课程文献中心 更多>>

关键词： 轻量级   双向认证协议   公共数据   安全优化   不可克隆函数   同步化随机数  

摘要： 公共数据具有来源广、信息量大、敏感性高等特点，这些特点对复杂网络环境安全带来了极大的威胁。在单向身份认证网络中，由于只有一方进行身份验证，攻击者可以针对未被验证的一方进行多种攻击，降低公共数据的安全性。为此，提出应用轻量级双向认证协议的公共数据安全优化算法。通过结合物理不可克隆函数（PUF）与同步化随机数，获得轻量级双向认证协议，降低优化过程的运算与通信开销。运用可信网络连接对协议接入过程中用户读写器的可信度实施认证，将同步化随机数设置于用户读写器与公共数据电子标签两端，将PUF融入公共数据电子标签内，增强海量公共数据电子标签密钥对各类攻击的抵抗性能，完成用户读写器与公共数据电子标签的双向身份认证，实现敏感数据的安全优化防护。结果表明，该算法可有效抵抗公共数据存储与传输过程中的去同步化攻击、克隆攻击及中间人攻击等10种攻击，且具有较低的时延，可保障公共数据的安全性。

关键词： 出口跨境电商   信用风险评价   不平衡数据   机器学习  

摘要： 出口跨境电商在促进我国外贸提质增效、扩大外循环以及推动产业链迈向中高端等方面起到了重要作用。数字技术的创新进一步加剧了跨境电商的信用问题，亟须提高对出口跨境电商的信用风险评价能力。本文基于2012-2022年我国45家出口跨境电商沪深A股上市公司的317条数据，分别运用Logistic、SVM、MLP、Random Forest、XGBoost算法，建立出口跨境电商上市公司信用风险评价模型。结果显示：机器学习方法较传统回归方法更适合构建出口跨境电商信用风险模型；结合特征筛选的结果来看，SMOTE-Lasso CV-Random Forest是表现最好的模型。另外，相对重要性较高的指标依次为上市年限、标准审计意见、管理层平均年龄、独立站和资产负债率。基于此，应制定出口跨境电商信用风险评价标准，完善大数据技术以提高预测准确率；加快跨境独立站发展，推动跨境电商品牌建设；切实发挥出口信用保险作用，提升对贸易高质量发展服务质效。

关键词： 灰狼优化算法   混合变异   混沌映射   自适应收敛因子   泊位-岸桥调度  

摘要： 为解决灰狼优化(grey wolf optimizer,GWO)算法收敛速度慢、易陷入局部最优等问题,提出一种基于混合变异的灰狼优化(hybrid mutation grey wolf optimizer,HMGWO)算法。采用Tent混沌映射策略初始化种群,融入自适应收敛因子策略平衡搜索多样性,引入高斯-柯西混合变异策略提高算法性能。利用6个基准测试函数进行仿真实验,从寻优能力与收敛性等方面对HMGWO算法进行综合分析。将HMGWO算法应用于离散泊位-岸桥调度问题,1 000次迭代实验后,HMGWO算法的船舶在港时间最短。

关键词： 隔夹层   BA算法   Catboost算法   测井   陇东油田  

摘要： 准确识别储层中的隔夹层对于储层精细表征和剩余油挖潜工作至关重要，为了更好地利用测井资料，提高划分隔夹层的效率以及准确率，本文提出了一种基于BA-Catboost算法的隔夹层划分方法。在研究中，对比分析了隔夹层识别划分的一般方法，针对人工划分效率低、易出错等难点，优选并构建了BA-Catboost算法的技术路线。通过岩心测井等资料识别出隔夹层并划分其类型，使用ADASYN方法增加隔夹层样本数量，并选取GR、SP、AC等高相关性测井曲线作为特征参数，基于BA-Catboost算法进行训练并建立分类模型，模型训练及测试准确率分别为96.7%和98.9%。运用分类模型对特征模糊不易划分的隔夹层进行识别，划分出泥质隔夹层62组，钙质隔夹层20组，物性隔夹层59组。在此基础上研究隔夹层平面分布特征，发现隔夹层在Y2、Y3小层内更为发育，在平面上呈现出东南部区域隔夹层分布频率及分布密度高，中西部低的特征。使用该方法划分出的隔夹层弥补了前人在生产开发过程中认知的不足，后续通过调整注采措施，利用补孔、增大注水量等手段可起到增产效果。研究结果表明，BA-Catboost算法较同类算法性能更加优秀，通过该方法建立的分类模型训练测试效果良好，用于隔夹层精细识别和自动分类，提高了识别精度与效率，并且能有效指导生产开发工作，在陇东油田J区具有应用价值。

关键词： 无人机控制   自抗扰控制   模糊自抗扰控制   参数自整定   鲸鱼优化算法   混沌映射   交叉算子   高斯变异算子  

摘要： 为了提高四旋翼无人机位姿轨迹跟踪控制的快速性及精确性，提出一种基于改进鲸鱼优化算法的无人机模糊自抗扰控制方法。首先，针对传统鲸鱼算法收敛精度低和速度慢的问题，通过logistic混沌映射与skew tent映射相结合的方式来提高初始种群的多样性，同时通过引入交叉算子与高斯变异算子来增强全局的搜索能力，防止搜索过程陷入局部最优。其次，设计了一种基于鲸鱼优化算法的模糊自抗扰控制器，采用改进的鲸鱼优化算法对模糊自抗扰控制器的最优调整系数、模糊自抗扰控制器中非线性误差反馈控制率的微积分增益以及扩张状态观测器的误差校正系数进行迭代优化。仿真结果表明：提出的控制方法相对于其他控制方法能够有效地提高系统的控制性能，准确地跟踪期望飞行轨迹，加快控制系统的动态响应、降低稳态误差、提高抗干扰能力。

关键词： 微震波   工频干扰   季节趋势离散分解   递推最小二乘法   自适应算法  

摘要： 提出一种结合时间序列季节趋势离散（seasonal trend dispersion, STD）分解和递推最小二乘（recursive least squares, RLS）法的自适应去除工频干扰方法。该方法利用STD分解提取含工频干扰微震波的季节项，作为RLS的参考信号，并动态更新算法系数，使计算信号接近工频干扰信号。设计仿真实验，将1组无工频干扰的微震波与3种不同类型工频干扰叠加，分别使用有限冲击响应（finite impulse response, FIR）滤波、小波阈值（wavelet threshold, WT）滤波和本文方法进行处理。结果表明，本文方法能有效去除工频干扰，同时完整保留微震波的关键时频特征。此外，将本文方法应用于桃园煤矿微震监测数据处理，验证了其工程应用的可行性与可靠性。

关键词： 密集假目标干扰   移频干扰   干扰抑制   调频斜率捷变   二值化处理   时域滤波  

摘要： 为对抗脉间相参和瞬时转发场景下多分量移频干扰形成的密集假目标，提出了一种基于脉间调频斜率捷变线性调频(SA-LFM)波形的密集假目标干扰抑制算法。首先，通过变带宽的方式，发射脉间SA-LFM波形，使假目标脉压后在快时间维形成距离走动，破坏干扰的相参性。随后，根据雷达系统性能指标设计分割阈值对回波脉压数据进行二值化处理。然后，根据目标和干扰的分布特征，将二值化数据沿慢时间维相加，设置合适门限识别目标位置并构造时域滤波器。最后，对回波脉压数据时域滤波剔除干扰。仿真实验表明：所提方法能有效抑制密集假目标干扰，并且干扰抑制后对目标有效检测的干信比临界值相较大津法提高了7 dB。

关键词： 小目标检测   注意力机制   特征提纯   计算机视觉  

摘要： 近年来，基于深度学习的目标检测算法在准确率和鲁棒性等方面取得了巨大的进步，并且在工业界已经取得了广泛的应用。但是，在小目标检测领域，当前的目标检测算法仍然存在着漏检率高和误检率高的问题。因此，本文提出一种基于SCConv和BSAM注意力机制的YOLO小目标检测算法—BS-YOLO。首先，针对特征提取网络存在大量的冗余信息的问题，利用SCConv重构主干网络，提出一种新的模块C3SC，将提取到的特征图在空间和通道两方面减少冗余信息，提升主干网络提取到的特征图质量，从而提高检测精度。其次，基于CBAM注意力机制，结合Biformer自注意力机制提出一种新的注意力机制BSAM，在空间和通道两方面合理分配权重，使特征图更加关注有效信息，抑制背景的干扰。另外，为了解决小目标检测存在的难易样本分布不均匀的问题，利用Slideloss优化损失函数，提高小目标检测的质量。基于RSOD数据集的小目标检测实验表明，BS-YOLO算法的准确率为94.2%，召回率R为91.6%，均值平均精度mAP（交并比0.5）为95.9%；相对于原始的YOLOv5算法分别提高了3.3%，0.1%，3.6%；结果验证了BS-YOLO算法可以有效提高小目标检测的精度，降低漏检率。

关键词： YOLOv8   无人机   小目标检测   特征融合   模型剪枝  

摘要： 针对无人机图像中小目标实例多、目标间存在遮挡所导致的漏检、误检等现象，提出了一种基于改进YOLOv8的轻量化无人机图像小目标检测算法。在颈部引入三特征编码器、尺度序列特征融合模块，增强了网络对不同尺度特征的提取能力；同时，设计了小目标检测层，并与改进的颈部特征提取网络进行融合，在头部引入一个额外的检测头，减小小目标特征的损失，增强网络对小目标的识别能力；此外，针对CIoU的缺陷，结合Wise-IoU、inner-IoU和MPDIoU，提出了一种回归损失算法Wise-inner-MPDIoU；最后，为了实现算法在移动端和嵌入式场景下的轻量化应用需求，进行了基于幅度的层自适应稀疏化剪枝，在保证模型精度的同时，进一步压缩了模型的大小。实验结果表明，改进后的模型相比于原YOLOv8s模型，在mAP50提高6.8%的同时，参数量下降76.1%，计算量下降17.1%，模型大小降低73.5%，达到了优秀的提升模型检测精度及轻量化效果，具有很强的实用意义。

关键词： 深度学习   计算机视觉   行人搜索   目标检测   粒计算   数据处理   特征提取   生成对抗网络   对齐  

摘要： 现有行人搜索方法着重于从有限的标注场景图中学习有效的行人表征，虽然这些方法取得了一定的效果，但学习更具有身份辨别力的行人表征通常依赖于大规模的标注数据，而获取大规模的标注数据是一个资源、劳动密集型的过程。为此，该文提出了一种场景图多粒度遮挡特征增强算法，对原始场景图进行多粒度随机遮挡，扩充训练数据，并从遮挡后的场景图中生成具有多样化信息的虚拟特征，最后利用生成的虚拟特征增强真实特征中的行人表征。进一步，基于生成对抗学习，该文设计了多粒度特征对齐模块，用于对齐遮挡图像特征和原始图像特征，保持两者语义一致性。实验结果表明，在CUHK-SYSU和PRW数据集上，该算法能够显著提升行人搜索任务的搜索精度。