基于自注意力机制的无边界应用动作识别方法

近年来,工业互联网获得了飞速的发展.但是和传统互联网一样,工业互联网也面临着大量的网络攻击威胁和敏感信息泄露风险.而流量识别技术,特别是细粒度的应用动作识别技术,可以辅助网络管理者对异常行为进行检测和及早发现隐私泄露风险,保障工业互联网的安全.然而,现有动作识别技术依赖对流量数据中动作边界的预先分割,无法识别无边界的动作,难以应用于实际场景.为解决这一问题,提出一种无边界动作识别算法：首先构建基于自注意力机制的包级识别模型,对数据包进行动作分类;然后提出动作聚合算法,从数据包的分类结果中聚合出动作序列;最后,建立2种新指标来衡量识别结果的好坏.为验证算法的可行性,以微信为实例进行实验,结果表明该模型能够取得最高超过90%的序列识别精度.这一研究成果将有望极大推动应用动作识别技术的实用化.     

基于等差划分的虚拟机实时迁移技术

研究了虚拟机的实时迁移。对局域网内存迁移的预拷贝算法、后拷贝算法以及由这两种算法构成的混合拷贝算法的特性进行分析,在改进混合拷贝算法的基础上提出了基于等差划分的虚拟机实时迁移技术,该技术把第一轮传输的内存页划分成近似等差数列形式的多段,以减少第二轮传输的内存页。不同工作负载条件下的试验表明,与混合内存拷贝方式相比,基于等差划分的虚拟机实时迁移技术平均减少了25%的同步内存位图时间,29%的后拷贝方式发送的内存页以及2.2%的总迁移时间,在一定程度上提高了混合内存拷贝方式的虚拟机实时迁移性能。     

子带自适应滤波器组参数的选取及其影响

为了研究自适应滤波在噪声消除,干扰抑制以及雷达信号处理中的广泛应用,对滤波器各影响因素进行了分析,提出了各参数的设计规则.以自适应滤波理论为基础,将信号划分成不同的子带通过原型分析综合滤波器组,将处理后的各路信号叠加可恢复原信号.选择合理的参数设置滤波器可以使系统的综合性能最优,同时可以将信号在传输过程中造成的损失减小到最低.通过大量仿真验证了该参数选取规则的准确性和有效性.     

AlGaN/GaN HEMT在N2中高温退火研究

通过N2气氛中对蓝宝石衬底AlGaN／GaN HEMT在200～600℃退火1min和5min的多批实验,研究了在不同温度和时间退火冷却后器件直流参数的变化．对器件欧姆接触和肖特基接触在高温退火前后的特性进行了对比分析．确定出了最有利于高电子迁移率晶体管特性提高的退火温度为500℃．退火时间为5min．该条件退火后高电子迁移率晶体管最大跨导提高8．9%．肖特基栅反向漏电流减小2个数量级．阈值电压绝对值减小．退火后肖特基势垒高度提高．在减小栅泄漏电流的同时对沟道电子也有耗尽作用．这是饱和电流和阈值电压变化的主要原因．采用扫描电子显微镜观察肖特基退火后的形貌，500℃未发现明显变化．600℃有起泡现象．     

变温C-V和传输线模型测量研究AlGaN/GaN HEMT温度特性

通过对异质结材料上制作的肖特基结构变温C-V测量和传输线模型变温测量,研究了蓝宝石衬底AlGaN/GaN异质结高电子迁移率晶体管的直流特性在25～200℃之间的变化,分析了载流子浓度分布、沟道方块电阻、欧姆比接触电阻和缓冲层泄漏电流随温度的变化规律.得出了器件饱和电流随温度升高而下降主要由输运特性退化造成,沟道泄漏电流随温度的变化主要由栅泄漏电流引起的结论.同时,证明了GaN缓冲层漏电不是导致器件退化的主要原因.     

自适应有源声吸收中误差传声器的优化

针对一个基于最小均方算法的自适应有源消声控制系统，讨论了自由场空间有源声吸收中误差传声器位置的优化问题，分析了误差传声器位置对消声效果的影响，从理论上给出了一般的优化方法，并发现其误差传声器的最优位置并不是唯一的，同时系统初值的选择是实现最佳效果必须考虑的问题。     

矿产资源与可持续发展研究

本文阐述了可持续发展的基本内容、矿产资源特征和我国矿产资源状况,指出两者之间的关联:只有实现矿产资源的可持续性利用,才可能实现社会的可持续发展;提出我国矿产资源可持续发展的目标和实现目标的若干建议。     

强震作用下连续梁桥的减隔震控制研究

近年来,在频繁发生的强震中,大量的连续梁桥出现了构件破坏,甚至发生了整体倒塌的现象,因此,需要采用有效的减隔震措施以减少这类震害。本文提出了一种多功能减隔震支座,介绍了其构造、原理和力学性能,然后以一座连续箱梁桥为工程背景,基于动力显式有限元模型,分别进行了有无该支座下强震作用时该桥的倒塌仿真分析,得到其破坏模式,再对比分析了其减隔震效果。结果表明,该多功能减隔震支座具有较好的减隔震效果,在强震作用下,该连续梁桥的破坏模式得到了改善,得到的结论可为连续梁桥的减隔震技术及其应用提供参考。     

一种基于Hadoop的电力大数据属性实体识别算法

随着大数据时代的来临,传统的实体识别技术由于电网数据体积大以及类型复杂等特性已经无法有效地进行数据预处理。近年来兴起的Hadoop技术能够对大数据进行较好的处理。因此提出一种基于Hadoop的电力大数据属性实体识别算法。该算法利用改进离散化算法选取出信息准确率较高的离散点,并提出了一种离散化评价指标。最后,在Hadoop平台上对某风电机组的监测数据进行了属性实体识别。实验证明,该算法在实验正确性和断点数目方面表现良好,并且具有较好的加速比,适用于电力大数据的属性实体识别处理。