最新設(shè)計(jì)資源

基于機(jī)器學(xué)習(xí)的惡意軟件檢測(cè)研究進(jìn)展及挑戰(zhàn)[人工智能][其他]

由于惡意軟件的數(shù)量日漸龐大，攻擊手段不斷更新，結(jié)合機(jī)器學(xué)習(xí)技術(shù)是惡意軟件檢測(cè)發(fā)展的一個(gè)新方向。先簡(jiǎn)要介紹惡意軟件檢測(cè)中的靜態(tài)檢測(cè)方法以及動(dòng)態(tài)檢測(cè)方法，總結(jié)基于機(jī)器學(xué)習(xí)的惡意軟件檢測(cè)一般流程，回顧了研究進(jìn)展。通過(guò)使用Ember 2017和Ember 2018數(shù)據(jù)集，分析驗(yàn)證了結(jié)構(gòu)化特征相關(guān)方法，包括隨機(jī)森林(Random Forest，RF)、LightGBM、支持向量機(jī)(Support Vector Machine，SVM)、K-means以及卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)等算法模型；使用收集的2019年樣本集分析驗(yàn)證了序列化特征相關(guān)方法，包括幾種常見(jiàn)的深度學(xué)習(xí)算法模型。計(jì)算模型以在不同測(cè)試集上的準(zhǔn)確率、精確率、召回率以及F1-值作為評(píng)估指標(biāo)。根據(jù)實(shí)驗(yàn)結(jié)果分析討論了各類方法的優(yōu)缺點(diǎn)，著重驗(yàn)證分析了樹(shù)模型的泛化能力，表明隨著樣本的不斷演變，模型普遍存在退化問(wèn)題，并指出進(jìn)一步研究方向。

發(fā)表于：12/16/2020

基于量子遺傳優(yōu)化的改進(jìn)極限學(xué)習(xí)機(jī)及應(yīng)用[其他][其他]

主要研究的是神經(jīng)網(wǎng)絡(luò)的一種新型訓(xùn)練方式——極限學(xué)習(xí)機(jī)算法的優(yōu)化和改進(jìn)。首先通過(guò)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法的對(duì)比，介紹極限學(xué)習(xí)機(jī)算法的主要思想和流程，展現(xiàn)其特點(diǎn)及優(yōu)勢(shì)；其次，由于常規(guī)極限學(xué)習(xí)機(jī)在預(yù)測(cè)的精度上及運(yùn)用的穩(wěn)定上存在不小的缺陷，通過(guò)闡述幾個(gè)智能尋優(yōu)算法及優(yōu)缺點(diǎn)比較，引出該文的重點(diǎn)量子遺傳算法，并利用此算法去優(yōu)化極限學(xué)習(xí)機(jī)的連接權(quán)值和閾值，選取最優(yōu)的權(quán)值和閾值賦予測(cè)試網(wǎng)絡(luò)，達(dá)到良好的使用效果；最后，介紹了改進(jìn)極限學(xué)習(xí)機(jī)算法在MATLAB上進(jìn)行實(shí)驗(yàn)仿真及結(jié)果分析的步驟與流程，實(shí)驗(yàn)結(jié)果說(shuō)明改進(jìn)后的算法相比于經(jīng)典算法在回歸問(wèn)題的預(yù)測(cè)上有優(yōu)勢(shì)，預(yù)測(cè)精度更高，且結(jié)果更穩(wěn)定；在分類問(wèn)題的處理上，準(zhǔn)確性也具有壓倒性優(yōu)勢(shì)。

發(fā)表于：12/16/2020