摘要：深度学习在各种关键任务上取得了显著的成功.然而,最近的研究表明,深度神经网络很容易受到后门攻击,攻击者释放出对良性样本行为正常的反向模型,但将任何触发器施加的样本错误地分类到目标标签上.与对抗性样本不同,后门攻击主要实施在模型训练阶段,用触发器干扰样本,并向模型中注入后门,提出了一种基于可解释性算法的不可见后门攻击方法.与现有的任意设置触发掩膜的工作不同,精心设计了一个基于可解释性的触发掩膜确定,并采用最新型的随机像素扰动作为触发器样式设计,使触发器施加的样本更自然和难以察觉,用以规避人眼的检测,以及对后门攻击的防御策略.通过在CIFAR-10,CIFAR-100和ImageNet数据集上进行了大量的对比实验证明该攻击的有效性和优越性.还使用SSIM指数评估所设计的后门样本与良性样本之间的差异,得到了接近0.99的评估指标,证明了生成的后门样本在目视检查下是无法识别的.最后还证明了攻击的抗防御性,可以抵御现有的后门防御方法.

摘要：针对轮毂电机驱动汽车(hub motor driven vehicle,HMDV)因开关磁阻电机自重和电机气隙偏心导致产生的垂向振动负效应严重恶化车辆的平顺性和操稳性的问题,提出一种基于分数阶滑模控制的HMDV可控动惯性悬架优化设计方法。首先,在轮毂驱动电机气隙偏心产生的不平衡径向力基础上,建立HMDV 1/4混棚动惯性悬架,理论证明二阶混棚正实网络的优异性能;其次,采用HMDV二阶混棚正实网络作为参考模型,构建基于分数阶滑模控制理论的HMDV协调控制系统,在随机路面下进行平顺性仿真和分析;最后,进行HMDV 1/4悬架台架试验。试验结果表明,HMDV可控动惯性悬架与HMDV传统被动悬架相比,车身加速度均方根值、悬架动行程均方根值以及轮胎动载荷均方根值最大降幅分别为7.72%、30.64%以及11.54%。验证了所设计的HMDV可控动惯性悬架对于由开关磁阻电机造成的垂向振动负效应有优异的抑制性能。

摘要：目的探讨虫草素(cordycepin,COR)减轻庆大霉素(gentamicin,GEN)肾毒性的作用及其抑制GEN诱导的氧化应激和细胞铁死亡的分子机制。方法将SD大鼠分为对照组、GEN组与GEN+COR组3组,动物模型构建成功后,检测各组大鼠血清肌酐和尿素氮水平,HE染色评价肾脏组织损伤程度。另外,检测各组SD大鼠肾脏组织中丙二醛和谷胱甘肽含量,并通过Western blot的方法分析细胞铁死亡标志蛋白GPX4、SLC7A11表达。结果与对照组相比,GEN组大鼠血清肌酐、尿素氮明显升高(P<0.01),同时给予50 mg·kg-1 COR后有效降低肌酐与尿素氮水平,HE结果也显示COR能够缓解GEN造成的肾脏组织损伤;COR可逆转GEN造成的大鼠肾脏组织中丙二醛水平升高与谷胱甘肽水平下降。同时,COR能够恢复GEN诱导的GPX4、SLC7A11蛋白水平下降。结论COR能够通过减轻细胞氧化应激与铁死亡缓解GEN造成的肾损伤。

摘要：港口集装箱装卸工作主要依靠起重机完成,但传统起重机由柴油提供动力源,效率低且排放有害气体,锂电池组作为起重机的动力源可以减少环境污染。为提高电池组使用寿命,设计起重机大功率锂电池组管理系统(BMS),以STM32F103单片机为核心,采用电压被动均衡技术,实时监测锂电池的电压、电流和温度的状态信息,根据监测信息进行锂电池组的剩余电量(SOC)估算以及故障诊断和报警,相应的数据通过网络传送和现场实时显示。在某港口起重机上通过现场试验,证明了电池管理系统的有效性。

摘要：针对低照度图像目标检测的挑战,提出一种端到端检测方法FDLIE-YOLO。首先,设计频域处理模块FDPB(Frequency Domain Processing Block),采用傅里叶变换提取全局信息,从而获取估计幅度分量,利用其与亮度的正相关关系,提升低光照图像质量,进而构建频域低照度图像增强网络FDLIENet(Frequency Domain Low-light Image Enhancement Network)。然后,使用YOLOv8n进行目标检测,通过联合损失实现图像增强与目标检测的端到端训练。该损失引入马氏距离的幅度差异损失,以精准调整图像幅度,并用MPDIoU(Minimum Point Distance based IoU)损失取代YOLOv8n原有的回归损失,提高检测准确性。实验结果显示,FDLIENet在低照度环境下的图像增强表现显著,在LOLReal和ExDark数据集上的PSNR、SSIM和NIQE指标分别达到23.18 dB、0.858和3.98;FDLIEYOLO在ExDark数据集,平均精度均值mAP为80.6%,较当前主流端到端检测方法提高了1.1%~1.6%,且实时性好。

摘要：深度强化学习是目前信息物理融合系统(CPS)决策中常用的一种方法。然而,当面对未知环境和复杂任务时,基于黑盒的深度强化学习方法在系统的安全性和奖励函数设置的可解释性方面存在不足。针对上述问题,提出了一种形式化时空规则验证制导的安全强化学习方法。提出了时空规则通信顺序进程(CSR-TCSP)对系统进行建模,并结合时空规约语言(STSL)和模型检测工具FDR对进程代数模型进行验证。利用系统环境模型形式化奖励状态机的结构,提出了时空规则奖励状态机(STR-RM)以指导强化学习中奖励函数的设置。此外,为了监测系统的运行并确保输出决策的安全性,设计了一个监控器及安全动作决策算法以获得更安全的状态行为策略。通过一个自动驾驶系统中的避障与变道超车实例,证明所提方法的有效性。

摘要：为了使学生更深入地掌握采用强化学习求解任务最优策略的方法,基于深度Q网络设计了平衡杆的控制优化实验。将平衡杆实验环境建模为马尔可夫决策模型,从深度Q网络结构、探索策略、奖励函数、经验回放池更新和目标Q网络更新等角度进行了实验方案的设计。实验评估综合考虑了算法有效性、Q值估计的准确性、样本效率和Q网络的损失估计。在此基础上,将其与基准算法Q学习算法在累计奖赏和学习效率上进行了对比。该实验不仅可以帮助学生学会综合应用强化学习知识,也能帮助其掌握采用深度Q网络算法来求解离散动作空间任务的最优策略。

摘要：随着室内混合定位技术的发展,室内路径规划和导航已成为研究热点。常规手机地图主要关注单楼层路径规划,致使用户在多楼层建筑中导航时效率低下。因此,开发高效的手机室内导航系统至关重要。该文利用React框架和Leaflet地图库搭建了系统界面,基于Dijkstra算法设计了跨楼层路径规划模型,使用JavaServlet构建了路径服务小程序,采用MySQL管理GIS数据和关系型数据。系统的功能需求全面考虑了用户群体、基本操作、地图导航、主题设计、错误处理和反馈机制等因素。测试结果表明,该系统能高效准确地实现室内地图导航服务,显著提升了室内导航体验。系统提供的跨楼层路径规划能力为多楼层建筑中的导航需求提供了有效解决方案。该研究为室内导航技术的发展提供了新思路,并为大型商场、机场、医院等多层建筑中的应用奠定了基础。未来应关注系统的扩展性、智能化水平及对不同建筑类型的适应性,以推动室内导航技术的持续进步。

摘要：目前,对车门结构优化的研究多数没有考虑车门不确定性因素的影响。为了提高结构优化后车门性能的稳健性,将轧制差厚板应用于车门,同时考虑板料厚度和材料参数的波动对各约束响应稳健性的影响。结合拉丁超立方试验设计和径向基函数模型,采用蒙特卡罗模拟和改进型非支配遗传算法相结合的双循环优化策略,提出一种基于6σ稳健性的轧制差厚板车门多目标优化设计方法。研究结果表明,该方法在获得最优妥协解的同时,能提高设计变量的可靠性和目标函数的稳健性。

摘要：近年来,点击欺诈给广告商造成了巨大的经济损失,迫使广告商支付高额费用。为了应对点击欺诈,广告商通常使用用户配置文件来识别用户身份。但是,攻击者可以轻松构建独特的虚拟操作环境,干扰身份的识别。该文提出了PingLoc机制,一种基于跨域资源访问的定位方案,可检测点击欺诈来源。该方案从ping响应延迟序列提取特征构建用户指纹。测试表明,PingLoc所收集的延迟特征是稳定的,用户定位指纹的准确性高达98%。