检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于特征挖掘的设备异常响应实时检测方法

人工智能 2023年第4期 71-81页

作者：李翰霖牛少彰王茂森史成洁安洪旭北京邮电大学计算机学院(国家示范性软件学院) 北京100876 东南数字经济发展研究院浙江衢州324000 中国科学院信息工程研究所北京100195

工业传感器监测产生海量时序数据,对异常检测带来了两个挑战。一是数据维度和数据量的增多提高了算法时间复杂度,不利于实时监测。为了实时监测数据,需要异常检测算法在有限时间内处理大量的数据。二是在数据采集过程中,噪声是不可避免... 详细信息

工业传感器监测产生海量时序数据,对异常检测带来了两个挑战。一是数据维度和数据量的增多提高了算法时间复杂度,不利于实时监测。为了实时监测数据,需要异常检测算法在有限时间内处理大量的数据。二是在数据采集过程中,噪声是不可避免的,检查噪声数据对异常检测算法性能的影响对于提高分类器学习算法的可靠性是必要的。因此,本文对数据进行分析挖掘,降低数据维度和数据量,提高异常检测实时性,并在图偏差网络上应用一维卷积,提取时间序列的高级特征,提高异常模型的抗噪能力。在六级水处理模型SWaT数据集上的实验结果表明,本文异常检测方法在测试集上精确率、召回率、F1值总体优于传统异常检测方法,且能有效避免噪声干扰,识别速度快,满足异常检测过程中的准确性和实时性,具有一定的应用价值。

关键词：异常检测实时性数据挖掘图偏差网络一维卷积

在线全文

学校读者我要写书评

暂无评论

边缘计算环境下基于深度学习的DDos检测

计算机测量与控制 2023年第7期31卷 28-34,168页

作者：田婷虞延坤牛新征四川省公安科研中心成都610000 西南石油大学计算机科学学院成都610500 电子科技大学计算机科学与工程学院成都611731

边缘计算作为一种用于降低中心节点计算压力,更靠近终端设备和数据源头的新计算范式,满足了计算业务下沉的需求,也带来了安全问题;其中,对边缘计算安全威胁最大、造成过巨大经济损失和安全事故的当属分布式拒绝服务攻击(DDos);边缘计算... 详细信息

边缘计算作为一种用于降低中心节点计算压力,更靠近终端设备和数据源头的新计算范式,满足了计算业务下沉的需求,也带来了安全问题;其中,对边缘计算安全威胁最大、造成过巨大经济损失和安全事故的当属分布式拒绝服务攻击(DDos);边缘计算环境下由于算力受限、存储空间有限等原因,传统的防御手段难以应用;因此,提出了一种适用于边缘计算环境下的基于深度学习的轻量级DDos检测框架;采用CIC-DDos-2019数据集来模拟边缘计算环境下的遭受DDos攻击的网络流量,针对数据集进行了适应性强的预处理技术和相似性标签融合,运用SMOTE算法解决了数据集类别不平衡问题,采用一维卷积技术和BiLSTM技术搭建了模型并进行了模型剪枝,构建了一个轻量级模型;结果表明,其针对DDos攻击类别的八分类实验准确率达到了96.8%,二分类实验准确率达到了99.8%。

关键词：边缘计算分布式拒绝服务攻击深度学习入侵检测一维卷积 BiLSTM

基于CNN-LSTM的兰州市PM_2.5浓度预测研究

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

应用数学进展 2023年第3期12卷 1003-1012页

作者：戴林林周文学兰州交通大学数理学院甘肃兰州

对PM2.5浓度的精准预测能够减少很多健康问题的出现,从而提高人们的生活质量。现有的研究大多建立机器学习模型或单个的深度学习模型来预测PM2.5浓度,且往往只关注单要素的影响而忽略多个要素的综合影响。基于此,本文建立CNN-LSTM组合模... 详细信息

对PM2.5浓度的精准预测能够减少很多健康问题的出现,从而提高人们的生活质量。现有的研究大多建立机器学习模型或单个的深度学习模型来预测PM2.5浓度,且往往只关注单要素的影响而忽略多个要素的综合影响。基于此,本文建立CNN-LSTM组合模型,使用污染物浓度及气象数据对未来短期单日PM2.5浓度做预测,并将结果与单个LSTM模型作对比。结果证实,相比于单个的LSTM模型而言,CNN-LSTM组合模型预测效果更佳。

关键词： LSTM 一维卷积 PM2.5预测组合模型

维普期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于神经网络方法的序列数据分类模型

计算机时代 2023年第4期 44-47页

作者：李良蔡少锋谢耀荣苏建华薛媛谢耀斌中国石油长庆油田分公司勘探开发研究院陕西西安710021 北京凯博瑞石油科技有限公司

序列数据处理在天体光谱分类领域是一项非常重要的任务,但是传统的处理方式成本高、效率低。通过构造一种以focal loss作为损失函数的多分支一维卷积神经网络对LAMOST部分序列数据进行了分类,并采用MarcoF1分数作为评价指标。结果表明... 详细信息

序列数据处理在天体光谱分类领域是一项非常重要的任务,但是传统的处理方式成本高、效率低。通过构造一种以focal loss作为损失函数的多分支一维卷积神经网络对LAMOST部分序列数据进行了分类,并采用MarcoF1分数作为评价指标。结果表明该模型取得了理想的实验效果,并且focal loss损失函数(其在不平衡数据分类任务中对困难样本增加权重)相比传统的交叉熵损失函数也有更好的预测精度。

关键词：序列数据神经网络多分支结构一维卷积损失函数

在线全文

学校读者我要写书评

暂无评论

十六点和十一点高效短卷积算法

工程兵工程学院学报 1992年第3期 88-96页

作者：余品能蒋增荣

在本文中,我们利用卷积的模多项式表示式及孙子定理导出了16点和11点短卷积的有效算法,所需运算量是M_(16)=35,A_(16)=159;M_(11)=43,A_(11)=169;M'_(11)=41,A'_(11)=137。用同样的方法也可导出其它长度短卷积的算法。

关键词：多项式表示卷积算法循环卷积一维卷积孙子定理运算量套算法快速算法行计算有效算法

在线全文

学校读者我要写书评

暂无评论

基于深度学习的恒星光谱分类

北京师范大学学报（自然科学版） 2020年第1期56卷 37-44页

作者：何东远刘伟曹硕耿率博刘宇婷姚迦文济南信息工程学校山东济南250101 北京师范大学信息科学与技术学院北京100875 北京师范大学天文系北京100875

大型巡天项目使得恒星光谱的观测进入大数据时代,实现恒星光谱自动分类是一项重要和具有挑战性的工作.本文采用基于一维的卷积网络算法对斯隆数字巡天(sloan digital sky survey, SDSS)的恒星光谱进行分类.通过卷积神经网络,恒星光谱的... 详细信息

大型巡天项目使得恒星光谱的观测进入大数据时代,实现恒星光谱自动分类是一项重要和具有挑战性的工作.本文采用基于一维的卷积网络算法对斯隆数字巡天(sloan digital sky survey, SDSS)的恒星光谱进行分类.通过卷积神经网络,恒星光谱的特征被提取出来并用于分类.采用带标签的恒星光谱数据训练一维恒星光谱卷积网络(1-dimension stellar spectra convolutional neural networks, 1-D SSCNN),得到训练好的网络模型,并用其对恒星光谱进行分类测试.本文算法与传统的恒星光谱分类算法支持向量机(support vector machine, SVM)、随机森林(random forest, RF)和人工神经网络(artificial neural network, ANN)进行对比,结果表明,本文算法具有较高的分类精度和鲁棒性,且给出了由深度学习得出的光谱热力图,对研究光谱物理性质具有重要意义.

关键词：恒星光谱一维卷积分类热力图

基于集成约束多示例学习的高光谱目标检测方法

在线全文

学校读者我要写书评

暂无评论

基于集成约束多示例学习的高光谱目标检测方法

作者：李嘉铭西安电子科技大学

学位级别：硕士

由于高光谱图像的空谱合一的特性,使得高光谱图像在精准农业、变化检测、生物医学工程和军事等许多领域得到广泛应用,其中目标检测是最重要和最广泛的应用之一。然而,由于高光谱目标标识的不确定性,例如定位坐标的偏移、不确定的亚像素... 详细信息

由于高光谱图像的空谱合一的特性,使得高光谱图像在精准农业、变化检测、生物医学工程和军事等许多领域得到广泛应用,其中目标检测是最重要和最广泛的应用之一。然而,由于高光谱目标标识的不确定性,例如定位坐标的偏移、不确定的亚像素混合等,获取像素级标签通常是不可行的,往往会产生不精确的标签。此外,目标数据样本和背景数据样本之间像素数量的显著差异也是高光谱目标检测中的难点之一。因此,如何更好地使用不精确标签并有效地利用高光谱图像的光谱信息以实现精确的目标检测是本文要研究的主要内容。本文将高光谱目标检测建模为一个多示例学习(Multiple Instance Learning,MIL)问题,其中的数据以包的形式存在,包含至少一个目标示例的包被标记为正包,包含纯背景的包被标记为负包,利用一维卷积神经网络(One Dimensional Convolutional Neural Network,1DCNN)可以保留包信息的优势,从不同角度提出了三种高光谱目标检测方法。(1)针对高光谱目标检测中存在不精确的标签问题,提出了一种基于深度集成多示例网络的高光谱目标检测方法,采用1DCNN来实现端到端的高光谱目标检测结构。首先搭建示例级目标检测模块以获得示例级置信度得分,采用三层卷积进行特征提取,在目标检测中引入Dropout结构增加模型的泛化能力,其次结合不同的多示例池化层并通过集成学习重构示例级别置信度得分,最终通过全局平均池化得出每个包的包级别置信度分数。在损失函数上,使用带参数的交叉熵损失函数对不平衡数据集做了处理,构建距离函数来约束包中示例间的差异,构建L1正则化函数来约束深度集成中的权重值,L1正则化具有稀疏性,使权重较小的值在优化问题中收敛于0。实验证明了该算法的有效性。(2)针对第一个方法由于某些包的示例结构组成复杂导致重构的示例级得分效果较差的问题,提出了一种基于加权集成与协作集成多示例的高光谱目标检测方法。首先使用1DCNN提取单个示例的光谱特征信息,得到示例的特征向量,将特征向量输入到全连接层计算每个示例属于目标的置信度,接下来利用深度学习自适应学习网络参数的特性,通过加权集成组合多个多示例池化层的结果,得到包的置信度。在损失函数上,总损失函数由带参数交叉熵损失函数与协作损失函数共同组成,协作损失函数是利用多示例池化层的结果构建专家与非专家集合,利用专家的输出来监督非专家集合的学习而构建的损失函数。实验结果表明该方法在各个目标上均取得了较为领先的检测效果。(3)为了在解决不平衡数据的同时更好的增加正负样本间的一个区分度,在第二个方法的基础上提出了基于对比学习集成多示例网络的高光谱目标检测算法。该算法首先使用数据增强对原始数据进行包级增强,其次,构建示例级别的目标检测网络模型来学习示例置信度,引入加权集成组合多个多示例池化层,学习包与示例的关系,得到包级概率,同时引入对比学习进一步学习正负包之间的差异,根据正负样本对构造对比学习损失,使得正负包间相似性差距变大,进而使得网络向着更好的方向学习。实验结果表明该算法具有较好的检测能力。

关键词：高光谱目标检测多示例学习集成学习对比学习一维卷积

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向多方面情感分类的编码-解码模型

面向多方面情感分类的编码-解码模型

作者：李亮重庆邮电大学

学位级别：硕士

近年来,随着各领域信息化的快速发展,尤其是社交网络的覆盖和线上消费的普及,在线发表的评论数量呈爆发式增长。在线评论相较于传统的口碑传递具有更好的时效性和广泛性,因此参考在线评论信息成为全面认知事物,合理化消费的重要手段。... 详细信息

近年来,随着各领域信息化的快速发展,尤其是社交网络的覆盖和线上消费的普及,在线发表的评论数量呈爆发式增长。在线评论相较于传统的口碑传递具有更好的时效性和广泛性,因此参考在线评论信息成为全面认知事物,合理化消费的重要手段。由于评论者与阅读者都会从多个不同的方面关注评论对象,对于文本生成针对其总体或单方面的情感标签已不能满足对文本所表达信息进行细粒度挖掘的需求。因此,针对评论的多方面情感分类任务成为一个具有实际需求的重要研究课题。多方面情感分类的目标是针对给定的每个方面都生成对应的情感标签。本文将多方面情感分类转化为一个文本序列到情感标签序列的任务。为解决情感标签与方面的对应问题,本文在编码-解码模型的基础上提出了一种基于一维卷积方面表达的目标嵌入方法。该方法利用卷积网络从方面表示词序列中提取方面表达特征,将特征作为目标嵌入到解码端生成的统一的语义向量。嵌入结果作为与方面对应的时步的输入以生成情感标签。注意力机制在自然语言处理领域获得了极大成功,对于特定的目标从文本中抽取对应的语义可以滤除信息噪声。利用多方面情感分类任务中方面序列的长度固定这一特点,本文设计了一种注意力筛选层。不同于Bahdua注意力,该结构仅利用编码端输出序列与方面表达序列计算注意力权重,并根据注意力权重矩阵生成对应于方面序列的语义序列。以该序列作为解码端的输入以生成情感标签序列。本文针对多方面情感分类任务提出了一种基于编码-解码模型的新思路,并根据任务特点提出两种改进模型,实验证明能有效提升在该任务上的性能指标。本文提出的方法还能为商品评论分析和统计提供支持,也可以为其他类似任务的解决和改进提供参考。

关键词：多方面情感分类编码-解码目标嵌入一维卷积注意力

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的多分类入侵检测研究

基于深度学习的多分类入侵检测研究

作者：马明艳南京邮电大学

学位级别：硕士

互联网的快速发展将人类社会推进了一个高度信息化的网络社会之中,网络已经渗透进了人们生活的方方面面。网络给人们生活带来便捷的同时,也面临诸多安全隐患。传统的入侵保护手段已经不能很好的适应当前高速大规模的网络环境,有研究者... 详细信息

互联网的快速发展将人类社会推进了一个高度信息化的网络社会之中,网络已经渗透进了人们生活的方方面面。网络给人们生活带来便捷的同时,也面临诸多安全隐患。传统的入侵保护手段已经不能很好的适应当前高速大规模的网络环境,有研究者将人工智能技术应用到入侵检测领域取得了一定的成果,但目前入侵检测技术面临着多个方面的挑战,提高入侵检测技术的性能与效率对对个人、公司、国家安全都十分重要。本文首先研究了入侵检测领域应用深度学习技术的常用检测算法,针对当前模型单一导致检测性能差的问题,本文提出了一种基于CNN＿Bi LSTM网络的异常检测方法,通过捕获网络数据,对数据进行预处理,利用特征选择算法选择重要属性来降低数据冗余,将处理好的数据作为后续模块的输入,接着将CNN和Bi LSTM网络连接提取数据时空特征,为了让有用的输入信息得到更好表达,引入了自注意力机制给融合后的特征分配不同的权重,用门控循环单元模型训练,最后利用softmax函数进行分类。其次,针对广泛存在于各领域的数据不平衡问题,本文提出了一种基于混合采样的数据多分类不平衡入侵检测方法。该模型首先从特征层面以及数据预处理层面来减少数据不平衡问题,特征层面主要通过特征选择减少数据冗余问题,预处理层面通过混合采样技术减少数据不平衡,针对少数类样本中的决策边界样本和安全样本基于阈值Smote算法进行过采样,针对多数类样本,采用K-means对其聚类,根据聚类结果按比例进行随机欠采样,针对不需采样的普通类不做处理;接着构建多分类平衡数据集,将混合采样得到的样本作为各个异构分类器的输入;接着构建多个异构分类器;最后结合各个训练子分类器采取投票机制决策判定结果,查看分类效果。最后对本文所提方法在UNSW＿NB15数据集上进行了评估与分析,实验结果表明,在模型单一问题检测效率差方面,本文所提方法在综合性能方面优于现有的检测系统,提高了检测的正确率、精确率。在不平衡数据方面,本文提出的混合采样方法能够有效提升分类质量,说明了该采样方法的有效性。

关键词：一维卷积长短期记忆网络数据不平衡入侵检测