基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法

为了充分挖掘不同尺度影响因子对短期电力负荷的影响,以及解决预测精度受数据非平稳特性影响的问题,提出了一种基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法。该方法先采用变分模态分解(Variational Mode Decomposition, VMD)将历史负荷分解为若干平稳性好的本征模态函数(Intrinsic Mode Function, IMF)分量,再把VMD分解得到的各个历史负荷的IMF分量和气象数据分别送入时间卷积网络(Temporal Convolutional Network, TCN)进行特征提取;将所有TCN网络提取的特征融合为一个新的特征向量;最后将融合得到的特征向量与经过One-Hot编码的日期因素特征向量拼接,把拼接得到的向量送入随机森林网络进行预测。通过公开的电力负荷数据集对本方法进行验证,结果表明所提方法与现有模型相比具有更高的预测精度。     

基于概率假设密度滤波和动力学方程约束的空间群目标数量和位置分辨

空间目标具有射程远、速度快等特点,为了有效解决密集性高、可分性差的高速空间目标群饱和攻击问题,实现非合作空间群目标数量和位置的尽早分辨,该文基于随机有限集(RFS)理论和动力学方程约束研究了空间“团状”目标数量和位置分辨问题,提出目标监测早期解决大量距离靠近、运动特征差异不明显的高速空间群目标数量和位置估计的相关算法,该算法利用概率假设密度(PHD)滤波器能够解决未知时变环境下目标个数与状态估计的特点,将高斯混合PHD (GM-PHD)滤波和空间目标动力学方程相结合,在解决不可分辨空间群目标数量和位置估计问题的同时,充分利用空间目标动力学方程对群内目标状态进行实时调整,提高空间目标位置状态估计精度,解决不可分辨空间目标群边跟踪边分辨问题,相关算法可为空间群目标数量和群内特殊价值个体目标位置尽快分辨、连续稳定跟踪和可靠动向预报等提供数据基础。     

组合跳变随机平移宽间隔混沌跳频序列设计

为进一步提高宽间隔跳频序列的性能,基于混沌跳频序列,针对随机平移替代法存在的“窄点”平移与序列平衡性的矛盾问题,提出了一种新的组合跳变随机平移法。该方法在随机平移替代法的基础上取消“窄点”修正,引入组合跳变序列控制频点宽间隔映射。为兼顾组合跳变随机平移法产生序列的平衡性、汉明自相关性和宽间隔特性,构造了跳频序列的复合目标优化函数,引入粒子群算法计算得到最优的序列控制参数。仿真结果表明,组合跳变随机平移法可构造更多的序列,且产生的宽间隔混沌跳频序列具有更好的平衡性、汉明相关性和复杂度,采用粒子群优化获取的控制参数可以实现序列性能的均衡最优。     

TETRA通信与干扰信号智能识别技术

陆上集群无线电(Terrestrial Trunked Radio,TETRA)数字集群通信系统因其开放性易受到内外部电磁干扰。干扰信号的类型多种多样,针对不同的干扰样式,采取的抗干扰措施也各不相同,因此干扰信号的识别具有重大意义。基于此,提出了一种干扰信号智能识别技术。该技术首先对受到不同干扰后的TETRA音频数据进行特征提取,并筛选出具有分类能力的特征,其次使用决策树、支持向量机和随机森林3种分类模型对特征提取后的待测试信号进行智能分类识别。实验结果表明,使用的这3种模型能够有效判断TETRA系统中的信号是否受到干扰,以及受到何种样式的干扰,可为后续TETRA系统中的信号干扰识别提供参考。     

基于激光雷达的道路不平度及可行驶区域检测

为了提高室外场景中车载激光雷达道路不平度信息检测的精度, 采用随机降采样和局部特征聚合的网络结构对道路环境信息进行提取分割。在分割过程中加入随机降采样的方法, 从而提高点云信息的计算效率, 为解决道路环境信息分割过程中关键特征丢失的问题, 加入局部特征聚合器来增加每个3维点云的接受域来保留几何细节。结果表明, 所提出的算法可以准确识别道路环境信息, 对于凸包、凹坑、道路可行驶区域的识别精度分别达到71.87%, 82.71%, 93.01%, 与传统卷积神经网络相比有显著提升。该研究可高效提取道路不平度及道路可行驶区域信息, 从而提高了车辆的主动安全性与平顺性。     

时变信道下线性网络分批稀疏码秩分布研究

作为一种应用于多跳网络的低复杂度两步式编码技术,分批稀疏（batched sparse,BATS）码的传输性能与传输矩阵的秩分布直接相关。现有文献在假设各链路丢包率均为常数的前提下,研究了分批稀疏码在纠删信道下的秩分布。然而,在一些场景（如工业互联网）,大量的移动节点部署在整个网络中,可能导致节点之间的信道变成时变信道,即链路上的丢包率随时间变化而变化。因此在假定网络中各节点之间链路丢包率随机变化的场景下,研究了随机线性网络编码（random linear network coding, RLNC）和系统重编码作为内码编码方案时,分批稀疏码传输矩阵的秩分布,推导了链路丢包率服从有限区间正态分布情况下归一化秩期望的闭合解,并通过蒙特卡洛仿真验证了该闭合解的正确性。     

高效可证明安全的无证书有序聚合签名方案

针对目前的方案多采用后一个签名者对前一个签名者的签名进行验证后,再将签名传递给下一个签名者,导致整体签名时间过长的效率问题,基于双线性对构造了一种无证书有序聚合签名方案。多个用户按照一定的顺序对文件进行签名和认证生成聚合签名,验证者只需验证最终一个签名就可以确认签名顺序的正确性以及多个用户签名的合法性。所提方案有效降低了验证多用户顺序签名的复杂性,实现了当用户处于离线状态或者处于节点缓存能力与网络资源受限的容迟网络时,对签名合法性的离线验证。在随机预言机模型下,仿真实验证明了所提方案在敌手适应性选择消息下是存在性不可伪造的。     

基于FPGA的短波红外图像灰度级拉伸算法实现

为了增强短波红外成像仪的成像对比度,提高目标的识别率,介绍了一种基于现场可编程门阵列(FPGA)的灰度拉伸算法的实现方法。利用视频数据两帧之间灰度分布近似的特性,通过统计上一帧图像的灰度分布,计算图像拉伸所需要的参数,处理当前帧的图像,达到实时处理的效果。在灰度统计模块中,利用FPGA的片上块随机存储器(Block RAM)资源,采用非倍频的流水线数字逻辑设计,避免了跨时钟域的操作,降低了系统状态机的复杂度,提高了系统的工作频率。采用国产320×256元InGaAs面阵探测器,搭载了Xilinx Artix-7系列芯片的实验平台进行实验,仿真结果表明,该方法能有效提高短波红外图像的对比度,具有占用资源少、运算速度快、成本低、可移植性高等优点,满足短波红外成像仪实时灰度拉伸处理的设计要求。     

视场非完全重叠的分布式雷达多目标跟踪方法

在探测能力、波形设计及天线指向等因素制约下,分布式雷达视场并非完全重合,由此造成的观测信息差异给后续信息融合带来了巨大挑战。该文基于高斯混合实现的集势概率假设密度(CPHD)滤波器,提出了一种视场部分重叠下的分布式雷达多目标跟踪方法。首先,利用多目标密度乘积切分出概率假设密度(PHD)中表征共同观测信息的部分;之后,标准的分布式融合(算术平均或几何平均融合)方法作用于切分出的共同观测目标信息以提升跟踪性能,补偿融合则作用于雷达单独观测目标信息以扩展视场范围。该文方法无须视场先验信息,能够适应雷达视场未知时的分布式融合多目标跟踪场景。仿真实验验证了所提出方法在未知、时变雷达视场下跟踪多目标的性能,表明了该文方法比基于高斯混合的聚类方法性能更好。      

基于随机森林的网表级时序预测模型

在超大规模集成电路设计中,时序分析的准确性对指导时序优化,保证芯片时序收敛和运行性能至关重要.目前,时序分析绝大多数都是采用商用签核(Sign-off)工具时序报告,作为主要依据.在逻辑综合阶段,由于缺少物理布局布线之后的模块位置和布线结果等信息,因此很难得到准确的电容电阻等寄生参数,用于预测其对应的Sign-off时序.为提高逻辑综合阶段时序预测的准确性,在给定工艺库的情况下,以电路网表作为输入,采用线负载模型对网表的电容电阻等进行估算,并在此基础上利用Elmore Delay模型计算时延作为时序特征.在时序模型训练阶段,提取训练集电路网表的时序特征,以训练模型对应的Sign-off时序结果为标准,采用机器学习中的随机森林算法进行模型训练,包括构建三个模型:互连线时延(Wire delay)、互连线信号转换时延(Wire slew),以及输出负载(Output load).在测试阶段,本文以同工艺库下,新的电路网表作为测试集,输入给训练后的时序模型进行预测.我们的方法与商用工具PrimeTime相比,在Wire delay和Wire slew的Sign-off结果预测上,平均一致性(Correlation)分别提高了49%、37%.此外,我们的方法所预测的Output load与Sign-off结果的一致性在0.99以上.