NEM ETP n k-based
基于不同胶膜封装的n型双玻TOPCon光伏组件的可靠性研究
：EV A为聚乙烯-聚醋酸乙烯酯共聚物图1 单玻晶体硅光伏组件的结构图Fig. 1 Structure diagram of c-Si PV module with single glass性、可粘接性、耐紫外线、低水汽透过率及高体积电阻率等性能特点。
虽然封装胶膜的成本较低，但却是决定光伏组件产品质量、寿命的关键因素。
目前，市场中常用的封装胶膜主要有胶膜和聚烯烃弹性体(POE)胶膜，有一些光伏组件生产厂商开始采用可发性聚乙烯EV A+POE)胶膜。
EV A材料因其优异的流动性、，女，硕士，主要从事太阳电池及光伏组件方面的研究。
图2 层压后6块光伏组件样品的EL 图像Fig. 2 EL images of six PV modules samples after laminationa.样品1b.样品2c.样品3d.样品4e.样品5f.样品6从图2可以看出，两组样品的EL 图像均正常，不存在隐裂、碎片、明暗片、过焊等现象。
对两组样品进行电性能测试，测试结果如表1所示。
从表1可以看出：样品1～样品3大功率平均值为556.861 W ，光电转换效率平均值为21.55%；样品4～样品6的最大功率平均值第2期为559.061 W，光电转换效率平均值为21.63%。
两组最大功率平均值相差2.2 W，光电转换效率平均值相差0.08%。
同时两组样品的开路电压相差在0.006 V之内，可忽略不计，但样品4～样品6的短路电流明显比样品1～样品3的高，且两者均值相差34 mA。
很明显正、背面均采用POE胶膜封装的光伏组件的电性能优于正面POE胶膜+背面EV A胶膜封装的光伏组件。
光伏组件的封装损失(CTM)是衡量光伏组件理论输出功率与实际输出功率差异的重要参数之一，其值越高，说明光伏组件封装损失程度越小。
样品1～样品3的CTM平均值为99.27%，样品4～样品6的CTM平均值为99.66%，由此可知，正、背面均采用POE胶膜封装的光伏组件的CTM值小于正面POE胶膜+背面EV A胶膜封装的光伏组件，说明双面均采用POE胶膜封装的光伏组件具有良好的性能，这归功于POE材料的优异性能。
神经机器翻译
神经机器翻译
神经机器翻译（ Neural Machine Translation，NMT）是一种利
用深度学习技术进行机器翻译的方法，该方法的原理是使用神经网络模型将源语言句子映射到目标语言句子。
传统的机器翻译方法通常基于统计模型，采用基于短语的方法或基于模板的方法，这些方法需要手动提取特征并进行参数调整，效果受限制。
而神经机器翻译则采用端到端的训练方式，不需要手工设计特征，能够直接从原始数据中学习翻译模型。
神经机器翻译的关键是设计一个合适的神经网络结构，并使用大规模的平行语料对其进行训练。
常见的神经网络结构有编码器-解码器模型和注意力模型。
编码器将源语言句子转化为隐
含表示，解码器根据这个隐含表示生成目标语言句子。
注意力模型可以帮助解码器更好地处理长句子和短句子的翻译。
神经机器翻译的主要优势在于能够处理更复杂的语言现象，例如长句子、歧义、语法错误等。
此外，神经机器翻译还具有较好的泛化能力，能够处理一些没有见过的词汇和句子结构。
不过，神经机器翻译的缺点也是显而易见的，首先是对大规模平行语料的依赖，需要大量的训练数据才能得到较好的翻译效果；其次，模型的调优和训练时间较长，需要高性能的计算设备和大容量的存储空间。
目前，神经机器翻译已经取得了很大的成功，并在许多翻译任务上超过了传统的统计机器翻译方法。
越来越多的研究人员和实践者开始将神经机器翻译应用到商业化场景中，并取得了良
好的效果。
随着深度学习技术的不断发展，神经机器翻译有望在未来实现更好的性能和更广泛的应用。
基于机器学习的酵母ncRNA预测研究
基于机器学习的酵母ncRNA预测研究1.背景现有研究表明,基因组中存在大量的非编码RNA(ncRNA),在基因表达调控等方面发挥重要作用。
如何利用生物信息学手段发现ncRNA,从而为用实验手段发现ncRNA提供帮助己成为生物信息学的研究热点之一。
为此,本研究以酵母基因组为研究对象,以k-tuple组成为特征变量,运用机器学习方法系统研究了酵母基因组中ncRNA的预测问题。
2.方法首先，构建用于机器学习的训练集与测试集，利用90条位于基因间区中的ncRNA作为阳性数据集，并提取出其上游和下游各1000nt的序列。
为了构建阴性数据集，从酵母基因组中提取了功能注释比较清晰的4058个蛋白编码基因，为了保持阳性与阴性数据集中序列数目的平衡，我们以成熟mRNA蛋白编码区的3-tuple含量与上游和下游1000nt序列的4-tuple含量为特征进行聚类去冗余，将获得的90个代表样本点作为阴性数据集。
最终从阳性和阴性数据中各随机抽取出80个序列作为训练集，余下的序列作为测试集。
其次，利用Naive Bayes和SVM方法构建分类器，结果如下:1、以ncRNA序列和蛋白编码基因编码区的3-tuple含量为特征构建分类器，基于Naive Bayes方法的训练集精度为85%，测试集精度为90%;基于SVM 方法的训练集精度为98.75%，测试集精度为90%。
图1基于自身序列3-tuple的分类器精度及稳定性分析图2自身序列3-tupie的ROC (Naive Bayes)2、利用ncRNA和蛋白编码基因起始密码子上游4-tuple含量构建分类器，基于Naive Bayes方法的训练集精度为93.73%，测试集精度为75%;基于SVM方法的训练集精度为100%，测试集精度为90%。
图3基于上游序列4-tuple的分类器精度及稳定性分析图4上游序列4-tuple的ROC ( Naive Bayes )3、利用ncRNA和蛋白编码基因终止密码子下游4-tuple含量构建分类器，基于Naive Bayes方法的训练集精度为93.75%，测试集精度为85%;基于SVM 方法的训练集精度为100%，测试集精度为90%。
车联网环境下基于CNN-LSTM_的行驶信息欺骗攻击检测
第29卷第6期江苏理工学院学报JOURNAL OF JIANGSU UNIVERSITY OF TECHNOLOGY Vo l.29，No.6 Dec.，20232023年12月近年来，随着网络通信技术与智能交通系统的快速发展，车载自组织网络（Vehicular Ad Hoc Network,VANET）愈发受到广泛的关注[1]。
VANET 作为一种快速组网技术，用于实现车联网环境下的车与车通信（V2V）、车与路侧单元通信（V2R）、车与行人通信（V2P）等，使得车辆能够感知视距范围外的交通信息，从而很大程度上减少了交通事故，提高了交通效率和安全性[2]。
在车联网环境中，车辆间通过广播基础安全消息（Basic Safety Message,BSM）或合作感知信息（Cooperative Awareness Message，CAM）帮助驾驶员做出及时准确的驾驶决策，2种信标消息都包含相同的内容（包括发送车辆的位置和行驶状态）[3]。
然而，由于车辆的高速移动性、网络拓扑的动态变化性以及无线信道的开放性等，车载自组织网络的部署面临着多种网络安全问题和挑战[4]。
此外，由于VANET缺乏相应的安全基础设施，车联网中的内部节点容易遭受多种网络攻击[5]，如拒绝服务攻击、虚假信息欺骗攻击等[6]。
在欺骗攻击中，被攻击车辆通过广播虚假消息误导周边车辆，极容易造成严重的交通事故。
此类网络攻击往往无法使用消息加密技术进行防范，因为其发生在VANET的内部。
这些节点是经过合理认证的内部成员，拥有有效的网络访问密钥凭证[7]，能够在网络中传输合法信息并进行通信。
因此，需要利用攻击检测系统对联网车辆的信标消息进行检验，过滤不合理消息，进而起到保障车辆网络安全的效果。
现有的攻击检测机制可归结为2种类型：以数据为中心、以节点为中心。
以数据为中心的检测机制对信标消息的数据语义进行可信度评估，以确保传输数据的正确性和连续性。
以数据为中心车联网环境下基于CNN-LSTM的行驶信息欺骗攻击检测梁乐威1，陈宇峰2，向郑涛1，游康祥1，周旭1（1.湖北汽车工业学院电气与信息工程学院，湖北十堰442002；2.湖北汽车工业学院汽车工程师学院，湖北十堰442002）摘要：当联网车辆遭受网络攻击时，会向外广播虚假行驶信息，从而误导周边车辆，极易引发交通事故。
heterogeneous modalities-based models
Heterogeneous Modalities-Based Models（HMBM）是一种多模态信息融合方法，用于将来自不同类型媒体的数据（如文本、图像、音频等）结合起来，以提高分析和理解信息的准确性和效率。
HMBM利用了不同媒体类型之间的互补性和信息冗余，以构建更加完整和丰富的信息表示。
HMBM的实现方式有多种，常见的方法包括特征融合、模型融合和注意力机制等。
其中，特征融合是将不同模态的特征进行组合，以生成多模态特征表示；模型融合则是将不同模态的模型进行组合，以构建多模态模型；注意力机制则是一种动态地分配不同模态信息之间权重的方法，以强调重要信息并抑制无关信息。
HMBM在许多领域都有应用，如自然语言处理、计算机视觉、语音识别等。
例如，在自然语言处理中，HMBM可以结合文本和图像信息，以提高情感分析、文本分类和问答系统的准确率；在计算机视觉中，HMBM可以将图像和音频信息结合起来，以提高目标检测、行为识别和场景分类的准确率。
总之，HMBM是一种有效的多模态信息融合方法，能够提高对多模态数据的理解和分析能力，因此在许多领域中得到了广泛应用。
基于标签的PPM预测算法
2.概述
eg:表3中我们用40比特的历史数据对其进行索引，此索引可以通过如 下的方法进行实现：
pc[0 : 9] h[0 : 9] h[10 : 19] h[20 : 29] h[30 : 39]
在上式中的连接符号表示压缩算法XOR。
2.概述
2.概述
在上图中，最左边的一个表我们记为表0，表0是一个双峰的预测，含 有4k的记录，我们可以用最少12比特的分支PC（program counter 程 序计数器/指令计数器）来对其记录进行索引。表0的每一个记录均包 含一个3比特的加减计数器，此类计数器的功能我们将会在第三部中 做以介绍，表0中总共的存储量为4k*(3+1)=16k. 另外的几个表我们分别记为表1-表4，这些表均用分支PC与一些全局 历史数据来进行索引，具体来讲：表1-表4分别在80比特的全局历史 数据下使用了最近的10、20、40、80比特的数据进行索引。 当全局历史数据的大小大于索引数据大小时，我们可以通过一个XOR 式的指令将全局历史数据折叠压缩成一组新的连续的历史数据，然后 再通过一个gshare预测函数将其压缩。对此我们可以举例如下：
2.概述
在本文中，我们所提出的预测是一个源于PPM的预测算法， PPM在最初高。 关于PPM，我们可做以大致的回顾：PPM算法，是一种 基于概率统计模型的自适应压缩算法，此算法根据已编码 符号在不同阶中的频度统计信息来预测当前符号的概率。 在如下的图1中，有5个基本表，我们可以通过这5个表来 表示我们提出的这种更新后的预测，它可以看成是一个关 于PPM4阶的近似值。
基于标签的PPM预测算法
A PPM-like,tag-based predictor
1.摘要
本篇文章中提出的预测是一个源于PPM的，基于标签的全 局历史预测。它的特性可以分为5个表，每个表都引用不 同的历史长度进行索引，该预测是由具有最长匹配的历史 关联上下饱和的计数器给出。要使这种预测获得更为理想 的结果，我们进行的更新必须非常谨慎的进行。为此，我 们推荐了一个新的更新策略，可以有效的降低预测过程当 中的错误率，我们也提出了一个新的方法使hash函数可以 在计算机硬件中得以运用。 本文目的：对PPM算法做以更新，以降低压缩预测过程中 的错误率。
基于K-means和K近邻的DPF设备故障分类算法
Internal Combustion Engine &Parts0引言柴油机颗粒捕捉器（diesel particulate filer ，DPF ）在过滤时，颗粒物在内部的沉积量会不断增加，过滤压降逐渐升高，使得排气阻力增大，最终影响柴油机动力性和经济性[1]。
DPF 堵塞主要体现在排气温度、压差等参数上，从外观上难以判断设备是否故障。
为此，本文拟通过数据挖掘技术来寻找DPF 设备的数据特点，并对DPF 设备进行分类，协助维护人员发现潜在的故障。
目前，机器学习领域常用的分类模型有：K 近邻（KNN ）、支持向量机（SVM ）[2]、决策树[3]、随机森林[4]等。
其中，KNN 算法理论成熟，思想简单，其核心思想是如果一个样本在特征空间中的k 个最相邻的样本中大多数都属于某一个类别，则该样本也属于这个类别。
文武等[5]提出了基于K 中心点和粗糙集的KNN 文本分类算法，利用K 中心点算法对文本数据聚类。
本文的目的是判断不同厂家DPF 设备的故障类别，通过上述研究发现，KNN 分类算法属于懒惰学习，它需要已知类型的样本来训练模型。
本文提出的基于K-means 和KNN 的DPF 故障分类算法，通过层次分析法得到参数k 可能的最优取值，利用轮廓系数确定了最优k 值。
其次，在选择K-means++初始质心的基础上引入了阈值限定，使得初始质心更加合理。
最终的KNN 模型采用多个厂家的混合样本进行测试，实验表明该模型的故障预测准确率可达90%以上。
1DPF 数据源分析1.1数据预处理后续处理的数据对象是远程监控系统采集的DPF 设备运行数据，主要包括排气温度、压差、行驶速度、经纬度等属性，其中没有直接反映设备故障信息的属性。
相关研究表明，堵塞故障的发生往往会引起排气压差、排气温度等主要特征参数的变化[6]-[7]。
根据相关先验知识，将与DPF 堵塞相关性不大的属性去除，仅保留排气管前中后三个位置对应的温度（DOCT1、CDPFT2、CDPFT3，简写为T1、T2、T3）和压差（DOCP1、CDPFP2、CDPFP3，简写为P1、P2、P3）。
基于HCPN的面向方面NVP建模与分析
基于HCPN的面向方面NVP建模与分析孙晓星;虞慧群【期刊名称】《计算机工程》【年(卷),期】2012(038)016【摘要】Aiming at detecting the design faults at early development stage and reducing the overhead that N-version Programming(NVP) fault tolerance strategy may bring into a system, this paper proposes an aspect-onented modeling method based on Hierarchical Colored Petri Net(HCPN). NVP is modularized into an aspect sub-module and woven into a final executable HCPN. An aspect-oriented NVP model is built through a case study of searching system using this method. Analysis result verifies the correctness and effectiveness of this NVP model.%为能够在软件开发早期检测设计故障,降低N版本编程(NVP)容错策略给系统带来的额外开销,提出一种基于层次着色Petri网(HCPN)的面向方面NVP建模方法,将NVP模块转化为方面子模块,并编织为可执行的HCPN.运用该建模方法对网络搜索实例建立面向方面的NVP 模型,结果验证了该NVP模型的正确性和有效性.【总页数】4页(P61-64)【作者】孙晓星;虞慧群【作者单位】华东理工大学计算机科学与工程系,上海200237;华东理工大学计算机科学与工程系,上海200237;上海市计算机软件评测重点实验室,上海201112【正文语种】中文【中图分类】TP311【相关文献】1.一种基于UML的面向方面建模框架研究 [J], 牛言涛;刘畅;姚玉霞2.基于MOF面向方面建模工具的研究与实现 [J], 贺蕾;方义秋;葛君伟;左向科3.基于HCPN的城市轨道交通CBTC联锁系统建模研究 [J], 于潇4.基于AADL的智能交通系统面向方面建模 [J], 覃华;张立臣5.基于HCPN的发电企业项目管理工作流建模 [J], 高翔;赵霁因版权原因，仅展示原文概要，查看原文内容请购买。