一种新的认知无线电宽带盲频谱感知方法

基于信息论准则的宽带频谱感知方法由于很好地克服了噪声不确定性问题而获得了广泛研究.但该类算法的推导需要假定接收数据向量在统计上独立同分布、背景噪声须为高斯白噪声,且其实现复杂度较高.针对这些不足,本文提出一种基于秩准则的宽带盲频谱感知算法.该算法将接收信号的取样协方差矩阵分解成秩为q的"理想"矩阵和"扰动"矩阵之和,利用秩准则函数寻求q值的最优解,然后根据该最优值确定被占用信道的个数及位置.新方法无需依赖噪声功率、信道及主用户信号的统计特征参与感知判决过程,具有广泛的适用性;同时相对于基于信息论准则的宽带频谱感知方法,新方法具有感知判决量表达式简单、计算复杂度低的优点,同时新方法在色噪声场景下表现出优良的感知性能.仿真结果表明了新方法的有效性.     

一种新颖的电流模式神经网络设计

将ＣＣⅡ引入神经网络,提出了一种新颖的电流模式神经网络,仿真结果表明,其动态特性优化电压模式网络。     

基于小波与量子神经网络的容差模拟电路的软故障诊断

量子神经网络（Quantum Neural Network,简称QNN)的隐层神经元采用多层激励函数,具有一种固有的模糊性,能将决策的不确定性数据合理地分配到各模式中,从而减少模式识别的不确定度,提高模式识别的准确性.笔者提出了基于小波与量子神经网络的容差模拟电路的软故障诊断,实验仿真分析表明：该诊断方法正确率可提高2478%,从而提高了故障诊断的正确性.     

基于FNN及DGA的变压器故障诊断系统研究

本文在探讨研究了变压器故障类型与油中溶解气体的关系，分析了改良三比值法的原理、方法规则和优缺点的基础上，提出了基于FNN（模糊神经网络）及油中气体色谱分析法（DGA）的变压器故障诊断模型，实现了以模糊神经网络为基础的变压器故障诊断系统，实例表明该系统具有较好的诊断结果和工程应用价值。     

考虑风电不确定性的电气综合能源系统混合尺度调控

为改善电-气互联综合能源系统中风电出力不确定性和多能传输差异对调控过程的影响,提出了基于改进小波融合算法的混合尺度调控方法.首先采用区间数学的方法,对系统中风电功率不确定性进行表示并给出风电处理策略.其次,考虑到不同能源传输特性的差异,提出了改进的小波融合算法,即先对电力网络中传感器信号数据进行多个不同小波基的多尺度分解,再对天然气系统信号数据中使用相同小波基分解的信号在混合尺度上实施加权数据融合,进行不同小波基的逆变换后得到融合信号.最后基于所搭建仿真模型,对比分析了不同调控方法的调控效果.结果表明本文所提方法的调控结果优于DMPC （分布式模型预测控制）滚动优化调控结果,且在改善了系统运行经济性的同时也提高了系统稳定性.     

基于遗传小波神经网络的非线性动态自治网络故障诊断仿真算法

为避免用状态方程计算和分析非线性动态网络的约束计算困难,特别是计算响应跨越边界时间的问题,针对非线性动态自治网络,提出一种基于规范式分段线性化总体表达式以及非线性网络的混合参数方程.求解该方程组可得到非线性动态自治网络的故障响应仿真算法,再由小波提取故障响应的特征.采用遗传算法对BPNN进行结构和参数优化,将得到的电路故障状态特征输入至遗传优化的BP神经网络进行故障诊断.仿真结果表明了该故障诊断算法的有效性.     

电力信息物理融合系统结构脆弱性分析

为了识别电力信息物理融合系统(Cyber Physical Power System,CPPS)脆弱性并制定相应脆弱性防控策略,从结构的角度,建立电力网为IEEE118节点系统、双星型信息网和网型信息网2种具有不同子网络结构的CPPS相依网络模型.提出一种相依节点对重要度综合指标,该指标可以辨识对CPPS结构脆弱性产生重大影响的相依节点对,克服单层网络指标的局限性.基于相依网络连锁故障模型,分别采用随机攻击策略和蓄意攻击策略,分析2种CPPS的结构脆弱性,并研究关键节点保护策略对2种CPPS结构脆弱性的影响.仿真结果表明,随机攻击策略下,网型信息网CPPS的结构比双星型信息网CPPS更加脆弱.蓄意攻击策略下,优先攻击相依节点对对网络连通性的破坏程度更大.合理选取关键节点保护策略的保护节点可以改善系统的结构脆弱性.     

模拟电路故障诊断的开关电流神经网络方法

以等效电源为变量,构造了线性模拟电路故障诊断的优化神经网络,基于罚函数方法提出了开关电流神经优化求解器,并给出实例,由Ｐｓｐｉｃｅ验证其可行性。     

用单CC实现电流模式滤波器

提出了用单 CC 实现电流模式双二阶滤波器 ,通过将不同的网络 N与单 CC 连接 ,即能在电流传送器的输出端实现二阶低通、高通、带通、陷波和全通滤波函数 .讨论了滤波器的灵敏度 ,完成了实际电路 MOS管级的计算机仿真 .该电路不仅结构简单 ,无源灵敏度低 ,而且直接从 z端输出 ,因而具有带负载能力强的特点 .     

一种多特征融合的加密流量快速分类方法

网络流量识别是网络管理和安全服务的基础.随着互联网的不断扩展及其复杂性的增加,传统基于规则的识别方法或流行为特征的方法正在面临着巨大挑战.受自然语言处理（Nature Language Processing, NLP）启发,本文提出了一种多特征融合的加密流量快速分类方法.该方法通过融合数据包和字节序列特征来完成网络流的特征表示,采用双元字节编码将所选特征扩展为双字节序列,增加了字节的上下文语义特征;通过与数据包特征处理相适应的池化方法来最大限度保留数据包的特征信息,从而使所提模型具有更强的抗噪能力和更精确的分类能力.本文方法分别在ISCX-2016和一个包含66个热门应用程序的私有数据集（ETD66）上进行验证,并与其他模型展开比较.结果表明：本文所提方法在ISCX-2016及ETD66上的测试精度和性能都明显优于其他流量分类模型,分别取得了98.2%和98.6%的识别准确率,从而证明了所提方法的特征提取能力和强泛化能力.