韩忠华
- 作品数:34 被引量:1H指数:1
- 供职机构:沈阳建筑大学更多>>
- 发文基金:国家自然科学基金更多>>
- 相关领域:自动化与计算机技术建筑科学经济管理电子电信更多>>
- 一种具有改机操作的制造车间的排产优化方法
- 一种具有改机操作的制造车间的排产优化方法,属于生产排产优化领域,其步骤为:首先获取制造车间的生产数据,然后建立重复合作博弈模型,并采用建立完成的重复合作博弈模型,获得当前工序中每个待加工工件的工位分配方案,最终获得每道工...
- 韩忠华朱一行
- 基于Q学习的流程制造车间滚揉结扎工序段生产优化方法
- 基于Q学习的流程制造车间滚揉结扎工序段生产优化方法涉及流程制造业生产优化领域,通过建立流程制造车间滚揉结扎工序段模型,可以对实际的生产车间滚揉结扎工序段情况进行模拟生产;获取流程制造车间的生产数据,定义Q学习参数,生成记...
- 韩忠华卞旭升常大亮
- 文献传递
- 基于区块链的城市智能交通网络均衡分配方法
- 2024年
- 为了提高城市智能交通网络的应用效率,有效分配网络中存在的资源,同时保证网络资源分配的均衡度。因此,提出区块链技术下城市智能交通网络均衡分配方法。通过建立城市智能交通网络模型,分析用户在交通网络中的资源需求。根据用户的需求,采用区块链技术分配网络中的资源,通过引入椭圆曲线数字签名算法,对需求和资源的发布信息加密处理,并根据资源需求与资源供应之间的匹配,完成城市智能交通网络资源的均衡分配。实验结果表明,所提方法的用户吞吐率高,且Jain公平指数在0.8以上,表明所提方法的资源分配合理性高。
- 王迪常玲韩忠华
- 关键词:用户需求分析椭圆曲线数字签名算法
- 面向边缘计算的网络入侵检测方法研究
- 2024年
- 针对边缘侧设备因硬件资源受限,难以运行大体量入侵检测模型的问题,提出了一种轻量化入侵检测模型。首先,将一维流量数据转化为三维图像,采用轻量化卷积神经网络MobileNet代替传统的标准卷积,不仅可以提取空间特征,而且会降低模型的参数量;然后,采用双层长短期记忆神经网络挖掘网络流量中的时序特征;最后,使用CICIDS2017数据集对入侵检测模型进行训练和测试。采用迁移学习方法构建模型,优化了权重参数,缩短了训练时间,使模型的训练过程更高效。实验结果表明,与其他传统的入侵检测模型相比,所提模型在保证较高准确率的前提下,大幅度减少了模型参数量,既能减轻计算负担,又能保证检测效果,更适用于资源受限的边缘侧设备。
- 林硕谢泓珊韩忠华高治军
- 关键词:入侵检测
- 基于动态集成学习的预制构件加工工时预测问题研究
- 2023年
- 编制预制构件生产计划时,生产过程中一些不可控因素会导致理论工时与实际工时存在偏差,进而使生产计划在执行时不能有效指导实际生产。为解决该问题,提出一种基于动态集成学习的预制构件加工工时预测方法。首先,采用长短期记忆深度学习模型作为基学习器,引入密度峰值聚类方法将训练集样本划分为多个子集合,并训练基学习器;然后,依据K近邻算法找出待测样本的近邻样本,根据其占子集合的比例,动态赋予各基学习器相应权值,实现多个基学习器联合预测;最后,通过预制构件的实际生产数据对所提方法进行仿真验证。结果表明,所提方法可以有效提升预制构件加工工时的预测准确率。
- 韩忠华韩忠华李曼孙亮亮
- 关键词:预制构件K近邻算法
- 一种基于视觉的动态环境SLAM方法
- 一种基于视觉的动态SLAM方法涉及计算机视觉领域,其具体方法为:将输入的图片进行ORB特征点提取;再将输入的图片YOLOv5s检测潜在动态区域,再提取此区域的稠密光流图,将潜在运动物体区域与光流图相结合,得到真实运动物体...
- 夏兴华马铭泽韩忠华
- 一种基于加工任务能力匹配的半导体封装线键合设备编组方法
- 本发明涉及一种基于加工任务能力匹配的半导体封装线键合设备编组方法,属于半导体生产工艺技术领域。其特征在于包括如下步骤:将键合工序设备抽象成多行多列设备点阵列;将行列的点之间的设备编组关系用“0”,“1”表示;建立编组的关...
- 韩忠华曹阳林硕高恩阳孙海义
- 一种基于物联网的家庭智能温室系统
- 一种基于物联网的家庭智能温室系统,属于物联网技术领域;该系统包括:亚克力温室箱、系统感知层、系统应用层和系统网络层;所述系统感知层包括:ZigBee网络装置、设置于亚克力温室箱中的检测设备和执行设备;所述系统应用层包括移...
- 韩忠华朱毅吕哲孟付
- 文献传递
- 一种预制构件生产企业主计划编制方法
- 本发明旨在提供一种预制构件生产企业主计划编制方法。方法包括以下步骤:首先整合建筑工程、楼宇、单元、楼层等数据,形成多层树状结构数据集合;计算每个客户订单的日平均投产立数并与其标准楼层构件总体积进行对比分析,确定每个客户订...
- 韩忠华赵伊阳李曼
- 基于扩张卷积神经网络的异常检测模型
- 2024年
- 目的提出一种基于DCNN-MiLSTM的异常检测模型,解决传统的网络异常检测模型难以处理具有时序特征网络流量数据的问题。方法对原始流量数据的时间标签进行重定义,利用扩张卷积神经网络对整体特征进行提取,同时引入Mogrifier LSTM网络,对时序信息进行深层次挖掘。结果与其他异常检测模型相比,DCNN-MiLSTM模型的准确率达到99.12%,召回率为98.94%,F_(1)值为99.03%,各项指标均优于其他常见模型,提升了检测异常网络流量数据的能力。结论DCNN-MiLSTM模型可以更好地处理具有时序特征的流量,捕捉流量数据中的时间依赖关系和趋势,更有效地检测和识别出异常数据。
- 高治军曹浩东韩忠华
- 关键词:网络异常检测