面向时间敏感网络的安全感知调度方法

时间敏感网络（TSN）中信息的真实性是系统的关键安全要素,然而直接引入传统安全认证机制会导致系统可调度性和实时性大幅降低。现有的方法仍存在适用场景少、资源消耗高等问题。针对这些问题,文中提出了一种面向TSN的安全感知调度方法。首先基于TSN流量特性设计了一种时间有效的一次性签名安全机制,为消息提供高效的组播源认证;然后提出相应的安全模型对该机制进行评估,描述安全机制对任务和流量的影响;最后对提出的安全感知调度方法进行数学建模,在传统调度约束的基础上,增加了安全机制相关的约束,同时以最小化应用端到端时延为优化目标,使用约束规划进行求解。仿真实验结果表明：改进的一次性签名机制的引入可以有效保护TSN中关键信息的真实性,且对调度的影响有限;在多个基于真实工业场景生成的不同规模测试用例中,产生的应用端到端时延平均仅增加13.3%,带宽消耗平均仅增加5.8%;与其他同类型方法相比,文中方法的带宽消耗更低,更加适用于有严格带宽限制的TSN。     

基于响应值判断的目标跟踪ECO方法

目标跟踪(efficient convolution operator,ECO)方法因其优越的跟踪效果在各种跟踪场景中得到越来越广泛的应用,但该方法在面对遮挡、运动模糊、目标形变和背景杂乱等复杂工程实际情况时跟踪精度下降. 针对这一问题,本研究对ECO方法进行改进,加入一种相关滤波响应值判断机制,根据前几帧图像的最大响应均值和当前帧的响应峰值标准差来决定样本模型更新时机. 将改进后的ECO方法和改进前的ECO方法在相同的实验视频序列上进行对比测试,比较两种方法的跟踪效果. 在OTB2015数据集上,改进后的ECO方法的精确度达到88.0%、成功率达到79.9%,分别比改进前的ECO方法提高1.5%和1.2%,特别是面对遮挡、运动模糊和背景杂乱干扰等工程实际常见情况时跟踪效果更好,显示出改进后的ECO方法拥有更灵活的模型更新策略和更强大的适应复杂工程实际情况的能力.      

基于LSTM网络的车辆动态荷载识别方法

为了识别车辆的动态荷载,提出了一种基于长短时记忆网络的方法.该方法以桥梁加速度响应为输入,采用有限的数据集,实现车辆动态荷载的识别.建立了车桥耦合模型进行验证,以60组桥梁加速度响应为输入,以相应的车辆动态荷载为输出,通过训练长短时记忆网络来反演车辆动态荷载,并讨论了环境噪声及路面粗糙度对识别效果的影响.结果表明：测试集的车辆动态荷载识别误差平均值均小于5%;车辆动态荷载识别误差不随噪声水平变化,且平均误差小于5%;车辆动态荷载识别误差随着路面粗糙度等级的增加呈现略微增加的趋势,平均误差小于5%.在不同噪声及粗糙度水平下,长短时记忆网络均可用于车辆动态荷载的识别.     

基于网络药理学和分子对接探讨智脑胶囊改善阿尔茨海默病的作用机制

借助网络药理学和分子对接技术,探讨智脑胶囊改善阿尔茨海默病的干预机制。通过TCMSP、TCMID等多个数据库寻找与智脑胶囊相关的化学成分及其作用靶点;利用GeneCard等数据库获取阿尔茨海默病的作用靶点;运用Venny2.1网站筛选出药物与疾病的交集靶点;使用STRING平台和Cytoscape软件进行拓扑分析得到智脑胶囊治疗阿尔茨海默病的核心作用靶点;采用Metaspace数据库对潜在核心作用靶点进行GO(gene ontology)及KEGG(Kyoto encyclopedia of genes and genomes)通路富集分析;利用AutoDock软件使用分子对接验证活性化合物与核心靶点的结合能力。结果表明：在智脑胶囊中共筛选出44个活性成分和292个有效靶点,智脑胶囊与阿尔茨海默病共同靶点58个;蛋白质-蛋白质相互作用得出关键靶点包括AKT1、IL-6、TNF等;GO分析共包含1 419条,KEGG得到175条代谢通路,主要包括脂质与动脉硬化、TNF信号通路;分子对接显示关键成分与靶点具有良好的结合能力。研究表示智脑胶囊可能通过脂质与动脉硬化和TNF信号通路等途径来减轻...     

基于网络药理学探讨尪痹方治疗类风湿性关节炎的机制

基于网络药理学方法探讨尪痹方治疗类风湿性关节炎(rheumatoid arthritis, RA)的潜在机制。应用中药系统药理学数据库与分析平台筛选出尪痹方的化学成分及作用靶点,GeneCards数据库检索RA相关靶点,维恩图获取药物与疾病交集靶点,利用STRING数据库得到蛋白质-蛋白质相互作用(protein-protein interaction, PPI)网络信息,使用Cytoscape构建药物-有效成分-靶点-疾病网络与PPI网络图,通过DAVID数据库对共同靶点进行基因本体(gene ontology, GO)和京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes, KEGG)分析。使用SYBYL-X 2.1.1软件进行分子对接验证。经过筛选得到32个有效成分及99个相关靶点,核心靶点为IL-6、TNF、AKT1、VEGFA、PTGS2等。GO功能富集分析主要涉及RNA聚合酶II启动子转录的正调控等生物过程,KEGG通路富集分析主要涉及TNF信号通路、T细胞受体信号通路、Toll样受体信号通路、破骨细胞分化等信号通路。分子...     

高校网络舆情传播模型稳定性研究

将高校网民分为无知者、传谣者和管理者(教师)三类,并考虑教师的育人功能,建立了一类网络舆情传播模型。利用稳定性理论和方法,讨论了模型平衡点的局部稳定性和全局稳定性,借助计算机模拟研究了舆情传播的控制策略。结果表明,教师加大与无知者的接触率是控制舆情扩散的有效措施。此外,加强教育管理对于有效控制网络舆情传播具有重要作用。     

基于孪生网络的苹果外观品质分级方法

针对人工和机械在苹果分级中存在低效、易损、准确率低等问题,提出一种基于孪生网络的苹果外观品质分级方法。该方法首先人工采集包含真实背景和不同等级的苹果图像数据集,并进行预处理操作,包括删除无关背景、0-1缩放和数据增强等;其次以卷积层、池化层和批归一化层为基础模块,搭建神经网络模型,提取苹果图像特征;最后用全连接层训练一个分类器,完成对苹果图像特征的分类,从而得到苹果外观品质对应的等级,其中模型的损失函数为对比损失。实验结果表明,构建的孪生网络模型在苹果外观品质分级中,平均分类准确率达到了97.71%,具有较好的稳定性,其用于苹果外观品质的自动分级是可行的,并为其他农产品的外观分级提供思路和参考。     

基于残差卷积自注意力神经网络的铝电解过热度识别方法

过热度是反映铝电解槽当前生产效率的重要指标,由于过热度难以在线实时测量,本文提出一种基于残差卷积自注意力神经网络的过热度识别方法.针对铝电解生产过程数据为时间序列数据且具有多源异构特性,设计异构数据的同构表示方法.在此基础上建立残差卷积自注意力神经网络模型以提取同构时间序列数据的全局与局部特征.针对过热度数据标签少且类别分布不均匀问题,采用基于自动编码器的无监督预训练方法与加权交叉熵损失函数以提高过热度识别任务的性能.在基准数据集上进行仿真对比实验以验证本文所提方法的有效性,然后在只包含少量不平衡标签的铝电解过热度数据集上进行实验验证,结果表明本文构建的过热度识别模型相较与其他现有模型不仅提高了过热度识别准确率,而且在训练样本较少时保证了模型的泛化能力.     

基于改进RPN的孪生小样本电力目标检测

为了解决当前电力系统巡检难度大、效率低、数据不足以支撑大规模训练的问题,提出一种基于孪生网络的小样本检测方法。首先,在Faster RCNN(faster region convolutional neural network)目标识别算法的框架下,搭建支持图片和查询图片共享的孪生网络模型;然后,利用改进的RPN(region proposal network)模块产生更高质量的proposals;最后,在检测头上对支持图片和查询图片的RoI(region of interest)进行关联匹配。结果表明,将算法应用于自主构建的EPD(electric power detection)数据集,在仅利用10张支持图片的情况下,就能实现对电力背景下鸟巢异物和绝缘子相关类别的检测,检测指标mAP达到18.92%。与其他算法相比,应用于电力行业目标检测的孪生网络小样本模型,在极端小样本情况下性能优良,同时具有更加轻量化的优势,可为电力检测新方法研究提供参考。     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。