖关系;采用潜在狄利克雷分配(LDA)模型,对文本的主题结构进行建模,从而避免因人工标注标准差异导致的模型训练偏差;通过特征拼接的方式,并结合LDA主题模型和LSTM模型提取的局部及全局特征,以降低特征提取过程中信息丢失的风险;引入主题控制器,通过缩小推理范围,提高文本特征提取的有效性;构建基于高斯解码器的上下文主题层,计算词汇在特定主题下的条件概率矩阵,并利用高斯混合解码器优化文本主题建模,提高文本内容的扩充能力;使用Softmax函数计算各标签的概率,实现多标签文本分类。【结果】对比实验中,使用困惑度作为模型训练的评估指标。结果表明,本文模型的困惑度优于对照组(LDA主题模型与LSTM模型),验证了LDA与LSTM结合的特征拼接策略可有效发挥两种模型的优势。此外,与NVDM、LSTM、LDA和VAETM模型进行对比,以准确率和查全率为评估指标,本文模型在准确率和查全率方面分别提升了5.05%和2.75%,表明其在多标签文本分类任务中的有效性与优越性。【结论】对比实验结果表明,本文模型能够显著提升文本分类的性能,相比LDA主题模型和LSTM模型,在处理多标签文本时表现更优;能够高效挖掘多标签文本数据中的隐性知识,为文本分类、语义分析和信息检索等任务提供了一种高效、精准的解决方案。

【目的】受有限稳压直流电源影响,进行混沌电路设计与实现时,需要对混沌系统的各个变量进行幅值控制,即变量压缩成为了必不可少的前提条件。目前,对混沌系统吸引子的几何控制,如幅值控制、偏置控制等是混沌系统研究的热点方向。在已有方法基础上,提出了一种新的幅值控制方法,期望挖掘混沌系统中更多的潜在应用。【方法】本文提出了一个五维混沌系统,利用三维相图和李雅普诺夫(Lyapunov)指数验证了该系统的混沌性;分别对这个系统两个方程中的状态变量-u取绝对值,得到两个新的切换混沌系统,比较新系统和混沌系统相图,其幅值发生了变化且形状高度相似,实现了全局调幅;第2个方程中的状态变量-u取绝对值后为忆阻混沌系统,由3个不同频率下的紧磁滞回线验证了忆阻器的真实性,对忆阻混沌系统进行了详细分析,在系统的3个非线性项中加入参数k,吸引子在5个维度上的振幅均值会随之发生变化,说明忆阻混沌系统含有全局调幅参数;由随忆阻参数a变化的Lyapunov指数谱验证了忆阻混沌系统存在多稳态,随忆阻参数a变化的信号绝对均值和相图证明了忆阻参数a选择合适值时,能实现全局调幅。【结果】忆阻混沌系统的模拟电路方程、等效电路图及混沌系统在示波器上的模拟相图结果与计算机仿真结果高度相似,表明混沌电路设计具有一定的可靠性。【结论】所提出的五维混沌系统混沌化程度较高,且提出基于忆阻变量的切换变幅理论,为忆阻混沌系统的研究提供了新的方向。未来可以尝试以曲面为切换面,并通过计算机仿真实验,进一步研究切换变幅现象是否广泛存在于忆阻混沌系统中,并对其存在原理进行探索。系统在5个维度上的示波器相图与计算机仿真实验结果高度吻合,说明该系统维度高、混沌性强,具有切换幅值控制等特性,使其在工程应用上具有良好前景。

【目的】工业控制协议解析是工业互联网安全中的关键环节,但传统方法存在普适性差和准确率低的问题,导致协议解析效率低下,难以满足实际工业场景中对高精度和高适应性解析的需求。【方法】提出一种基于深度学习模型的工业控制协议逆向解析方法,通过结合BERT预训练模型、双向长短期记忆网络(BiLSTM)和条件随机场(CRF),提升协议解析的普适性和准确率,为工业控制系统的安全分析和漏洞挖掘提供技术支持。首先,利用BERT预训练模型对工业控制协议数据进行动态词向量编码,将协议数据转化为高维向量,以捕捉协议数据的语义信息。BERT预训练模型通过其强大的上下文理解能力,能够有效处理复杂且多样的协议数据。其次,采用双向长短期记忆网络对协议数据之间的关系以及协议数据与标签数据之间的关联性进行建模。双向长短期记忆网络能够捕获协议数据中的长距离依赖关系,从而更好地理解协议的结构和语义。最后,引入条件随机场作为约束条件,对工业控制协议的格式和语义进行最优预测。条件随机场通过引入标签之间的转移概率,进一步提高了预测的准确性和一致性。通过BERT预训练模型、双向长短期记忆网络和条件随机场的结合,实现了对工业控制协议的格式提取和语义分析。此外,本文方法还针对大规模协议数据进行了优化,确保其在处理复杂工业场景时的高效性和稳定性。【结果】针对三种典型工业控制协议展开实验,结果表明本文方法在格式提取和语义分析上的精度均超过96％,较传统方法有所提升,在不同协议上均表现出高适应性和准确性,能够有效识别字段边界与语义信息。【结论】本文方法显著提升了工业控制协议解析的普适性和准确率,为工业控制系统的安全分析提供了可靠的技术支持。未来将进一步优化模型,拓展应用场景,提升方法的实用性。

【目的】随着油气管道运输规模的不断扩大,管道安全检测的重要性日益凸显。管道缺陷处的应力集中是导致裂纹扩展和断裂事故的主要原因,然而现有检测方法难以实现应力的定量化评估。本文提出一种基于双场力磁耦合的管道应力检测方法,结合管道不同应力状态下J-A模型参数的变化情况,建立了磁应力检测模型;分别确定了不同弹性应力、塑性应变和不同外磁场对磁化强度和磁信号特征的影响。【方法】研究基于磁应力检测原理、J-A模型与磁荷理论,通过分析不同阶段应力和不同外磁场对磁化强度和磁信号的影响,找出不同外磁场和不同阶段应力下磁滞回线和磁化强度的关系及不同应力、不同磁场下轴、径向信号的变化特征。引入比例系数建立双磁场应力检测模型,并建立双磁场法弹、塑性应力检测模型。最后采用实验对该理论进行验证。推导弹性应力与塑性应变阶段的等效磁场强度公式,明确钉扎系数、形状系数及畴壁耦合系数随应力的变化规律。以X80管道钢为试件进行实验,在10~80kN拉力和0~10A/m外磁场下进行拉伸实验,测量磁信号特征。【结果】结果显示,不同外磁场与应力裂纹轴向分量磁信号特征均存在峰值,且峰值位置不随外磁场与应力的增加而发生波动。切向峰值随外磁场的增加而增加,与理论计算结果一致。实验结果表明,模型在应力较大时与实测结果高度吻合,误差较小;低应力下因参数拟合偏差存在一定误差,但整体验证了模型的可行性。【结论】在弹性阶段,拉应力使磁滞回线先逆时针后顺时针旋转,弱磁场下磁化强度变化显著,强磁场下应力影响微弱。在塑性阶段,塑性应变降低了磁化曲线斜率,初始磁化曲线和磁滞回线均顺时针旋转,弱磁场下磁化强度变化更为明显。磁化强度与磁信号成比例关系,将强磁信号与磁化强度的比值作为比例系数,该比例系数仅与缺陷尺寸有关,由此建立双磁场检测应力模型。模型计算得到的应力值在应力较大的情况下准确率较高,检测模型具有一定的应力检测能力。本文将双磁场法与J-A理论结合,提出基于比例系数的弹塑性应力分离模型,建立双磁场法弹、塑性应力检测模型,解决了传统方法中缺陷与应力信号混叠的难题。为油气管道缺陷处应力检测提供了高精度、可量化的技术方案,对预防管道事故、保障能源运输安全具有重要意义。

【目的】在大型变电站监控系统中,玻璃绝缘子的目标识别是确保电力设备安全运行的重要环节。然而,受环境复杂性和图像采集条件的限制,玻璃绝缘子图像往往存在清晰度差、相近色干扰等问题,导致目标识别困难,直接影响变电站的安全监控效果。【方法】为了解决这一问题,提出一种相近色干扰下大型变电站玻璃绝缘子目标识别算法。针对图像清晰度不足和相近色干扰问题,将原始图像从RGB空间转换为HSV空间。通过精细分解HSV空间的色相H、饱和度S和亮度V分量,计算特征差值,增强图像的色彩表现和视觉效果,从而有效消除相近色干扰。采用自适应阈值分割技术,结合HSV空间的色彩特征,对图像进行精确分割,分离出玻璃绝缘子目标区域与复杂背景。设计了一种双尺度分类卷积神经网络(CNN),通过多尺度特征提取和分类,实现对复杂背景下玻璃绝缘子的高精度目标识别。该网络结合了局部细节和全局上下文信息,进一步提升了识别的鲁棒性和准确性。【结果】实验结果表明,研究提出的算法应用优势显著。在色彩增强方面,通过HSV空间的特征差值计算,显著提升了图像的色彩对比度和视觉效果,有效消除了相近色干扰。在图像分割性能上,自适应阈值分割技术能够精确分离玻璃绝缘子目标区域与复杂背景,分割准确性达到较高水平。在目标识别方面,双尺度分类卷积神经网络在复杂背景下表现出较强的抗干扰能力,对玻璃绝缘子的识别精度显著高于传统方法。【结论】研究提出的相近色干扰下大型变电站玻璃绝缘子目标识别算法,通过色彩增强、自适应阈值分割和双尺度分类卷积神经网络的有机结合,成功解决了图像清晰度不足和相近色干扰导致的目标识别难题。该算法在色彩增强、分割性能和抗干扰能力上均表现出色,能够高效、准确地识别玻璃绝缘子目标,为大型变电站的安全监控提供了可靠的技术保障。

【目的】随着网络规模的不断扩大及攻击手段的日益复杂,网络流量异常检测技术已成为保障网络安全的关键环节,对维护关键信息基础设施的稳定运行具有重要意义。然而,传统机器学习方法在复杂网络流量特征提取方面普遍存在收敛速度慢、特征表征精度不足等瓶颈,限制了其在实际异常检测场景中的应用效果。为此,本文提出了一种基于卷积神经网络(CNN)增强学习器与门控循环单元(GRU)的时空融合深度学习模型(C²-GRU),旨在提升异常流量的多维度检测性能。【方法】设计了一种二次融合的深度学习框架,结合CNN对空间特征的提取能力与GRU对时间特征的建模优势。通过构建C-GRU模型实现初步的时空特征融合,并进一步与CNN级联形成C²-GRU模型;通过双重卷积并行提取时空特征,从而捕捉复杂网络环境下异常流量的多维特征。【结果】在KDD99数据集上的对比实验表明,C²-GRU模型的综合性能优于其他对比模型,该模型的准确率和AUC值分别达到99.89％和0.990 2,相较于单一CNN或GRU模型,检测性能显著提升。此外,与传统异常检测模型相比,该模型在实现高识别性能的同时,具备较短的模型运行时间,展现出更优的工程实用性。【结论】C²-GRU模型通过二次卷积融合策略,有效增强了时空特征的学习能力,能适应复杂网络环境下的异常流量检测需求。该模型在异常识别准确率与计算效率方面均具有优势,可为关键信息基础设施的安全防护提供技术支持,且能降低网络攻击引发的经济损失,对网络信息安全保障具有重要的实践参考价值。

【目的】随着可再生能源发电的快速发展,光伏发电因其安全可靠、调节灵活和清洁环保等优势,已得到广泛应用。在大规模光伏发电的需求背景下,光伏电站通常采用多台逆变器并联并网的方式以提高发电效率。然而,随着并网规模的扩大,弱电网中的感性阻抗对电网的稳定性和可靠性带来了挑战,表现为全局谐振抑制效果不佳及系统稳定性失控的风险。【方法】首先,构建光伏多逆变器并联系统的诺顿等效模型,并基于该模型深入分析弱电网条件下多逆变器系统的谐振特性,发现耦合谐振频率与逆变器台数呈负相关关系。其次,基于控制理论,提出结合电容电流反馈和电网电压前馈的优化控制策略,以有效解决多逆变器系统中的全局耦合谐振问题。同时,在公共耦合点(PCC)设计并联虚拟导纳的全局谐振抑制策略,从系统层面实现对全局谐振的有效抑制。最后,通过对2台和4台逆变器并联系统进行策略实施前后的仿真实验,以及与其他文献方法的对比仿真实验,验证本文策略的正确性和有效性。【结果】理论分析与仿真结果表明,全局谐振抑制策略能够显著提高系统的稳定性。通过Nyquist判据验证优化控制策略及参数的合理性。仿真实验结果显示,应用本文策略后,系统的谐波含量从17.32％显著降低至1.71％。这一结果表明,本文策略能够有效抑制全局谐振,并增强系统的稳定运行能力。【结论】本文构建了光伏多逆变器并联系统的诺顿等效模型,并创新性地分析了弱电网条件下的谐振特性。在此基础上,提出了一种结合电容电流反馈与电网电压前馈优化控制,在PCC处并联虚拟导纳的全局谐振抑制策略。该策略有效解决了多逆变器并联系统中因逆变器数量多、电网感抗大而引发的稳定性问题。通过对比仿真实验进一步证明了该策略在全局谐振抑制方面的优越性,为光伏发电并网系统的高效运行提供了重要参考。

【目的】随着电力工程的快速发展,施工现场的安全问题日益突出,而传统的人工检查方法耗时且易出错。近年来,计算机视觉、深度学习与知识图谱技术的发展为不安全作业行为的自动识别提供了新可能。然而,现有计算机视觉方法在小目标检测方面仍存在不足,同时缺乏适用于不安全作业推理的高质量数据库。为此,本文结合知识图谱、本体模型、图形数据库和计算机视觉,通过实体检测、场景分析及空间关系推理,并引入改进的自注意力机制提升小目标检测能力,以精准识别施工现场的不安全作业行为。【方法】所提出的方法主要包括本体模型构建、知识抽取和知识推理。首先,基于工程文件、历史事故报告、安全作业隐患报告等构建施工安全本体模型,将信息划分为实体、属性、时间、空间、事件和属性值这6个类别,以规范知识表达。其次,利用计算机视觉方法检测作业实体及其属性,并提取实体间的空间关系,采用Mask R-CNN进行目标检测,并结合改进的自注意力机制提升小目标检测精度,从而优化模型性能并降低计算复杂度。最后,使用Neo 4j图形数据库存储实体及其关系,并基于数据库查询自动识别不安全作业行为,实现施工安全知识的结构化推理,提高不安全作业识别的智能化水平。【结果】以某电力工程施工现场为背景,选取了6种可能引起高空坠落的不安全作业行为进行仿真实验。实验结果表明,本文方法在识别精度和训练效率上均优于现有方法,尤其在小目标检测方面,改进模型展现了更高的识别精度。此外,通过特征金字塔网络和统一感知解析方法进行场景分割,显著提升了模型的场景理解能力。基于Neo 4j图形数据库的知识推理方法有效整合了实体属性与空间关系,提高了不安全作业识别的自动化程度。【结论】本文方法可在复杂施工场景下精准检测不安全作业行为,提高施工现场安全管理的智能化水平。创新点主要包括:结合计算机视觉与本体模型,提高施工安全管理的自动化程度;通过修改卷积核并引入全局最大池化层优化自注意力机制,提升Mask R-CNN网络的小目标检测能力;引入图形数据库Neo 4j,实现施工安全知识的结构化存储与推理。研究成果为施工现场不安全作业行为的自动识别提供了一种高效、可扩展的解决方案。

【目的】随着电网规模的不断扩大和运行环境的日益复杂,输电设备表面腐蚀问题已成为威胁电网安全运行的重要因素。传统人工巡检方式不仅效率低,而且难以准确识别设备表面的细微腐蚀特征,特别是在复杂自然环境下腐蚀区域边界往往模糊不清,给精确识别带来巨大挑战。为此,提出了一种基于图像语义分割的输电设备表面腐蚀区域细粒度识别方法,旨在通过深度学习技术实现对腐蚀区域的精准检测和识别。【方法】上述识别方法的核心为构建了一个融合注意力机制的语义分割网络,该网络通过引入通道注意力和空间注意力机制,能够有效捕捉腐蚀区域的细微特征和精确边界。具体而言,通道注意力机制通过分析特征图各通道间的关系,增强对腐蚀特征显著通道的响应;空间注意力机制则通过关注特征图的空间位置信息,强化腐蚀区域的空间特征表达。完成初步分割后,采用K-means++聚类算法对分割后图像的像素RGB值进行聚类分析,该算法通过优化初始聚类中心的选择,有效避免了传统K-means算法可能陷入局部最优的问题,从而能够更准确地划分腐蚀与未腐蚀区域。为进一步提高识别精度,引入了结构相似性指标对各聚类区域进行评估,通过计算区域间的结构相似度,在像素级别上实现了腐蚀区域的细粒度识别。【结果】识别方法在复杂自然环境下的输电设备图像数据集上取得了显著效果,腐蚀区域识别准确率大幅度提高,边界定位精度较传统方法明显提升。【结论】该识别方法通过融合注意力机制的语义分割网络,并结合K-means++聚类算法与结构相似性指标评估,为输电设备表面腐蚀区域的细粒度识别开创了一种高效且精确的新途径。该识别方法通过引入注意力机制,有效应对了腐蚀区域特征复杂、边界模糊的挑战,显著提升了识别精度。同时结合聚类算法与结构相似性评估,实现了像素级别的细致区分,进一步增强了识别的精细度和实用性,为电网的安全监测与维护提供了坚实的技术保障,不仅保障了电网的安全稳定运行,还为图像识别和分割技术在其他领域的应用提供了宝贵的思路和启示。

【目的】卷积神经网络作为深度学习领域的一项重要技术,在图像识别、目标检测、自然语言处理等多个领域展现出了卓越的性能。然而,随着模型深度和复杂度的增加,卷积神经网络模型的大小和计算需求也急剧上升,这为模型的部署和实时应用提出了严峻挑战。【方法】为减少神经网络的大小和计算量,并提高模型的效率和可部署性,提出了基于知识蒸馏的卷积神经网络压缩方法。通过将大型复杂模型(教师网络模型)中的知识转移给小型精简模型(学生网络模型)来实现模型的压缩和加速,本文建立了性能优异的教师网络和结构更简单、参数更少的学生网络。教师网络负责提供丰富的特征表示和准确的预测结果,学生网络则通过学习教师网络行为来逼近其性能。使用标准损失函数,并通过反向传播算法迭代更新其参数,确保其在训练数据集上达到良好的性能。采用改进知识蒸馏方法获取综合阈值函数,评估教师网络和学生网络之间的知识差异,并指导学生网络的学习过程。在训练过程中,学生网络利用综合阈值函数进行监督,逐步逼近教师网络的输出,同时保持较小的模型结构和计算复杂度,从而实现了卷积神经网络的压缩处理。【结果】实验结果表明:本文方法在ImageNet和Labelme数据集上均表现出较好的模型压缩效果。其中,本文方法在压缩前后卷积神经网络输出结果的拟合度较高,表明学生网络成功学到了教师网络的关键特征;交叉熵损失值较低,在1.0左右,进一步验证了其良好的预测性能;完成卷积神经网络模型的压缩时间较短,为79.8~89.4 s,表明本文方法具有较高的计算效率。【结论】由以上结果可知,基于知识蒸馏卷积神经网络压缩方法能够有效减小模型结构、降低计算量,并保持甚至提升了模型的性能。本文方法不仅为模型压缩提供了一种新的思路,还为深度学习模型的部署和应用提供了有力支持。此外,本文方法在知识蒸馏方法上进行了改进,通过引入综合阈值函数来更全面地评估和指导模型的学习过程,在一定程度上提升了知识蒸馏的效果和效率。因此,本文方法不仅具有理论价值,还具有重要的实践意义。

【目的】遥感图像作为观测地球的重要工具,被广泛应用于环境监测、资源勘探、灾害预警等多个领域。然而,遥感图像在采集过程中容易受到传感器噪声、大气干扰等因素的影响,导致图像质量下降,细节信息模糊,给后续的图像分析和目标分类带来了巨大挑战。在多标签遥感图像分类任务中,由于图像中往往包含多个类别的目标,且这些目标之间可能存在复杂的关联和依赖关系,传统的监督学习方法在处理这类问题时显得力不从心,分类误差较大。【方法】为有效应对遥感图像噪声影响、准确捕捉图像特征、提高分类精度,提出一种半监督学习的多标签遥感图像分类方法。利用感知损失函数对遥感图像进行预处理,通过查找图像中存在细节丢失和模糊的像素点位置,计算原始图像和缺陷图像的信噪比残差值,确定遥感图像质量下降程度。设计了一种基于残差映射的图像去噪算法,按照残差映射值调整含噪位置的频谱值,通过调节像素的高低频关系提高信噪比,恢复图像中的细节信息。采用半监督学习方法对图像分类器进行更新改进,提高遥感图像的处理效率和分类准确性,以此实现多标签遥感图像的分类。【结果】为了验证方法的有效性,在不同分辨率、不同主成分数情况下进行了图像分类实验,同时,设计了针对不同类型遥感图像的分类实验。测试结果表明,方法在去噪效果和图像细节还原方面表现出色,能够清晰地区分每个区域的色块,恢复了图像中的关键细节信息。在地貌特征提取方面,结果与实际地貌分布的吻合度较高,误差较小,证明了其在遥感图像特征提取方面的优势。在图像分类精度方面,方法在图像分辨率为70像素×80像素、主成分数为12时,分类精度达到0.88,表现出了较高的分类精度。同时,在对不同类型的遥感图像进行分类时,方法的分类精度也保持在0.9以上,最高达到0.98,充分验证了其广泛的适用性和高分类精度。【结论】实验结果表明,方法利用结合感知损失函数、残差映射的图像去噪算法和半监督学习方法,实现了多标签遥感图像分类。不仅提高了遥感图像的处理效率和分类精度,还为遥感图像处理领域提供了新的思路和技术支持,具有较高的理论意义和实际应用价值。

【目的】在航空业的快速发展背景下,航空运输的规模与水平得到显著提升,航空运输成为经济活动中不可或缺的运输方式。然而,航空运输中的货物装载路径规划问题限制了运输效率与成本的优化。针对航空运输的运行效率提升和成本优化问题,提出了一种基于自适应遗传算法的航空运输装载路径优化算法。【方法】为了阐明航空运输的装载路径优化算法,分析航空运输装载的实际需求与路径规划平台的计算条件,探讨影响航空运输装载路径优化的运输成本因素。在此基础上,通过改进具有自适应功能的遗传算法,采用具有自适应功能的适应度函数、交叉概率和变异概率,避免了传统算法稳定性差和收敛速度慢的问题。该算法的核心在于动态调整交叉概率和变异概率,以适应种群的进化状态,从而提高算法的全局搜索能力和收敛速度。在研究过程中,详细描述了自适应遗传算法的编码方式、适应度函数的设定、交叉概率和变异概率的计算方法及控制原理,并提出装载路径优化算法的具体执行步骤。通过在MATLAB平台上使用编程方法取得算法的结果,并利用实际航运机场的配送数据进行仿真测试。【结果】仿真结果表明,与传统遗传算法、智能水滴算法和改进蚁群算法相比,基于自适应遗传算法的航空运输装载路径优化算法在运输效率和总体运输成本方面均有显著优势。航空运输装载路径优化算法能够有效降低航空运输装载的平均运输成本,同时提高运输效率。在实际航空运输装载过程中由于受复杂环境因素影响,飞机货舱尺寸限制、配送道路路况复杂等问题尚未在算法中得到深入考虑,表明算法仍有改进空间。【结论】综上所述,基于自适应遗传算法的航空运输装载路径规划算法引入具有自适应机制的改进遗传算法,使其在航空运输装载路径规划问题上表现出更好的全局搜索能力和收敛速度,为航空运输装载路径规划提供了一种新思路,同时也为航空物流领域提供重要的理论和实践价值。未来的研究将考虑更多实际运行环境因素,以进一步优化算法性能。

【目的】钢铁工业作为我国经济发展的支柱产业之一,在整个制造业中具有无可取代的地位。热轧带钢具有包容覆盖能力强、便于加工、节省材料等优点,是生产其他钢产品的主要原材料,提高带钢产品的表面质量是提高钢铁产品质量的重要环节。由于受到生产、加工、拍摄等多种因素的影响,原始带钢表面缺陷图像亮度不均匀、缺陷区域与非缺陷区域对比度较低,导致缺陷信息不够清晰、不便于检测。针对上述问题提出了一种基于小波去噪与改进同态滤波相结合的带钢表面缺陷图像增强算法。【方法】算法采用二级小波变换将原始图像分解为低频分量和高频分量。低频分量包含原图的主要信息,对低频分量进行增强处理以提升图像的整体效果。分别采用改进的同态滤波算法以及限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE)算法对低频分量进行增强,在均衡图像亮度的同时提高了整体对比度,并将上述两种算法处理后的低频图像基于适当的权重进行图像融合,得到增强后的低频分量。而高频分量包含图像的细节信息以及噪声,对高频分量使用了改进的阈值函数提升去噪效果,并较好地保留了边缘细节。将处理后的低频分量和高频分量通过小波重构得到最终的增强图像。【结果】通过主观视觉评价和客观评价指标对算法处理结果进行多组对比分析,与其他算法结果相比,经本文算法增强后的各类带钢表面缺陷图像亮度均明显提升,且整体亮度保持均衡,同时提高了对比度,图像的纹理细节和缺陷信息也更加明显。采用通用指标均方误差(mean square error,MSE)、峰值信噪比(peak signal to noise ratio,PSNR)和图像信息熵(image entropy,IE)对算法进行评估,综合分析各参数可知,本文算法对提高对比度、降低噪声效果较为显著,同时保留了更多的细节信息,失真度较小。【结论】实验结果表明,本文算法有效改善了带钢表面缺陷图像亮度不均匀的问题,在提高了整体对比度的同时提升了去噪效果,使缺陷信息和边缘细节得到显著增强,并且适用于多种类型的带钢表面缺陷检测。

【目的】诸如名贵药材、有机水果等高值农产品往往具有高品质把控和高保鲜要求,通常需要经过初加工才能进入市场流通,故初加工中心的选址对平衡生产端分散的农村采购物流和配送点密集的城市配送物流起到重要的协调作用。鉴于高值农产品存在的农村采购物流与城市配送物流协调性差、运输成本占比过大的共性特征,如何在保证客户满意度的同时降本增效是高值农产品选址-路径规划中亟待解决的关键问题。【方法】提出了以总成本最小、客户满意度值最大为目标的两阶段物流选址-路径优化模型。第1阶段聚焦烘干中心选址,考虑建设成本、运输便利性、服务辐射范围等构建选址模型,优选出与中草药产区及用户地理位置相匹配的初加工中心;第2阶段基于筛选的初加工中心位置规划物流运输路径,以车辆容量、速度、时间窗为约束,综合运输、惩罚、货损成本与客户满意度构建多目标路径规划模型。为求解上述模型,将粒子群算法、差分进化理念及种群进化因子融入细菌觅食算法中,提出了混合多目标优化的MOBFO-NMOPSO算法,所设计算法通过引入基于小生境的多目标粒子群算法以提高求解精度;通过在复制操作中引入差分进化思想以保留种群的多样性;通过将种群进化因子引入迁徙操作以提高算法收敛速度。为验证模型及算法的有效性,首先将所提出的MOBFO-NMOPSO算法与NSGA-II、MOPSO、NMOPSO、GWOEDA、GA等算法对比,验证了算法在求解性能及求解速度上的优势。其次以S企业中草药供应链的实际数据为支撑,综合考虑烘干中心建设成本、车辆运输成本、时间惩罚成本及货损成本,全面求解两阶段选址-路径规划问题。【结果】仿真结果表明,优化后的企业运输成本降低了10.26％,客户满意度提升了44.84％,验证了模型在求解高值农产品物流规划问题上的有效性。从服务中草药产区数量、物流成本和客户满意度3个维度考量,分别设计了S企业中草药供应链在考虑不同极端解和折中解的实际物流路径方案,以供企业选择。【结论】研究构建的两阶段选址-路径优化模型及改进的MOBFO-NMOPSO算法,通过降低供应链总成本切实增强其竞争力,通过提高客户满意度稳固供需合作关系,并通过构建两阶段物流规划体系有力推动高值农产品供应链的协调稳健发展,提升其高值农产品运作效率。

【目的】深度神经网络的应用面临庞大的计算需求和存储开销,这已成为限制其在边缘设备上广泛应用的主要瓶颈。边缘设备因受限于有限的计算资源和存储空间,难以高效运行复杂的深度神经网络模型。因此,在保证模型精度的前提下,如何降低深度神经网络的复杂度和计算量以适应边缘设备对资源轻量化的需求,已成为当前研究的重要方向。提出了一种结合蚁群算法与双角度并行剪枝的深度神经网络优化方法,以提升深度神经网络在边缘设备中的性能。【方法】分析了深度神经网络的结构特点,并构建了包含多个隐藏层的模型。通过蚁群算法模拟蚂蚁觅食过程中的信息素传递机制,在复杂空间中寻找近似最优解,对隐藏层中的相似节点进行聚类,识别并归类高度相似的神经元节点,从而缩减网络规模并降低复杂性。在聚类结果的基础上,提出了对聚类后的冗余节点及游离节点双角度并行剪枝策略:一方面,从权重矩阵的稀疏性出发,裁剪权重较小的节点,以减少计算开销;另一方面,从节点贡献度角度评估每个节点对整体输出的影响,裁剪贡献度较低的节点,从而进一步优化网络结构。【结果】实验结果表明,与未剪枝的原始模型相比,在相同的计算时间内,本文方法剪枝后的深度神经网络在保持较高精度的同时,其数据量高达120 MB、网络复杂度平均值为88.32％、可拓展性为99％。这一结果表明,在有限的资源条件下,该方法能够显著提升深度神经网络的运行效率,更好地满足边缘设备的应用需求。实验结果不仅验证了该方法的有效性,也为深度神经网络在边缘设备上的部署和应用提供了新思路。【结论】提出的优化方法通过在剪枝过程中应用蚁群算法,实现了隐藏层相似节点的精准聚类,为后续的剪枝处理提供了明确目标。同时,双角度并行剪枝策略提升了剪枝的效率和效果,确保剪枝后模型在精度和可拓展性方面的平衡。该方法不仅能够促进深度神经网络在边缘设备上的广泛应用,也为复杂网络优化问题提供了借鉴和参考价值。

【目的】在电力系统中,架空输电线路作为电能传输的关键环节,其安全稳定运行尤为重要。然而,随着自然环境变化和植被快速生长,输电线路走廊内的树木成为影响线路安全的主要隐患之一。树木与输电线路的接近度过高不仅可能引发短路、跳闸等故障,严重时还会导致火灾,威胁电网安全及人民生命财产。因此,为提高树障隐患识别的准确性,设计了一种基于无人机(UAV)巡检影像的架空输电线路树障隐患识别方法。【方法】首先,通过直方图均衡化增强影像对比度,使细节信息更为清晰,并采用变换函数强化影像边缘,为特征提取奠定基础。然后,利用FROST滤波去除影像噪声,在保留边缘细节的同时确保处理准确性。结合二值化方法平滑影像,提取巡检影像中的树障颜色特征及输电线路导线弧垂的纹理特征。针对影像拍摄角度和光线导致的边缘信息缺失,采用插值算法补充缺失的边缘值,保证特征提取的完整性。在此基础上,通过计算相邻数据的欧氏距离获得特征融合的标注结果,实现对输电线路走廊隐患的识别。【结果】实验结果显示,本文方法在识别架空输电线路树障隐患任务中表现优异,不仅准确识别出5个树障隐患区域,且隐患数量识别结果与实际误差较小。在隐患位置坐标的精确性分析中,b区域和d区域的识别坐标分别为(1.43 m,8.3 m)和(1.49 m,9.8 m),与实际数据高度吻合。此外,相较于其他方法的隐患程度识别不准确情况,本文方法在各级树障隐患方面的识别结果更为精确,与实验区域实际情况的数值接近,验证了方法实际应用优势和可靠性。【结论】本文方法能够有效识别输电线路的隐患区域,精准判断隐患数量及特征,具有较高的实用性。该方法结合无人机巡检影像与先进图像处理技术,实现了架空输电线路树障隐患的自动化、智能化识别。通过融合颜色特征和纹理特征,提高了识别准确性与鲁棒性。本研究成果对于提升电力系统的安全性和稳定性具有重要意义,为智能电网建设和发展提供了有力支持。

【目的】在网络技术迅猛发展的背景下,传统网络探测技术因效率和准确性不高,难以适应复杂的网络管理需求。尤其在电力通信网中,网络流量、结构和负载的统计与管理变得复杂,导致网络安全事件发生时,网络管理技术人员难以迅速提出有效的补救方案,影响互联网服务质量和社会秩序。因此,提出了基于多Agent模型的网络协同探测系统,旨在提高网络探测的效率和准确性。【方法】通过综合使用主动和被动探测的网络拓扑算法,并集成多种Agent和动态决策机制,显著提升了网络探测的效率和准确性。主动式探测技术利用Traceroute算法发现网络中的活动设备和开放端口,而被动式探测技术根据SNMP等协议收集网络流量中的详细信息,两者结合获得更完整的网络资产视图。设计了融合主动式与被动式网络探测技术的模块部署与技术架构,并建立了分布式探测系统组织结构。【结果】仿真实验与分析结果表明,在相同测试环境和流程下,与单一的被动式和主动式网络探测系统相比,网络协同探测系统在耗时较少的情况下,具有更强的通信性能和更短的探测时间。【结论】网络协同探测系统在仿真实验中展现出优越的通信性能和探测效率,能够在短时间内探知到更多的主机,且数据流量更大,覆盖范围更广,进一步验证了该系统的可行性和有效性。实际测试中,在包含多种操作系统的复杂网络环境下,基于多Agent模型的网络协同探测系统探知到的主机数量最多,且能够明确主机操作系统的组成。该系统不仅提高了网络探测的效率和准确性,而且对实时性要求较高的应用场景具有重要意义,有助于提升网络管理的响应速度和处理能力,对网络安全和优化具有重要的理论和实践价值。对于能够满足广泛工程需求的网络协同探测系统而言,其理论机理及探测时间仍然存在一定的优化和提升空间,这也是网络探测研究领域的核心问题。

【目的】电力监控系统承载着大量敏感信息,包括电力设备的运行数据、电力负荷情况及用户用电信息等。这些数据对保障电力系统的安全和稳定至关重要,因此保证这些数据的安全性是电力监控系统的关键。分布式数据库作为电力监控系统的核心组成部分,具有处理速度快、数据存储量大等优势,但也面临着数据泄露、非法访问等安全隐患。【方法】为了增强电力监控系统的安全性,提出了一种基于二叉Trie树的电力监控分布式数据库安全访问混沌加密控制方法。采用SRP-6协议进行身份认证,确保只有经过授权的用户能够访问电力监控系统。SRP-6协议通过对身份信息的加密处理,有效防止了恶意攻击者伪造身份访问。在分布式数据库的环境中,密钥的管理是极具挑战性的任务。由于分布式系统涉及多个节点,且不同用户的权限和密钥各不相同,因此需要建立一个高效且安全的密钥管理机制。本文采用了二叉Trie树作为密钥管理结构,二叉Trie树是一种能够快速检索和存储密钥的高效数据结构,通过二叉Trie树的层次化结构,实现密钥的快速定位和分配。每个节点代表密钥管理中的一个步骤,叶节点则存储具体的加密密钥。通过这种树形结构,系统可以轻松管理大量的密钥,减少了密钥存储的冗余,同时提高了密钥分发的效率。二叉Trie树的使用也降低了密钥泄露的风险,增强了系统的整体安全性。在密钥管理的基础上,引入混沌加密技术,结合Tent映射和Logistic映射两种混沌模型,用于生成加密数据所需的随机数和轮密钥。Tent映射通过折叠和扩展操作将输入值映射到[0,1)区间,而Logistic映射则通过迭代生成伪随机序列,两者共同构成了混沌加密的基础。通过这种方式,电力监控分布式数据库中的数据被加密为不可预测的密文,极大程度上提高了攻击者通过分析密文推导明文的难度。【结果】所提方法在增强加密强度和提高系统安全性的同时,还具备较好的性能。通过控制密文分布的频率,保证加密数据的均匀性,密文的分布频次能够保持在2 800次以上。雪崩效应值超过0.524,证明了所提方法在数据加密方面的有效性。【结论】与传统方法相比,本文方法在保证数据安全性的同时,减少了计算和存储资源的消耗,适合大规模分布式数据库的应用。

【目的】随着社交网络技术的快速发展,大规模复杂网络的拓扑结构获取成为电子、网络、生物和医学等多个学科领域亟待解决的问题。大规模复杂网络由参与节点和虚拟连接组成,其中节点代表个体、家庭与社会等角色,而连接则刻画了这些角色间的复杂关系。一般而言,复杂网络中存在严重的同源性现象,即存在大量的重复或相似组成架构,这极大地增加网络动态结构发现的难度。【方法】在时间局部性原理基础上,提出一种启发式网络社区发现算法,旨在进一步优化拓扑结构发现的精确度和运行耗时。通过修改相邻时间范围内节点的计算规则,利用余弦相似性判定准则与拓扑结构发现算法深入描述网络中多个参与节点之间复杂关系的可预测性。算法结合经典Louvain算法,通过计算增量模块度和余弦相似性优化社区检测的精确度和耗时。此外,算法使用模块度概念,对网络拓扑结构进行准确衡量,同时引入增量模块度指标计算表达式,以实时掌握拓扑结构发现算法指标的变化情况。【结果】为验证所提算法的有效性,利用智能电网实际通信数据集进行仿真,数据集包含115个用电单位的616条通信连接数据。仿真结果表明,与经典Louvain算法相比,所提算法在检测效率和运行耗时上均有显著优势。归一化互信息量指标的对比分析显示,所提算法在参与节点数量较多时,具有更高的归一化互信息量和更低的平均运行耗时。算法在大规模网络中具有优势,尽管在小规模网络中表现稍逊。通过实际数据集仿真可知,基于时间局部性的拓扑结构发现算法在大规模智能配电网络的精准发现方面具有明显优势,性能表现突出,为智能电网领域提供优化网络拓扑结构发现的策略。【结论】综上所述,基于时间局部性拓扑结构发现算法的创新性在于将时间局部性原理应用于网络社区发现,为复杂网络社区发现算法的研究提供了新的视角和方法,对相关领域的研究具有参考意义。未来将考虑该算法在小规模网络中的应用问题,并进一步分析算法的鲁棒性。

【目的】工业互联网是国家关键基础设施的重要组成部分,其安全性直接关系到国家安全、经济稳定和社会秩序。随着工业互联网的广泛应用,工业控制系统的网络攻击频发,造成了严重的经济损失和社会影响,因此,开发高效的实时入侵检测系统显得尤为重要。传统的入侵检测系统在处理高维度网络流量数据时,往往难以有效区分正常流量和异常流量,尤其是在缺乏异常流量样本的情况下。【方法】为了解决该问题,本研究通过分析某油气集输管线工业控制系统真实网络流量特性,提出了一种结合Suricata的滑动窗口密度聚类工业网络实时异常检测方法。该方法针对工业网络流量特性,利用Suricata的开源性、可扩展性以及滑动窗密度聚类算法的动态检测能力,建立从流量采集解析到实时入侵检测的全过程入侵检测模型。本研究通过分析真实工业控制系统环境中的网络流量特性发现工业网络流量存在一定的周期性,利用基尼系数选取能体现工业网络流量特性混杂程度的特征,实现对工业网络流量降维处理,对降维后的数据使用滑动窗口分组构建工业网络正常流量特征阈值。利用改写Suricata实现实时流量采集与解析,并将实时解析结果输入到所构建的滑动窗口密度聚类入侵检测算法中,通过与工业网络正常流量特征阈值进行对比,快速筛选绝对正常流量组和绝对异常流量组。针对正常流量与异常流量掺杂的组别,通过密度聚类算法将异常流量分离,完成异常流量检测。【结果】将入侵检测方法在油气集输全流程工业场景攻防靶场中应用并开展大量实验,该方法能够有效识别异常流量,检测率达到96％以上,误报率低于3％。所提出的方法可以满足工业网络中异常流量检测高效性、可靠性和实时性需求。【结论】本研究的创新之处在于提供了一种新的工业网络异常流量检测方法,结合Suricata和滑动窗口密度聚类算法,建立了从流量采集解析到实时入侵检测的全过程入侵检测模型,对工业互联网安全防护具有重要的实践价值,为工业网络实时入侵检测提供一种新的研究思路。

针对输电线路外界影响因素过多,导致防振锤缺陷检测精准度较差且效率偏低的问题,提出了一种基于图像表达及像素点坐标的防振锤缺陷智能识别技术。利用非线性映射描述防振锤的细节及轮廓,预估防振锤因受力形变引起的阻尼力、刚度、质量与位移等参数变化情况。利用变换矩阵建立识别坐标系,计算防振锤各轴上关键点的旋转角及动态位姿,与待识别节点中参数表达不一致的节点即为缺陷部位。实验结果表明,所提技术在复杂背景形态下也能实现精准的缺陷识别,且噪声及失真现象的处理效果也较优,具有良好的鲁棒性及适用性。

为提高电容层析成像的图像重建质量,提出了一种基于改进正问题模型和模因算法的图像重建算法,即Im-MA算法。通过对灵敏度矩阵进行平滑滤波和降维处理,改进正问题模型。使用L₂范数作为数据拟合的测度,并将全变差作为正则项,构建目标函数,将图像重建问题转化为最优化问题。采用麻雀搜索算法和天牛须搜索算法相结合的模因(memetic algorithm,MA)算法求解目标函数。仿真与实验结果表明:与常用的Landweber算法相比,Im-MA算法的重建误差更小,且重建图像与真实分布更加接近。Im-MA算法为解决ECT逆问题提供了一种有效的新方法。

针对区块链存证系统多需对不同业务场景的存证内容开发特定智能合约及对关系型数据存证操作不便的问题,提出了面向多业务场景的智能合约分层架构、设计模式及基于集合论的智能合约对关系型数据的操作方法。通过对不同智能合约间及智能合约同数据表间的解耦,提高了智能合约代码的可扩展性,并能有效支持以键值对数据库为底层存储的区块链对关系型数据库表及数据的存证操作,实现对已有政务业务数据的存证。实验结果表明,提出的存证方案具备可行性和有效性,并可大幅减少智能合约的开发工作量。

管道内检测技术是长输油气管道内检测最有效的方法之一,是长输油气管道缺陷检测、评估与完整性评价的重要手段。随着我国能源行业的高速发展,管道成为能源输送的最有效载体,这对管道内检测技术提出了新的挑战,应运而生多种新的检测方法与解决方案。梳理了长输油气管道内检测技术的发展过程,阐述了长输油气管道内检测技术的国内外研究现状,针对长输油气管道内检测现存在的问题,对新技术、新方法的原理、应用情况进行归纳总结,并提出管道内检测行业的未来展望。

为了解决抛物型多智能体系统(MASs)在拒绝服务(DoS)攻击下的一致性问题,提出了一种基于输出反馈方法的MASs领导-跟随一致性控制协议来应对恶意攻击者发起的DoS攻击,从而实现智能体在无向通信拓扑图上的领导-跟随一致性。对DoS攻击的频率和持续时间进行了分析,利用Lyapunov稳定性定理推导了抛物型偏微分系统的稳定条件,证明了触发时间间隔不为零,避免了芝诺行为的发生,并通过仿真算例验证了理论结果的有效性。

针对无人机对目标进行匹配定位过程中,面临图像旋转变化及视角尺寸过小导致的图像特征提取困难等问题,提出了一种融合候选区域检测与SE-Hardnet特征提取网络的无人机目标图像匹配算法。通过Edge Boxes算法检测候选区域,结合SE-Hardnet网络进行特征提取,实现了目标图像的精确匹配。实验结果表明,所提算法在图像发生角度、尺寸变化时,具有更高的匹配正确率和鲁棒性,在近距离条件下图片数据集中的匹配正确率比现阶段图像匹配算法高8％～11％。为无人机目标定位提供了一种可行和有效的手段。

针对电力电缆绝缘缺陷识别精准度较低的问题,提出一种基于三维激光点云数据的电力电缆绝缘缺陷识别方法。利用剪裁法增强原始三维激光点云数据,通过区域生长法与最小二乘法完整获取电缆绝缘材料的三维结构面信息。借助Canny边缘检测方法求解电缆绝缘表面缺陷与内部缺陷边缘信息,自动识别出电力电缆绝缘的缺陷位置及缺陷类别。结果表明,所提方法可以精准识别电缆绝缘表面的划痕缺陷、电缆外屏蔽表面起泡和孔洞缺陷,识别耗时短,鲁棒性较优,具有较高实际应用价值。

为提高汽车发动机尾气排放污染参数控制的准确性,采用跟车尾气测试系统对汽车发动机尾气排放因子进行计算及扩散模拟分析。利用路试直接采样法测试尾气排放污染参数,并对其进行精准计算,再利用点源高斯扩散模型进行模拟分析,并采用CALINE4模式对点源高斯模型进行修正,以获得精准的分析结果。分析结果表明,所提方法对排放因子的计算结果与实际结果误差较小,维持在0.5 g/km以内,且对排放因子扩散分析符合实际情况,具有较高的准确性,有利于城市交通污染控制及大气环境质量的提升。

针对电网工程构件的GIM模型无法包含造价分析所需要的所有信息,导致造价分析精度及效率较低的问题,提出了一种基于多源异构数据融合的造价数据与GIM模型的挂接方法。该方法建立了电网工程GIM构件属性集和造价数据库,并从中提取出构件本体来实现GIM构件到本体间的映射以及造价数据到本体间的映射关系,进而完成多源异构的造价数据与GIM模型间的挂接。仿真实验及分析结果表明,所提方法能够大幅节省造价分析人员的查询和计算时间,从而提高电网工程造价分析与管理的效率。

为了解决社交网络隐式用户行为数据挖掘过程中关联相似性计算较为困难的问题,提出了基于决策树的社交网络隐式用户行为数据挖掘方法。将社交网络视为包含不同维度的向量空间,计算特定维度上用户的兴趣空间和兴趣点。确定样本属性集后,根据已知行为数据建立测试分支,计算该分支下子集的属性权重,不断迭代直至挖掘到同等属性的数据点为止。测试结果表明:该方法可对不同种类隐式用户行为精准挖掘,目标行为数据查找效果较好,实用性较强。