炼油生产调度研究现状与挑战

调度作为计划层和执行层的纽带,是智能型工厂的主要组成部分.对此,从炼油生产装置调度的角度,对炼油调度问题进行综述与分析.首先对炼油生产调度建模问题的研究现状进行阐述,介绍目前该领域建模方面考虑的因素;其次,对炼油生产调度的各种优化方法进行总结综述;最后,结合目前的信息技术和智能制造的发展趋势,分析炼油生产调度所面临的挑战和未来的研究方向.     

基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

服务人才培养的协同创新中心构建与实践研究

近年来,我国大力发展服务产业,培育了一批示范性服务产业集聚区,取得了较好的成绩.但同时,服务人才短缺的问题也成为产业集聚区快速发展的瓶颈,本文主要以服务产业服务人才培养的技术应用协同创新中心构建为研究对象,分析了协同创新与协同创新中心概念,从服务产业人才发展现状出发,提出了服务人才培养的技术应用协同创新中心构建与实践方案措施,对促进服务人才培养、产业互动、创新中心构建与实践发展具重要意义.     

适应装配式变电站建设的产业链化设计探析

针对目前装配式变电站在建设过程中有关设计、设备、施工、运维等方面的主要问题,创新提出在设计中引入"产业链化设计理念",依托数据化平台,开展三维设计,将设计、构件生产、现场施工和运行检修四大建设主体"四位一体",协同工作,形成设计主导的链式建设模式。四大建设主体协同完成装配式变电站建设,不仅能简化设计过程、缩短设计周期、提高设计精度,而且能解决装配式变电站在实施过程中的桎梏,提高施工质量,充分发挥了装配式变电站高效、绿色、节约的优势。     

指掌易签约深圳机场 助力用户安全高效开展移动业务

日前,指掌易签约深圳宝安国际机场(下称“深圳机场”),该签约项目通过部署指掌易移动业务智能安全管理平台,针对性地解决深圳机场日益增长的App应用管理及安全问题,进而帮助客户实现移动业务安全高效的开展。该项目负责人表示,在深圳机场的项目需求发布后,对比了市场上主流的安全厂商,指掌易凭借良好的客户口碑和强大的技术实力成功中标。该项目在机场信息化建设中属于创新型项目,没有过多案例参照,需要在不断调研和摸索实践中发现该平台的亮点和定位。在这个过程中指掌易方案满足项目需求,且项目实施期间服务团队的专业表现令人印象深刻,为日后的深度合作打下了很好的基础。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。