看黄不要钱的网站,黄色软件下载大全

基于GRU神經(jīng)網(wǎng)絡(luò)的有毒氣體擴散預(yù)測方法[其他][其他]

有毒氣體的擴散預(yù)測在應(yīng)急響應(yīng)中起著重要作用。現(xiàn)有的計算流體力學(CFD)方法存在計算耗時長等問題，無法快速進行毒害氣體擴散預(yù)測。提出了一種利用深度學習技術(shù)進行有毒氣體擴散預(yù)測的方法。根據(jù)有毒氣體擴散原理，設(shè)計基于GRU的神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)快速、有效的氣體擴散濃度的預(yù)測。將本文的方法在經(jīng)典的公開數(shù)據(jù)集草原牧場數(shù)據(jù)集上進行驗證，實驗結(jié)果表明本文方法可實現(xiàn)較高精度的氣體擴散濃度的預(yù)測，并且優(yōu)于基于BP神經(jīng)網(wǎng)絡(luò)模型的方法。

發(fā)表于：4/15/2021 10:36:18 PM

基于高階圖卷積網(wǎng)絡(luò)的城市空氣質(zhì)量推斷模型[其他][其他]

能否精確地預(yù)測城市區(qū)域空氣質(zhì)量分布，對于政府環(huán)境治理以及人們?nèi)粘ｎA(yù)防等方面，具有重要的意義。該問題面臨的挑戰(zhàn)是：一是不同區(qū)域的空氣質(zhì)量分布具有時空交互性；二是空氣質(zhì)量分布受到外部因素的影響。通用化卷積神經(jīng)網(wǎng)絡(luò)以處理任意圖結(jié)構(gòu)數(shù)據(jù)，成為近些年來研究的熱點之一，將城市空氣質(zhì)量預(yù)測問題可制定為時空圖預(yù)測問題?；谔岢龅母唠A圖卷積網(wǎng)絡(luò)，設(shè)計了一種有效的空氣質(zhì)量推斷模型。該模型可以捕獲空氣質(zhì)量分布的時空交互性和提取外部影響因素特征，從而精確預(yù)測空氣質(zhì)量分布。通過驗證現(xiàn)實北京市空氣質(zhì)量數(shù)據(jù)，結(jié)果表明提出的模型遠遠優(yōu)于目前已知的通用方法。

發(fā)表于：4/15/2021 10:31:00 PM

基于卷積LSTM的視頻中Deepfake檢測方法[其他][其他]

以Deepfake為代表的偽造人臉技術(shù)，使用少量的人臉數(shù)據(jù)就能將視頻中的人臉替換成為目標人臉，從而達到偽造視頻的目的。此類技術(shù)的濫用將帶來惡劣的社會影響，需要使用檢測技術(shù)加以制裁。針對這一問題，已有若干檢測算法被提出?，F(xiàn)有方法具有一定局限性，單幀檢測算法忽略了Deepfake動態(tài)缺陷；當數(shù)據(jù)存在缺陷時，模型可能會陷入“學會特定臉”的陷阱中。提出了一種對視頻數(shù)據(jù)中的Deepfake檢測方法，使用結(jié)合CNN和LSTM的卷積LSTM，判斷視頻真?zhèn)?。提出了一種基于人臉特征點的cutout方法，能抑制網(wǎng)絡(luò)學會特定臉。實驗表明，在不同場景下，準確度對比基準算法均有提升。

發(fā)表于：4/15/2021 10:25:00 PM

基于KDMSPCS-GRNN的室內(nèi)定位技術(shù)研究[其他][其他]

針對利用廣義神經(jīng)網(wǎng)絡(luò)(Generalized Regression Neural Network，GRNN)搭建的定位預(yù)測模型定位精度低、效率慢等問題，基于動態(tài)分群策略，提出一種線性遞減粒子群(Linear Decreasing Contraction Particle Swarm Optimization，LDCPSO)和布谷鳥(Cuckoo Search，CS)混合尋優(yōu)算法，并利用此算法為GRNN選擇最優(yōu)參數(shù)，構(gòu)建定位預(yù)測模型。該算法主要利用K均值聚類算法(K-means)對整個種群進行周期性的分群，底層使用LDCPSO算法優(yōu)化各個子群，并將最優(yōu)粒子傳至高層，高層使用CS算法優(yōu)化各個子群的最優(yōu)粒子，并將最終結(jié)果返回底層，執(zhí)行下一次迭代。實驗過程中，一方面將提出的算法應(yīng)用于多個測試函數(shù)，結(jié)果表明該算法具有更好的收斂速度和收斂精度；另一方面利用該算法搭建定位模型，并與其他定位模型對比，結(jié)果顯示該定位模型具有更好的定位效果。

發(fā)表于：4/15/2021 10:21:00 PM

基于M-DRN多尺度特征提取的入侵檢測方法[通信與網(wǎng)絡(luò)][信息安全]

針對基于深度學習的入侵檢測技術(shù)存在準確率低和模型易過擬合問題，提出一種基于多尺度特征提取優(yōu)化的深度殘差網(wǎng)絡(luò)(Multiscale-Deep Residual Network，M-DRN)模型。該模型在殘差網(wǎng)絡(luò)的殘差塊中引入多尺度特征提取和因子分解的思想，并采用BN算法提升網(wǎng)絡(luò)收斂速度。選用NSL-KDD數(shù)據(jù)集為實驗數(shù)據(jù)訓練模型并迭代優(yōu)化網(wǎng)絡(luò)參數(shù)，利用測試集比較發(fā)現(xiàn)該模型在多個評價指標上均有提升。該模型與CNN相比更穩(wěn)定，與ResNet相比分類準確率提升了3.35%，與RNN-IDS相比訓練時間減少了65.2%。實驗結(jié)果表明，所提出模型具有更好的特征提取能力和更快的收斂速度，不易過擬合。

發(fā)表于：4/15/2021 10:16:08 PM

基于TPCM可信根的可信網(wǎng)絡(luò)連接設(shè)計與實現(xiàn)[通信與網(wǎng)絡(luò)][信息安全]

可信連接作為可信計算理論的重要組成部分，是實現(xiàn)信任在網(wǎng)絡(luò)上傳遞的核心技術(shù)，在不同的產(chǎn)品和應(yīng)用場景中有不同的實現(xiàn)方案。設(shè)計并實現(xiàn)了一種基于TPCM可信根的可信連接技術(shù)架構(gòu)，通過TPCM在系統(tǒng)運行過程中對系統(tǒng)環(huán)境進行主動度量，實現(xiàn)平臺的基礎(chǔ)可信環(huán)境，并將度量結(jié)果報告進行簽名，標識平臺當前環(huán)境的可信狀態(tài)，由此實現(xiàn)對通信雙方身份的識別和可信驗證，減少非法網(wǎng)絡(luò)連接，使整個系統(tǒng)具備主動免疫防御能力，實現(xiàn)對未知威脅的有效防護。

發(fā)表于：4/15/2021 10:09:14 PM

基于長短碼聯(lián)合控制的程序完整性校驗方法[其他][其他]

提出了一種基于長短碼聯(lián)合度量的程序完整性校驗方法。分析了操作系統(tǒng)文件系統(tǒng)的特點，基于LSM框架設(shè)計文件監(jiān)控模塊，實現(xiàn)對文件完整性實時標記，可主動標記識別被篡改文件；應(yīng)用程序安裝到操作系統(tǒng)時，會對該程序計算哈希值和設(shè)定短碼標記，來初始化白名單數(shù)據(jù)庫完成度量基準的設(shè)定；應(yīng)用程序執(zhí)行前觸發(fā)校驗?zāi)K，先檢測程序的短碼標記，根據(jù)檢測結(jié)果再決定對程序的哈希值長碼校驗。使用應(yīng)用程序長短碼聯(lián)合度量校驗，提高應(yīng)用程序度量校驗效率；結(jié)合監(jiān)控模塊對程序的實時監(jiān)控，并針對不同場景，設(shè)計了應(yīng)用程序的標記在多種類別之間的轉(zhuǎn)換規(guī)則，保證快速精細地獲取程序完整的狀況。整套方案實現(xiàn)了對應(yīng)用程序?qū)崟r高效的控制。

發(fā)表于：4/15/2021 10:00:52 PM

基于國產(chǎn)PLC的分布式I/O冗余方法研究[其他][其他]

為了提高PLC控制系統(tǒng)中采集/輸出環(huán)節(jié)的可靠性，分析了冗余系統(tǒng)設(shè)計原理，結(jié)合現(xiàn)場應(yīng)用環(huán)境及實際需求，研究出一種基于國產(chǎn)PLC的分布式I/O冗余方法。針對采集數(shù)據(jù)類型分別介紹了數(shù)字量輸入/出、模擬量輸入/出冗余方案，該方法把運行過程中定期對自身診斷結(jié)果作為冗余的診斷依據(jù)，結(jié)合用戶配置的冗余方案，提高采集/輸出數(shù)據(jù)的準確率。經(jīng)試驗及現(xiàn)場某基地應(yīng)用可知，該方法提高了PLC控制系統(tǒng)的可靠性，可確保PLC系統(tǒng)長期穩(wěn)定、高效、安全地運行。

發(fā)表于：4/15/2021 9:25:00 AM

集成射頻與視頻監(jiān)控的交通流參數(shù)檢測技術(shù)[微波|射頻][其他]

提出一種集成射頻識別技術(shù)和視頻監(jiān)控技術(shù)的交通流參數(shù)測量方式。介紹了檢測系統(tǒng)組成、基于射頻技術(shù)（RFID）的車載電子車牌關(guān)鍵技術(shù)、道路視頻圖像處理技術(shù)等。系統(tǒng)根據(jù)射頻終端信號實時調(diào)整視頻采集速率，對射頻數(shù)據(jù)和視頻數(shù)據(jù)進行及時處理得到車牌、車輛特征、車速以及車流量等有效交通流參數(shù)，并將數(shù)據(jù)壓縮之后通過云端網(wǎng)絡(luò)發(fā)送至服務(wù)器端，服務(wù)器端可遠程監(jiān)控各路段交通信息，并可對視頻信息進一步處理得到更多具體的信息，為實現(xiàn)交通誘導(dǎo)、違章監(jiān)控、速度監(jiān)控等提供可靠準確的數(shù)據(jù)支持。

發(fā)表于：4/15/2021 9:18:00 AM

基于TF-IDF進化集成分類器的鐵路安全故障文本分類[其他][其他]

鐵路安全問題是鐵路運輸保證的核心問題，鐵路安全問題非結(jié)構(gòu)化文本數(shù)據(jù)量大，文本內(nèi)容無特定規(guī)律，對于綜合分析解決安全故障問題造成很高的難度。針對鐵路安全問題數(shù)據(jù)智能分類，提出進化集成分類器模型。運用TF-IDF算法，通過分析接觸網(wǎng)安全問題的數(shù)據(jù)特點提取文本特征。采用決策樹作為基分類器的Bagging集成分類器將文本數(shù)據(jù)分類，在Bagging分類過程中，針對Bagging算法產(chǎn)生的基分類器組合解集，提出采用遺傳算法(Genetic Algorithm)將其優(yōu)化，產(chǎn)生分類結(jié)果較優(yōu)的基分類器組合解集。以鐵路局實際安全問題進行實驗分析，實驗證明TF-IDF+Bagging+Genetic Algorithm=Evolutionary Ensemble Classifier進化集成分類器模型在鐵路安全問題文本分類中具有較高的準確性。

發(fā)表于：4/14/2021 9:25:00 AM