时空图卷积网络下的路网交通事故风险预测

路网交通事故预测是实现道路管控、路线规划的最重要方式之一。考虑到路网中各路段特征与环境因素的影响,建立基于图卷积神经网络（GCN）和门控循环单元（GRU）的时空门控图卷积（STGRGCN）模型预测交通事故风险。通过GCN提取出道路间的空间关联性,通过GRU提取出环境因素中的时间关联性,再通过GCN与GRU的复合模块提取出时空关联性。选取美国全国交通事故数据集中洛杉矶市和休斯顿市相关数据对模型进行检验,STGRGCN模型的均方根误差、平均绝对误差以及召回率在两个城市分别为4.09、2.14、0.714和5.79、3.24、0.683,优于已有统计模型、机器学习模型以及复合模型。设计该除各模块的消融实验,证明该模型各模块皆有助于提升预测性能。     

基于强化学习的频控阵-多输入多输出雷达发射功率分配方法

当前电磁环境日益复杂多变,新式干扰手段层出不穷,对雷达系统带来了极大的挑战和威胁。该文引入频谱干扰模型并提出了一种在频控阵-多输入多输出(FDA-MIMO)雷达与干扰机动态博弈框架下基于强化学习(RL)的发射功率分配优化方法,使雷达系统能够获得最大的信干噪比(SINR)。在此基础上,构造了频谱干扰模型。其次,雷达和干扰机之间存在一种Stackelberg博弈关系,且将雷达作为领导者,干扰机作为跟随者,建立动态博弈框架下的发射功率分配优化模型。采用深度确定性策略梯度(DDPG)算法,结合功率约束设计了奖赏函数,对雷达发射功率进行实时分配来获得最大的输出SINR。最后,仿真结果表明,在雷达与干扰机博弈的框架下,所提优化算法能够有效地对雷达发射功率进行优化,使雷达具备较好的抗干扰性能。     

一种面向序列密码的混合粒度并行运算单元

针对可重构密码处理器对于不同域上的序列密码算法兼容性差、实现性能低的问题,该文分析了序列密码算法的多级并行性并提出了一种反馈移位寄存器(FSR)的预抽取更新模型。进而基于该模型设计了面向密码阵列架构的可重构反馈移位寄存器运算单元(RFAU),兼容不同有限域上序列密码算法的同时,采取并行抽取和流水处理策略开发了序列密码算法的反馈移位寄存器级并行性,从而有效提升了粗粒度可重构阵列(CGRA)平台上序列密码算法的处理性能。实验结果表明与其他可重构处理器相比,对于有限域(GF)(2)上的序列密码算法,RFAU带来的性能提升为23%～186%;对于GF(2u)域上的序列密码算法,性能提升达约66%～79%,且面积效率提升约64%～91%。     

融合多注意力神经网络的方面级情感分析

针对现有方面级情感分析模型中特征向量信息不足和语义丢失问题,提出一种多注意力融合的神经网络模型。利用词向量注意力机制捕捉句子上下文和方面词之间的语义关系;利用位置注意力机制影响方面词周围的情感特征;利用自注意力机制捕捉序列内部特征用于加强序列表示。为验证模型的有效性,在SemEval 2014 Task 4和ACL 14 Twitter基准数据集上进行实验,实验结果表明,所提模型取得的性能优于比较方法。     

变转速下滚动轴承的阶频谱相关域微弱故障特征增强与提取

滚动轴承是旋转机械常用且故障率较高的部件之一,其故障的及时发现,对于设备安全、稳定运行具有重要意义。滚动轴承的早期故障特征十分微弱,容易被强背景噪声干扰所掩盖。同时,滚动轴承往往在变转速工况下运行,故障特征的时变特性导致特征提取较为困难。针对上述问题,提出一种变转速下滚动轴承的阶频谱相关(OFSC)域微弱故障特征增强与提取方法。首先,利用变转速下滚动轴承故障信号的角度时间域循环平稳特性,将故障信号转换到阶频谱相关域。然后,采用鲁棒主成分分析(RPCA)的低秩稀疏分解方法,将轴承振动信号的阶频谱相关矩阵分解为表征轴承故障特征的稀疏成分,并去除表征噪声的低秩成分,进一步提高稀疏分量的分辨率。最后对分解出的稀疏分量构建增强包络阶次谱(EEOS)来检测滚动轴承的故障特征。仿真和实验分析验证了该方法对于变转速工况轴承微弱故障特征增强和提取的有效性和鲁棒性。     

基于DAE和GRU组合的流量异常检测方法

流量异常检测能够有效识别网络流量数据中的攻击行为,是一种重要的网络安全防护手段。近年来,深度学习在流量异常检测领域得到了广泛应用,现有的深度学习模型进行流量异常检测存在两个问题:一是数据受噪声影响导致检测鲁棒性差、准确率低;二是数据特征维度高以及模型参数多导致训练和检测速度慢。为了在降低流量数据噪声影响的基础上提高检测速度和准确性,本文提出了一种基于去噪自编码器(Denoising Auto Encoder,DAE)和门控循环单元(Gated Recurrent Unit,GRU)组合的流量异常检测方法。首先设计了基于DAE的流量特征提取算法,采用小批量梯度下降算法对DAE进行训练,通过最小化含噪声数据的重构向量与原始输入向量间的差异,有效提取具有较强鲁棒性的流量特征,降低特征维度。然后设计了基于GRU的异常检测算法,利用提取的低维流量特征数据训练GRU,从而构建异常流量分类器,实现对攻击流量的准确检测。最后在NSL-KDD、UNSW-NB15、CICIDS2017数据集上的实验结果表明:与其他的机器学习、深度学习方法相比,本文所提方法的检测准确率最大提升了18.71%。同时,本文方法可以实现较高的精确率、召回率和检测效率,同时具有较低的误报率。在面对数据受到噪声破坏时,具有较强的检测鲁棒性。     

考虑器件结构布局的功率循环失效模式分离机制

功率循环作为考核器件封装可靠性最重要的测试被广泛应用,IGBT器件的寿命模型也越来越完善,考虑的影响因素也越来越多,如器件参数也被考虑到了CIPS08模型中,但器件失效模式的分离和失效机理的研究一直是难点。文中将脱离传统方法中测试条件的影响,重点考虑器件结构布局带来的热应力分布差异,深入研究器件不同结构布局情况下失效模式的分离机制,把握器件失效的根本原因,旨在为IGBT器件的封装结构设计提供理论指导。以INFINEON公司全桥模块EasyPACK(FS25R12W1T4)为测试对象,针对模块中具有不同IGBT芯片与DCB(direct copper bonded)板面积比的两个IGBT芯片(开关2和3)进行相同测试条件(结温差△Tj≈90K和最大结温Tjmax≈150℃)下的功率循环对比测试,以明确其失效模式。实验结果表明,具有小面积比的IGBT芯片为键合线失效,而具有大面积比的IGBT芯片则表现为焊料层的老化。这说明小的面积比可有效减小焊料层的温度梯度,从而减小器件焊料层的热应力,最终导致键合线的失效。进一步地,针对指定失效模式的IGBT芯片进行不同测试条件下的功率循环实验以验证器件...     

基于聚类与时间耦合执行序列的任务分解方法

本文针对复杂任务分析中的高度耦合任务不易分解且需重构排序的问题,提出了一种基于聚类分析与改进时间-耦合执行序列的自适应任务分解方法。在矩阵最值遴选模型和任务序列转移策略相结合的基础上,设计了基于中间任务序列的任务矩阵分割算法;并进一步采用粒度自主循环调整机制,最终实现了复杂任务的自适应解耦分析。仿真验证结果表明,该方法能够有效实现复杂任务的解耦及序列重构,在作战任务分析领域具有很好的推广应用前景。     

负载电流对IGBT器件中键合线的寿命影响和机理分析

通过器件的功率循环试验可建立寿命模型,如最常用的CIPS08公式,用来预测实际工况下的寿命情况。其中结温波动和结温最大值对键合线寿命的影响最大,但是在功率循环试验中往往需要同时调节负载电流大小和开通时间来达到相同的结温波动和结温最大值。为了进一步评估负载电流和开通时间这两个参数对键合线寿命的贡献,尤其是负载电流的影响机制,该文对650V/20A的TO封装IGBT器件在相同的结温波动和结温最大值,但在不同的负载电流大小和开通时间的组合条件下进行了功率循环试验。结果表明,不同的负载电流和开通时间组合对器件寿命有不可忽略的影响,电流增大会显著降低IGBT器件中键合线的寿命。为了解释试验出现的现象并揭示其作用机制,该文建立TO封装IGBT器件的电-热-力多物理场有限元模型,考虑铝键合线和表面金属层的弹塑性特性,分析电流影响键合线应力大小的机理。同时引入金属疲劳寿命模型,得到的仿真寿命趋势与试验结果相吻合。该文研究可为IGBT器件的精确模型建立和键合线疲劳寿命预测提供指导意义。     

干法和湿法陶瓷隔膜对LiCoO2/C电池性能的影响

隔膜对锂离子电池的电性能、安全性能等有重要的影响。以湿法和干法聚烯烃隔膜为基底,涂覆Al₂O₃纳米陶瓷粉末,制备两种陶瓷隔膜,并对物理特性及组装电池的电性能进行分析。以湿法和干法聚烯烃隔膜为基底的陶瓷隔膜,孔隙率分别为56.2%和46.9%,透气度分别为134.0 s/100 ml和244.3 s/100 ml,吸液率分别为3.81 mg/cm²和2.89 mg/cm²;组装的电池20.00 C与1.00 C容量之比分别为97.80%和90.08%,50.00 C与1.00 C容量之比分别为30.86%和25.53%,以1.00 C在2.5～4.2 V循环300次的容量保持率分别为91.45%和88.31%。以湿法聚烯烃隔膜为基底的陶瓷隔膜的性能更好。