检索结果-南通市图书馆

融合senet和Transformer的应用层协议识别方法

在线全文

学校读者我要写书评

暂无评论

计算机科学与探索 2024年第3期18卷 805-817页

作者：陈乾洪征司健鹏中国人民解放军陆军工程大学指挥控制工程学院南京210000

协议识别技术在网络通信和信息安全领域具有至关重要的地位和作用。针对现有基于时空特征的协议识别方法提取协议特征不充分、不全面的问题,提出了一种基于senet和Transformer的应用层协议识别方法。该方法关注协议数据的时空特征,由加... 详细信息

协议识别技术在网络通信和信息安全领域具有至关重要的地位和作用。针对现有基于时空特征的协议识别方法提取协议特征不充分、不全面的问题,提出了一种基于senet和Transformer的应用层协议识别方法。该方法关注协议数据的时空特征,由加入senet注意力的残差网络构成的空间特征提取模块和Trans-former网络编码器构成的时间提取模块组成。空间特征提取阶段,在残差网络结构中加入SE块获取多个卷积通道间的联系,自适应地为通道分配权重,提取不同通道中更加活跃的协议空间特征;时间特征提取阶段,由基于多头注意力机制的Transformer编码器通过堆叠的方式构建时间特征提取模块,利用输入数据的位置信息全面地获取协议数据的时间特征。通过对更加充足的空间特征和更加全面的时间特征的提取和学习,可以获得更有效的协议识别信息,进而提高协议识别性能。在ISCX2012和CSE_CIC_IDS2018混合数据集上的实验结果表明,所提模型的总体识别准确率达到99.20%,F1值达到98.99%,高于对比模型。

关键词： senet 残差网络自注意力 Transformer 协议识别网络安全

基于声音与视觉特征多级融合的鱼类行为识别模型U-FusionNet-ResNet50+senet

在线全文

学校读者我要写书评

暂无评论

大连海洋大学学报 2023年第2期38卷 348-356页

作者：胥婧雯于红张鹏谷立帅李海清郑国伟程思奇殷雷明大连海洋大学信息工程学院辽宁省海洋信息技术重点实验室辽宁大连116023 设施渔业教育部重点实验室(大连海洋大学) 辽宁大连116023 大连海洋大学水产与生命学院辽宁大连116023

为解决在光线昏暗、声音与视觉噪声干扰等复杂条件下,单模态鱼类行为识别准确率和召回率低的问题,提出了基于声音和视觉特征多级融合的鱼类行为识别模型U-FusionNet-ResNet50+senet,该方法采用ResNet50模型提取视觉模态特征,通过MFCC+Re... 详细信息

为解决在光线昏暗、声音与视觉噪声干扰等复杂条件下,单模态鱼类行为识别准确率和召回率低的问题,提出了基于声音和视觉特征多级融合的鱼类行为识别模型U-FusionNet-ResNet50+senet,该方法采用ResNet50模型提取视觉模态特征,通过MFCC+RestNet50模型提取声音模态特征,并在此基础上设计一种U型融合架构,使不同维度的鱼类视觉和声音特征充分交互,在特征提取的各阶段实现特征融合,最后引入senet构成关注通道信息特征融合网络,并通过对比试验,采用多模态鱼类行为的合成加噪试验数据验证算法的有效性。结果表明:U-FusionNet-ResNet50+senet对鱼类行为识别准确率达到93.71%,F1值达到93.43%,召回率达到92.56%,与效果较好的已有模型Intermediate-feature-level deep model相比,召回率、F1值和准确率分别提升了2.35%、3.45%和3.48%。研究表明,所提出的U-FusionNet-ResNet50+senet识别方法,可有效解决单模态鱼类行为识别准确率低的问题,提升了鱼类行为识别的整体效果,可以有效识别复杂条件下鱼类的游泳、摄食等行为,为真实生产条件下的鱼类行为识别研究提供了新思路和新方法。

关键词：行为识别深度学习多模态融合 U-FusionNet ResNet50 senet

维普期刊数据库博看期刊

Tri-BERT-senet:融合多特征的恶意网页识别

在线全文

学校读者我要写书评

暂无评论

小型微型计算机系统 2023年第4期44卷 875-880页

作者：杨立圣罗文华中国刑事警察学院公安信息技术与情报学院沈阳110035

传统恶意网页识别缺乏全局性、系统性考量,没有将网页作为有机整体,而是独立针对标签结构、URL地址、文本内容等特定层面特征开展研究,导致准确率较低.虽然已有学者提出融合特征思想,但依旧使用机器学习算法予以实现,特征工程工作量巨大... 详细信息

传统恶意网页识别缺乏全局性、系统性考量,没有将网页作为有机整体,而是独立针对标签结构、URL地址、文本内容等特定层面特征开展研究,导致准确率较低.虽然已有学者提出融合特征思想,但依旧使用机器学习算法予以实现,特征工程工作量巨大,识别效率低下.针对上述问题,提出一种基于多特征融合的Tri-BERT-senet模型,用于完成恶意网页的识别任务.利用获取得到的HTML特征、网页URL特征以及网页文本特征,结合BERT模型的上下文感知能力,将特征转化为3个BERT模型输出;之后将模型输出作为特征通道,使用senet进行加权计算,最终输出识别结果.实验结果表明,与传统机器学习模型以及使用BERT对单一特征的识别方法相比,该检测方法在恶意网页识别的准确率上有较大提升.

关键词：恶意网页识别特征融合 BERT senet

维普期刊数据库博看期刊

Densenet和senet融合残差结构的DR分类方法

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2024年第3期41卷 928-932,950页

作者：宋鹏飞吴云贵州大学公共大数据国家重点实验室贵阳55002 贵州大学计算机科学与技术学院贵阳550025

糖尿病性视网膜病变(diabetic retinopathy,DR)是糖尿病在发病过程中影响视网膜的症状。针对模型下采样过程中特征提取DR图像微动脉瘤等病灶区域信息丢失问题,提出了一种Densenet融合残差结构的模块。该模块首先连接两个连续的dense blo... 详细信息

糖尿病性视网膜病变(diabetic retinopathy,DR)是糖尿病在发病过程中影响视网膜的症状。针对模型下采样过程中特征提取DR图像微动脉瘤等病灶区域信息丢失问题,提出了一种Densenet融合残差结构的模块。该模块首先连接两个连续的dense block,然后利用残差结构对特征信息求和,并行融合处理特征图像信息,以防止有效特征信息的丢失,最后残差连接两个含有dropout的卷积块,抑制过拟合现象。针对以往卷积操作中未对病变区域的特征图通道加权的问题,提出了一种senet融合残差结构的模块。该模块首先连接senet,把全局平均池化和全局最大池化的特征信息相加,以提高有效通道信息的利用率,然后通过Conv1×1的残差方式来保证特征图信息的完整性。基于以上两个模块的设计,提出了一种Densenet和senet融合残差结构的DR分类方法。该模型在APTOS2019数据集上的精确度达到89.8%,特异性达到97.0%,在Messidor-2数据集上的精确度达到78.8%,特异性达到91.9%,能够有效地提高视网膜图像病变程度的分类能力。

关键词：糖尿病性视网膜病变 Densenet senet 残差结构

嵌入改进senet的卷积神经网络连续血压预测

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2021年第7期57卷 130-135页

作者：常昊陈晓雷张爱华李策林冬梅兰州理工大学电气工程与信息工程学院兰州730050 兰州理工大学甘肃省工业过程先进控制重点实验室兰州730050 兰州理工大学电气与控制工程国家级实验教学示范中心兰州730050

提出了基于改进senet卷积神经网络和自学习参数滤波器的连续血压预测方法。实验结果表明,改进senet可以有效增加简单卷积神经网络对时序数据的预测能力,在卷积层数为二层、三层和四层时比简单卷积神经网络预测精度提升了34.8%、23.5%和3... 详细信息

提出了基于改进senet卷积神经网络和自学习参数滤波器的连续血压预测方法。实验结果表明,改进senet可以有效增加简单卷积神经网络对时序数据的预测能力,在卷积层数为二层、三层和四层时比简单卷积神经网络预测精度提升了34.8%、23.5%和36.0%,在此基础上利用自学习参数滤波器消除血压预测波形中的毛刺,最终得到平滑的连续血压预测结果。

关键词：卷积神经网络 senet 血压预测脉搏信息

在线全文

学校读者我要写书评

暂无评论

基于senet多路网络的乳腺癌转移检测

计算机工程与应用 2021年第16期57卷 190-196页

作者：刘琳琳叶强何灵敏中国计量大学信息工程学院杭州310018

乳腺癌细胞转移是影响病患预后的重要因素,检查前哨淋巴结病理切片可诊断转移情况。传统病理学医生检查过程冗余费时且极易漏检微转移病灶。目前已有利用卷积神经网络研究乳腺癌前哨淋巴结转移的成果,但准确率不高且对微转移情况检测效... 详细信息

乳腺癌细胞转移是影响病患预后的重要因素,检查前哨淋巴结病理切片可诊断转移情况。传统病理学医生检查过程冗余费时且极易漏检微转移病灶。目前已有利用卷积神经网络研究乳腺癌前哨淋巴结转移的成果,但准确率不高且对微转移情况检测效果不佳。针对以上问题,基于乳腺癌前哨淋巴结病理图像数据集(PCam),设计提出了senet多路卷积神经网络模型。模型使用堆叠多路卷积单元和senet模块,采用跳跃跨层连接、标准卷积与深度可分离卷积融合、加和与串联操作组合等策略。使用50%的图像迭代训练35次获得模型权重,然后采用准确率与AUC值指标对测试图像进行测试,准确率为97.32%,AUC值为98.05%。对比已有研究成果和主流卷积网络模型,该模型在49%、51%、100%测试集情况下,AUC值均排名第一。结果表明,该模型对淋巴结转移检测准确率较高,且对微转移也有很好的检测性能。

关键词：乳腺癌前哨淋巴结转移 PCam 多路卷积网络 senet

基于senet和Densenet的充填管道磨损声音识别

在线全文

学校读者我要写书评

暂无评论

有色金属工程 2023年第8期13卷 102-109页

作者：邢怡君杨鹏吕文生贯怀光王璟北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学城市轨道交通与物流学院北京100101 北京科技大学土木与资源工程学院北京100083 中汽研(天津)汽车工程研究院有限公司天津300300

针对矿山充填管道磨损缺陷检测存在的人工检测困难和检测成本高等问题,提出了一种融合senet的密集连接卷积神经网络模型(SE_Densenet),可实现充填管道不同磨损程度的远程快速识别。首先通过完全集合经验模态分解(CEEMDAN),对与原信号相... 详细信息

针对矿山充填管道磨损缺陷检测存在的人工检测困难和检测成本高等问题,提出了一种融合senet的密集连接卷积神经网络模型(SE_Densenet),可实现充填管道不同磨损程度的远程快速识别。首先通过完全集合经验模态分解(CEEMDAN),对与原信号相关性较高的分量进行重构;之后,使用短时傅里叶变换,形成声谱图;将声信号识别问题转化为图像识别问题;并将声谱图输入到Densenet网络模型,通过特征重用,融合通道注意力机制senet,增强特征信息,实现对充填管道磨损声信号的准确声音识别。结果表明:SE_Densenet的识别准确率可达到97.368%。相比同类深层基线网络模型ResNet101和基线Densenet121而言,该网络模型泛化能力及识别准确率有所提升,在模型参数数量上有所下降,实现更快收敛。SE_Densenet的上述优势可被应用于类似的固液两相流输送管道无损检测领域。

关键词： senet Densenet CEEMDAN 管道磨损声音识别无损检测

基于senet和双线性特征交互的信贷违约风险预测

在线全文

学校读者我要写书评

暂无评论

基于SENet和双线性特征交互的信贷违约风险预测

作者：申雨晴中央财经大学

学位级别：硕士

随着互联网金融行业的快速发展,个人利用互联网产品完成信用贷款的比例也在持续上升。由于我国对个人信用体系建设的覆盖不够全面以及疫情导致的个人财务状况的改变等诸多原因,保障信用贷款业务的安全性、有效提升对借款人违约行为的预... 详细信息

随着互联网金融行业的快速发展,个人利用互联网产品完成信用贷款的比例也在持续上升。由于我国对个人信用体系建设的覆盖不够全面以及疫情导致的个人财务状况的改变等诸多原因,保障信用贷款业务的安全性、有效提升对借款人违约行为的预警能力是建立信用风险管理系统的关键。为减弱传统的信用评价系统在新的应用场景下的不适配性、减少不良贷款率、避免信贷风险,各类模型算法在信贷违约风险预测领域的应用不断增加。因此如何从用户申请时点前的行为中挖掘出更多信息,从中抽取得到模型可用特征,并将其与用户是否按时履约还款建立有效的联系则是其中的重中之重。在信贷违约风险预测领域已有多类模型,如评分卡、逻辑回归、树模型等等,这些方法的缺点在于各特征相互独立,从而忽视了由显式特征交叉引起的改变。因子分解机(Factorization Machines,FM)类模型采用内积或Hadamard积来显式地计算特征交叉时未考虑到不同特征重要性在模型构建过程中所带来的影响。针对上述问题,本文在Deep FM类模型的思路基础上提出了一种基于挤压激励网络(Squeeze-andExcitation Networks,senet)和双线性特征交互的深度神经网络模型,用于动态地学习特征重要程度与更加精细粒度的特征交互。一方面通过引入图像处理领域的senet机制动态学习各个特征在模型中的重要性大小;另一方面通过双线性积有效地形成二阶交互特征。在公开的用户信用贷款数据集上完成模型构建与应用,以验证双线性特征交互计算方式与特征重要性学习所带来的增益效果。为了提升模型运行效率,在数据处理过程中增加了融合方差选择法、IV值筛选法、皮尔逊相关系数法的特征筛选方式,保留方差较高、IV值较高且相关性较低的特征。与目前已成熟运用于信贷风险违约预测领域中的逻辑回归模型、随机森林模型、XGBoost模型、Light GBM模型等加以比较,本文提出的模型在评价指标KS和F1值上较上述基模型中的最优表现分别有5.26%和14.14%的增益。其中SE模块和双线性方法的加入分别带来了评价指标F1值上11.30%和5.58%的增益,证明对于本文提出的特征重要性计算的引入和特征交互计算方式的改变都对于复杂特征的学习效果带来了提升,对于信贷违约风险预测场景下的稀疏复杂数据带来了一定的增益。

关键词：信贷违约特征工程 senet 特征交互深度神经网络

基于改进senet-LSTM模型的多心拍心电信号分类研究

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

基于改进SENet-LSTM模型的多心拍心电信号分类研究

作者：魏静华中科技大学

学位级别：硕士

心电图(Electrocardiograph,ECG)作为判断心脏状态的主要指标,在临床中发挥着重要的作用,然而心脏的异常通常是一闪而过的,如果没有立即捕捉到,事后在医院的检查中也很难被发现,因此便携式心电监护系统就应运而生了。在该系统中,需要处... 详细信息

心电图(Electrocardiograph,ECG)作为判断心脏状态的主要指标,在临床中发挥着重要的作用,然而心脏的异常通常是一闪而过的,如果没有立即捕捉到,事后在医院的检查中也很难被发现,因此便携式心电监护系统就应运而生了。在该系统中,需要处理的数据是包含多个心拍的心电信号,仅对单个心拍的研究不能满足现实需要。基于此,本文将含有多个心拍的心电信号作为研究对象,对多心拍心电信号的分类问题进行研究。现有文献中的心电信号分类模型一般分为两种:一种是基于传统的机器学习方法,虽然特异性强,但特征提取过程繁琐复杂且模型的泛化能力差;另一种是利用长短期记忆(Long Short-Term Memory,LSTM)和卷积神经网络(Convolutional Neural Networks,CNN),自动提取心电信号的特征并实现分类,虽然准确率较高,但都是针对单心拍的心电信号。本文融合三个公开数据库中的数据,截取多心拍心电信号,经过小波变换去噪后,输入到已有文献中为单心拍分类模型构建的CNN和CNN-LSTM模型,并在理论上证明,对于本文给出的初始值,各输出层的方差相等。实证研究中发现CNN和CNN-LSTM模型在多心拍心电信号分类的有效性,准确率分别达到了92.91%和93.53%,F1分数分别为0.5618和0.5929。在此基础上,为了提升分类效果,提出了一种将改进的挤压激励网络(Squeeueand-Exicitation Network,senet)和LSTM融合的分类模型,对于改进部分本文进行了详细说明,且从理论上给出了误差分析。将未去噪的多心拍数据输入本文提出的模型,实证研究中发现模型的准确率为95.13%,F1分数0.6452,与CNN和CNNLSTM相比均有提升。

关键词：心电信号深度学习特征提取多心拍分类 senet