期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进GAN的智能网联车CAN总线异常检测研究
1
作者
杨浩然
谢辉
+1 位作者
宋康
闫龙
《汽车安全与节能学报》
CAS
CSCD
北大核心
2024年第5期660-669,共10页
为提高智能网联汽车(ICVs)的安全性,提出了一种能适应异常流量低的、泛化能力强的控制器局域网(CAN)总线异常检测算法,以应对车辆可能会产生的潜在的和难以察觉的异常情况,有效提高异常数据的检测精度。该文探讨了生成对抗网络(GANs)的...
为提高智能网联汽车(ICVs)的安全性,提出了一种能适应异常流量低的、泛化能力强的控制器局域网(CAN)总线异常检测算法,以应对车辆可能会产生的潜在的和难以察觉的异常情况,有效提高异常数据的检测精度。该文探讨了生成对抗网络(GANs)的理论意义,并在一辆智能网联公交车上,收集了4类不同攻击数据,2类罕见报警数据,基于计算数据的重构误差来衡量异常程度,验证算法的适应性。结果表明:该文提出的算法在低流量数据集Data4上的F1分数和误报率分别达到98.31%和2.90%,超过初始模型及深度卷积生成对抗网络(DCGAN)算法,且对罕见报警数据的误报率减少到3%,说明该算法适用于低流量异常检测,且泛化能力强。
展开更多
关键词
智能网联汽车(ICVs)
控制器局域网(CAN)总线
异常检测
低流量异常
隐空间距离
在线阅读
下载PDF
职称材料
PR状态方程+基团贡献模型预测CO_(2)+HFC二元混合物的气液相平衡性质
2
作者
吴子睿
石凌峰
+3 位作者
孙瑞
田华
王轩
舒歌群
《中国科学技术大学学报》
CAS
CSCD
北大核心
2023年第10期52-59,I0008,共9页
由于良好的性能和环保性,CO_(2)+HFC二元混合物被认为是冷电联合循环系统中良好的替代工作流体。气液相平衡特性是计算混合物焓和熵的关键,这冷电联合循环系统的热力学分析至关重要。为了准确预测CO_(2)和HFC(R23,R32,R41,R125,R134a,R1...
由于良好的性能和环保性,CO_(2)+HFC二元混合物被认为是冷电联合循环系统中良好的替代工作流体。气液相平衡特性是计算混合物焓和熵的关键,这冷电联合循环系统的热力学分析至关重要。为了准确预测CO_(2)和HFC(R23,R32,R41,R125,R134a,R143a,R152a,R161,R227ea)二元混合物的气液平衡性质,本文建立了基于吉布斯自由能混合规则的群贡献模型(PR+MHV1+UNIFAC和PR+LCVM+UNIFAC)。通过CO_(2)和HFC制冷剂的气液相平衡实验获得了-CO_(2)、-烷烃、-CHF和-CHF3等基团之间的相互作用参数,这些基团参数对于预测其气液相平衡性质(压力和气相摩尔分数)至关重要。PR+LCVM+UNIFAC模型计算的AARDp值为5.53%,AADy1值为0.0132,PR+MHV1+UNIFAC模型的AARDp值和AADy1值分别为7.40%和0.0229。然而,对于CO_(2)+R32系统,PR+MHV+UNIFAC预测模型的预测精度较高,AARDp和AADy1的值分别为1.53%和0.0045。综上所述,对于CO_(2)+HFC二元混合物,PR+LCVM+UNIFAC预测模型预测精度较高,但对于CO_(2)+R32二元混合物,PR+MHV1+UNIFAC模型也具有独特的优势。根据基团贡献模型的预测结果,与之前系统使用的PR+MHV1+UNIFAC模型相比,PR+LCVM+UNIFAC模型的计算进度显著提高。
展开更多
关键词
冷电联合循环
CO_(2)+HFC二元混合物
气液相平衡
基团贡献模型
PR+MHV1+UNIFAC模型
PR+LCVM+UNIFAC模型
在线阅读
下载PDF
职称材料
题名
基于改进GAN的智能网联车CAN总线异常检测研究
1
作者
杨浩然
谢辉
宋康
闫龙
机构
天津大学
未来技术学院
天津大学发动机国家重点实验室
出处
《汽车安全与节能学报》
CAS
CSCD
北大核心
2024年第5期660-669,共10页
基金
天津市科技计划项目(19ZXZNGX0005)。
文摘
为提高智能网联汽车(ICVs)的安全性,提出了一种能适应异常流量低的、泛化能力强的控制器局域网(CAN)总线异常检测算法,以应对车辆可能会产生的潜在的和难以察觉的异常情况,有效提高异常数据的检测精度。该文探讨了生成对抗网络(GANs)的理论意义,并在一辆智能网联公交车上,收集了4类不同攻击数据,2类罕见报警数据,基于计算数据的重构误差来衡量异常程度,验证算法的适应性。结果表明:该文提出的算法在低流量数据集Data4上的F1分数和误报率分别达到98.31%和2.90%,超过初始模型及深度卷积生成对抗网络(DCGAN)算法,且对罕见报警数据的误报率减少到3%,说明该算法适用于低流量异常检测,且泛化能力强。
关键词
智能网联汽车(ICVs)
控制器局域网(CAN)总线
异常检测
低流量异常
隐空间距离
Keywords
intelligent connected vehicles(ICVs)
controller area network(CAN)-bus
anomaly detection
lowtraffic anomaly
latent space distance
分类号
TN915.08 [电子电信—通信与信息系统]
U463.6 [机械工程—车辆工程]
在线阅读
下载PDF
职称材料
题名
PR状态方程+基团贡献模型预测CO_(2)+HFC二元混合物的气液相平衡性质
2
作者
吴子睿
石凌峰
孙瑞
田华
王轩
舒歌群
机构
中国科学技术
大学
热科学与能源工程系
天津大学发动机国家重点实验室
出处
《中国科学技术大学学报》
CAS
CSCD
北大核心
2023年第10期52-59,I0008,共9页
基金
supported by the USTC Research Funds of the Double First-Class Initiative(YD2090002008)
the Fundamental Research Funds for the Central Universities(WK2090000032).
文摘
由于良好的性能和环保性,CO_(2)+HFC二元混合物被认为是冷电联合循环系统中良好的替代工作流体。气液相平衡特性是计算混合物焓和熵的关键,这冷电联合循环系统的热力学分析至关重要。为了准确预测CO_(2)和HFC(R23,R32,R41,R125,R134a,R143a,R152a,R161,R227ea)二元混合物的气液平衡性质,本文建立了基于吉布斯自由能混合规则的群贡献模型(PR+MHV1+UNIFAC和PR+LCVM+UNIFAC)。通过CO_(2)和HFC制冷剂的气液相平衡实验获得了-CO_(2)、-烷烃、-CHF和-CHF3等基团之间的相互作用参数,这些基团参数对于预测其气液相平衡性质(压力和气相摩尔分数)至关重要。PR+LCVM+UNIFAC模型计算的AARDp值为5.53%,AADy1值为0.0132,PR+MHV1+UNIFAC模型的AARDp值和AADy1值分别为7.40%和0.0229。然而,对于CO_(2)+R32系统,PR+MHV+UNIFAC预测模型的预测精度较高,AARDp和AADy1的值分别为1.53%和0.0045。综上所述,对于CO_(2)+HFC二元混合物,PR+LCVM+UNIFAC预测模型预测精度较高,但对于CO_(2)+R32二元混合物,PR+MHV1+UNIFAC模型也具有独特的优势。根据基团贡献模型的预测结果,与之前系统使用的PR+MHV1+UNIFAC模型相比,PR+LCVM+UNIFAC模型的计算进度显著提高。
关键词
冷电联合循环
CO_(2)+HFC二元混合物
气液相平衡
基团贡献模型
PR+MHV1+UNIFAC模型
PR+LCVM+UNIFAC模型
Keywords
cooling and power cycles
CO_(2)+HFC binary mixtures
vapor-liquid equilibrium
the group contribution model
PR+MHV1+UNIFAC model
PR+LCVM+UNIFAC model
分类号
TK123 [动力工程及工程热物理—工程热物理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于改进GAN的智能网联车CAN总线异常检测研究
杨浩然
谢辉
宋康
闫龙
《汽车安全与节能学报》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
PR状态方程+基团贡献模型预测CO_(2)+HFC二元混合物的气液相平衡性质
吴子睿
石凌峰
孙瑞
田华
王轩
舒歌群
《中国科学技术大学学报》
CAS
CSCD
北大核心
2023
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
