基于忆阻器的门控循环单元电路

时间序列数据分析可用于识别长期趋势并进行正确的预测,与人工神经网络(artificial neural network, ANN)相比,门控循环单元(gated recurrent unit, GRU)可以处理时间序列信号,在自然语言处理、语音识别、机器翻译等方面有着广泛的应用。然而,由于参数和模型的复杂性,GRU模型在硬件实现中遇到了瓶颈。文章构建一个基于忆阻器的GRU硬件电路,具有完整的GRU功能,而且输入/输出参数更少。仿真结果表明,电路的平均误差为0.007 5,能够有效地实现GRU网络的功能。将设计的GRU电路应用在搭建的序列预测模型中,可以预测股票价格变化趋势,且其预测的R2分数达到0.923 4。因此基于忆阻器的GRU硬件电路的设计在机器学习和人工智能方面具有一定的应用潜力。     

车载控制器局域网络总线的动态口令身份认证方法

针对车载控制器局域网络(CAN)总线存在缺陷、严重威胁车载信息安全的问题,提出了一种基于挑战/应答模式的车载CAN总线动态口令身份认证方法。该方法考虑到CAN总线是使用极为广泛的标准车载总线及广播形式发送消息的特点,通过利用身份认证技术来确认消息的身份,保证了总线上消息传输的可信任性;根据对身份认证实现模式的研究,采用基于挑战/应答模式的动态认证方法,由于每次认证的挑战值都是随机的,因此每次生成的口令都是不同的;在每次通信时,所使用的认证码都是根据口令生成的,并通过哈希函数生成下次使用的口令。实验结果表明,与传统的CAN总线的方法相比,使用该方法后可以在保证CAN总线真实性的同时,保证传输消息的完整性,从而大幅度提高了车载信息安全级别。     

基于门控循环单元的全断面掘进机稳定段掘进性能预测

全断面隧道掘进机(tunnel boring machine, TBM)一个正常掘进循环分为空推段、上升段和稳定段3个阶段,其中稳定掘进段为主要施工阶段,稳定段掘进性能的好坏是TBM掘进的关键。为实现TBM安全高效掘进,建立一种基于门控循环单元(gated recurrent unit, GRU)神经网络的预测模型,预测TBM稳定段掘进性能。模型以新疆某供水工程Ⅱ标段TBM施工数据为依托,5种掘进循环上升段主要参数的时间序列数据作为主要输入,围岩等级作为辅助输入来考虑岩体对掘进性能的影响,输出为稳定段的总推进力和刀盘扭矩,为稳定段TBM性能预判提供参考。为显示预测效果,对比传统循环神经网络(recurrent neural network, RNN)预测模型,并分析不同长度时间序列输入对模型预测精度的影响。结果表明：GRU模型预测拟合优度均在0.9以上,平均绝对百分比误差均小于12.25%,同时能够适用不同长度时序输入。由此可见,所建模型具有较高预测精度,泛化能力较好,能够辅助预判掘进机稳定段性能。     

基于门控循环单元网络的低阻油层测井流体识别方法

研究区块低阻油层发育广泛,油层和水层的电阻率相差不大,导致测井流体识别较为困难。为了有效识别低阻油层,采用少数类过采样技术(synthetic minority oversampling technique, Smote)对油水同层,油层等少数类样本进行过采样使数据集均衡;并利用门控循环单元(gated recurrent unit, GRU)网络模型进行低阻油层的流体识别。通过相关性分析确定自然伽马(GR)、深侧向电阻率(RD)、密度(DEN)等8条测井曲线数据作为输入训练模型,应用于中实际资料中,并将GRU与传统RNN和其他3种机器学习算法对比。结果表明：序列数据模型的流体识别效果比传统机器学习模型好,且基于Smote-GRU的流体识别模型的符合率达到89.5%,相对传统循环神经网络(recurrent neural network, RNN)的81.1%,取得了较好的应用效果。通过对照试验还证实了Smote算法提高了分类器对少数类样本的识别率。所提出的方法可为样本不均衡的低阻油层的流体识别提供参考。     

基于改进门控循环单元神经网络的锂电池组荷电状态预测

准确预测锂电池组的荷电状态(state of charge, SOC)能够有效防止电池过度充电或者放电,是储能设备安全运行的重要保障。为了解决SOC无法通过测量直接获得的问题,提出了一种基于猎人猎物优化算法(hunter prey optimization, HPO)优化门控循环单元(gated recurrent unit, GRU)神经网络的预测模型。在GRU的基础上添加Dropout机制,来增强模型的泛化能力,并通过HPO算法优化GRU的超参数,使锂电池的数据特征与网络拓扑相匹配。为了验证HPO-GRU模型的有效性,以某储能公司现场采集的储能锂电池组历史数据进行仿真实验,并与反向传播神经网络(back propagation, BP)、长短期记忆网络(long short term memory, LSTM)和GRU 3种预测模型的预测结果进行对比分析。可得HPO-GRU模型预测值与真实值的误差最小,在5%以内。可见HPO-GRU模型的预测精度最高,具有良好的鲁棒性以及较强的泛化能力。     

基于注意力机制的DGA域名检测算法

DGA域名(Domain Generation Algorithm)检测是恶意CC通信检测的关键技术之一。已有的检测方法通常基于域名构成的随机性进行检测,存在误报率高等问题,对于低随机性DGA域名的检测准确率较低,主要是因为此类方法未能有效提取低随机性DGA域名中的部分高随机性,为此提出了域名的多字符随机性提取方法。采用门控循环单元(GRU)实现多字符组合编码及其随机性提取;引入注意力机制,加强域名中部分高随机性特征。构建了基于注意力机制的循环神经网络的DGA域名检测算法(ATT-GRU),提升了低随机性DGA域名识别的有效性。实验结果表明,ATT-GRU算法在检测DGA域名上取得了比传统方法更高的检测精确率和更低的误报率。     

基于关键 $n$-grams 和门控循环神经网络的文本分类模型

提出一种基于关键 $n$-grams 和门控循环神经网络的文本分类模型. 模型采用更为简单高效的池化层替代传统的卷积层来提取关键的 $n$-grams 作为重要语义特征, 同时构建双向门控循环单元(gated recurrent unit, GRU)获取输入文本的全局依赖特征, 最后将两种特征的融合模型应用于文本分类任务. 在多个公开数据集上评估模型的质量, 包括情感分类和主题分类. 与传统模型的实验对比结果表明: 所提出的文本分类模型可有效改进文本分类的性能, 在语料库 20newsgroup 上准确率提高约 1.95%, 在语料库 Rotton Tomatoes 上准确率提高约 1.55%.     

基于CNN-GRU的入侵检测算法研究

入侵检测是网络安全的一个重要组成部分。针对常用基于长短期记忆网络的入侵检测算法的收敛速度慢的问题,考虑到网络流量数据同时存在时间和空间的特征,提出了一种基于卷积神经网络和门控循环单元的入侵检测方法。使用卷积神经网络将流量数据的空间特征提取出来,以多个相同参数的小卷积核来替代大卷积核,使得网络结构加深。将提取出的特征输入到门控循环单元中,学习流量数据的时序特征后进行分类。数据集采用KDD99,实验表明,该模型能够对网络流量进行有效的识别。     

基于卷积神经网络的车载网络入侵检测方法

汽车控制器局域网(controller area network, CAN)由于缺乏安全保护机制,容易受到外部恶意网络攻击。针对该问题,通过分析拒绝服务(denial of service, DoS)攻击数据集和模糊(fuzzy)攻击数据集,提出一种基于卷积神经网络(convolutional neural networks, CNN)的CAN总线网络入侵检测算法。本算法利用CAN总线正常状态下与受攻击状态下帧的标识符(identifier, ID)序列之间稳定性差异,首先将CAN ID序列通过格拉姆和角场(gramian angular summation field, GASF)转换为图片,然后采用简化的VGG(visual geometry group,视觉几何团队)网络对这些图片进行特征提取并分类,对含有入侵行为的帧序列进行检测。试验结果显示,本研究提出的CAN入侵检测方法在拒绝服务攻击数据集上的精准率为100%,在模糊攻击数据集上的精准率为99.90%,表明本方法具有很好的检测性能,能够满足实际工程的需求。本研究可为网联车辆的网络安全防护提供参考。     

基于卷积门控循环神经网络的Web攻击检测方法

针对Web应用程序的攻击一直是网络空间对抗的热点问题,随着Web攻击技术的不断发展,传统的入侵检测系统和Web应用防火墙越来越无法满足安全防护需求。针对攻击者在Web请求中嵌入可执行代码或注入恶意代码来构造各种Web攻击,本文设计一种基于特征融合的恶意Web请求检测卷积门控循环单元(CGRU)神经网络。该网络利用CNN捕捉网络事件的局部特征和高阶特征,摒弃了传统的池化方法,采用GRU代替原有的池化层在时间维度上进行特征采集。同时,为了提高检测性能,筛选传统机器学习中在Web攻击检测领域分类效果较好的9个统计特征来增强原始特征。此外,还使用Word2Vec模型对词嵌入矩阵进行预训练,获得CGRU模型的输入,并对最终结果进行分类,有效提高多分类精度。在公开的HTTP CSIC 2010数据集上与当前典型方法进行对比实验,结果表明：本文所提方法的准确率为99.81%,召回率为99.78%,F₁值为98.80%,精准率为99.81%,较当前典型方法均有提高。     

混合动力汽车中CAN总线技术的应用

介绍了CAN总线在混合动力汽车中的应用,研究了CAN通信技术和基于CAN节点的设计,给出了网络结构模式,为新一代汽车的控制提供了理论基础与依据,并介绍了CAN节点硬件的组成和软件的实现方法.     

一种适应负载特征的入侵检测方法

针对网络环境不断变化和规则分类的不均匀问题, 提出一种既考虑规则特点又考虑负载特征的高效检测方法, 该方法能动态生成适应负载特征的规则匹配树, 并在Snort上实现. 实验结果表明, 该方法不仅可解决网络入侵检测系统(NIDS)丢包率高的问题, 而且 能极大减少每个包或事件要检测的规则集, 从而提高了检测效率.     

基于CAN总线的HEV集散控制系统的通信

为满足混合动力电动汽车及其多能源动力总成研制的实际需要,研究并分析了基于CAN总线的集散控制系统的拓扑布局及其适用性,详细探讨了其通讯技术问题和若干关键模块的设计方案,设计了以中央监控器为中枢,以各种通信转换模块为智能节点的CAN通信系统;通过实际制作、编程并在GZ6110HEV上的应用,验证了该系统的可行性．     

CAN总线控制器接口电路的设计

围绕CAN总线控制器SJA1000和高速收发器TJA1040,采用多电源供电和光耦隔离的方式,设计实现了较为可靠的CAN总线接口电路。     

CAN总线在智能传感器中的应用

介绍CAN总线的技术特点、CAN总线控制器SJA1000在智能化传感器中具体应用的硬件电路和软件编程。     

CAN总线中数据超载的处理

讨论CAN总线如何陷入数据超载状态，在这种状态下当主控制器还没有足够的时间来得及从接收缓冲区内取出信息就产生数据超载信号，这意味着数据被丢失，并可能会导致系统冲突，在此介绍了一种避免和处理数据超载的有效方法。     

CAN总线网络节点的实现及应用

为了安全传送现场采集的数据，选择了CAN总线作为现场总线．利用独立CAN控制器SJA1000及普通的单片机可以组成通用的CAN总线网络节点，其应用范围广泛，可以扩展成现场测控装置(开关量输入输出装置)．该装置和上位机通信可以组成简单的集散控制系统．此网络节点方案已通过调试，可直接应用到其他系统中．     

变频器通用型CAN总线接口卡的设计

针对现代企业进行总线改造时面临的高成本、高复杂性难题,研究与设计了一种适用于变频器的通用型控制器局域网络（CAN）总线接口卡。该接口卡采用内部集成CAN控制器的微控制器作为控制核心,利用光电耦合器提高隔离度、抗干扰性,且能接收总线的速度信号并转换为模拟信号驱动变频器,同时可将变频器的实时速度信号转换并上传至总线。软件部分采用结构化程序设计方案,具有良好的模块化和可移植性,对于同类系统或类似的应用环境,可以方便地进行编程重组。实际应用表明,设计的接口卡通用性强,有良好的抗干扰性,具有一定的推广与应用价值。     

基于CAN总线通讯的机械臂控制系统设计

多关节机械臂在工业自动化中有着广泛的应用.介绍了多关节机械臂系统的原理及实现,阐述了本机械臂的控制系统硬件设计,详细分析了机械臂通信模块设计和基于SJA1000的CAN总线建立通信的过程,试验表明这种控制方式能很好地控制多关节机械臂的运动.     

一种基于CAN总线的电子标签系统

电子标签技术广泛地应用于物流领域。作为一种相对简单的通讯协议，在电子标签系统中常采用的RS485串行通信口具有一定的局限性。提出用CAN总线的方式实现电子标签系统中与主机系统的数据通信，有效地克服了多节点同时发送请求的情况，提高丁系统的可靠性与实时性。