伊人久久大香线蕉aⅴ色,日本高清视频www夜色资源,av无码电影一区二区三区

融合蛋白質(zhì)語言模型與深度神經(jīng)網(wǎng)絡(luò)的植物蛋白質(zhì)相互作用預(yù)測研究[模擬設(shè)計][醫(yī)療電子]

預(yù)測植物中的蛋白質(zhì)-蛋白質(zhì)相互作用（PPI）具有重要的生物學(xué)意義。同時采用了4種編碼方法及深度神經(jīng)網(wǎng)絡(luò)構(gòu)建了蛋白質(zhì)相互作用預(yù)測模型。結(jié)果表明，提出的融合蛋白質(zhì)語言模型Ankh與深度神經(jīng)網(wǎng)絡(luò)的方法構(gòu)建的PPI預(yù)測模型性能在3種植物數(shù)據(jù)集上均獲得了最優(yōu)的AUPR和AUC值，Sen及MCC值也均優(yōu)于其他4種蛋白質(zhì)相互作用預(yù)測模型。當(dāng)模型在水稻、大豆的植物PPI數(shù)據(jù)集上進行測試時，所提出的模型AUPR值分別為0.802 5、0.730 1，AUC值分別為0.956 2、0.950 7。這些優(yōu)異的結(jié)果表明，融合蛋白質(zhì)語言模型Ankh的PPI模型可以作為植物蛋白質(zhì)相互作用預(yù)測的一個有前途的工具。

發(fā)表于：4/29/2024 1:10:00 PM

混合CNN-SVM的心音信號分類算法的研究[模擬設(shè)計][醫(yī)療電子]

針對當(dāng)前心音信號識別算法檢測精度不佳問題，提出了一種混合卷積神經(jīng)網(wǎng)絡(luò)-支持向量機模型（CNN-SVM）的心音信號分類方法。通過PASCAL挑戰(zhàn)實驗數(shù)據(jù)，整理出正常與不正常兩類心音信號數(shù)據(jù)庫，通過預(yù)處理濾波及MFCC、一二階差分特征提取、PCA降維，輸入CNN-SVM模型進行訓(xùn)練。并從準(zhǔn)確率、召回率、特異性、精確率和F分?jǐn)?shù)5個方面進行性能評估。為了驗證此算法的有效性，將混合CNN-SVM模型與單一SVM、CNN模型分別進行了對比。實驗結(jié)果表明，該方法能夠以較高識別率將兩種心音信號區(qū)分開，其平均識別準(zhǔn)確率接近于99%，相較于單一CNN方法提高了2.48%，同樣高于單一SVM算法。

發(fā)表于：4/29/2024 1:10:00 PM

CNI集成JPALS能力的進展及展望[模擬設(shè)計][航空航天]

衛(wèi)星導(dǎo)航著陸是下一代精密著陸技術(shù)的趨勢，其在通信導(dǎo)航識別系統(tǒng)（CNI）中的集成也成為了重要的研究內(nèi)容。綜述了聯(lián)合精密進近著陸系統(tǒng)（JPALS）的原理與系統(tǒng)結(jié)構(gòu)，分析了國內(nèi)當(dāng)前衛(wèi)星導(dǎo)航著陸技術(shù)的研究現(xiàn)狀及工程技術(shù)基礎(chǔ)，在此基礎(chǔ)上提出了堅持當(dāng)前綜合化CNI框架下，從JPALS需求論證、系統(tǒng)設(shè)計、可擴展性等方面提出了集成JPALS能力的初步工程設(shè)想。

發(fā)表于：4/29/2024 1:10:00 PM

空基網(wǎng)絡(luò)中定向自組網(wǎng)關(guān)鍵技術(shù)研究綜述[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

基于定向天線的移動自組織網(wǎng)絡(luò)被廣泛應(yīng)用于軍事領(lǐng)域，尤其對于具有易實施、高隱蔽性、高保密性要求的空基網(wǎng)絡(luò)，定向天線比全向天線更具有優(yōu)勢，它具有更遠(yuǎn)的傳輸范圍，減小了節(jié)點間的相互干擾，能夠?qū)崿F(xiàn)空間復(fù)用能力的提升。但是定向天線的引入在增加通信距離的同時也會帶來一些問題，給許多協(xié)議層帶來破壞性的副作用。目前，國內(nèi)外研究人員已提出多種算法來解決這些問題。結(jié)合空基網(wǎng)絡(luò)的復(fù)雜性，研究了國內(nèi)外提出的基于定向天線的移動自組網(wǎng)數(shù)據(jù)鏈路層和網(wǎng)絡(luò)層的各類算法和協(xié)議，總結(jié)對比近年來定向鄰居發(fā)現(xiàn)算法、媒體訪問控制協(xié)議和定向路由協(xié)議三種關(guān)鍵技術(shù)，并提出更適合用于空基網(wǎng)絡(luò)的技術(shù)與協(xié)議，最后對這些算法和協(xié)議的下一步研究提供了一些方向。

發(fā)表于：4/29/2024 1:10:00 PM

簡化退化模型的真實圖像超分辨率網(wǎng)絡(luò)[人工智能][信息安全]

圖像超分辨率任務(wù)常用雙三次下采樣以構(gòu)造數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)，但雙三次下采樣由于退化模型固定，導(dǎo)致網(wǎng)絡(luò)泛化能力低，無法用于真實世界低分辨率圖像。為解決上述問題本文提出預(yù)處理模塊，通過預(yù)處理模塊與雙三次下采樣數(shù)據(jù)集得到的網(wǎng)絡(luò)相結(jié)合，在減少資源消耗的同時提高其泛化能力。此外，還針對不同的精度需求設(shè)計了特征學(xué)習(xí)訓(xùn)練策略和多任務(wù)聯(lián)調(diào)策略。通過根據(jù)不同需求采用相應(yīng)的訓(xùn)練策略，在滿足精度需求的同時具有消耗計算資源少、訓(xùn)練速度快以及適用范圍廣的特點。實驗證明，增加預(yù)處理模塊的網(wǎng)絡(luò)以較少的模型參數(shù)增加量換取了重建效果和感知質(zhì)量方面的較大提升，并且通過不同策略實現(xiàn)了進一步的精度提高。

發(fā)表于：3/25/2024 2:30:06 PM

基于CNN-Transformer混合構(gòu)架的輕量圖像超分辨率方法[人工智能][信息安全]

針對基于混合構(gòu)架的圖像超分模型通常需要較高計算成本的問題，提出了一種基于CNN-Transformer混合構(gòu)架的輕量圖像超分網(wǎng)絡(luò)STSR（Swin Transformer based Single Image Super Resolution）。首先，提出了一種并行特征提取的特征增強模塊（Feature Enhancement Block，F(xiàn)EB），由卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和輕量型Transformer網(wǎng)絡(luò)并行地對輸入圖像進行特征提取，再將提取到的特征進行特征融合。其次，設(shè)計了一種動態(tài)調(diào)整模塊（Dynamic Adjustment，DA），使得網(wǎng)絡(luò)能根據(jù)輸入圖像來動態(tài)調(diào)整網(wǎng)絡(luò)的輸出，減少網(wǎng)絡(luò)對無關(guān)信息的依賴。最后，采用基準(zhǔn)數(shù)據(jù)集來測試網(wǎng)絡(luò)的性能，實驗結(jié)果表明STSR在降低模型參數(shù)量的前提下仍然保持較好的重建效果。

發(fā)表于：3/25/2024 2:30:05 PM

一種用于輔助兵棋推演的快速決策框架研究[其他][信息安全]

基于一般的決策和規(guī)劃流程，提出了一個面向兵棋推演的快速決策框架（Rapid Military Decision Framework，RMDF），該框架針對異構(gòu)實體模型，通過分層的網(wǎng)格環(huán)境對復(fù)雜推演環(huán)境簡化建模，將推演實體的作用效果，簡化為地面、海上和空中三個網(wǎng)格環(huán)境層次上的作用效果，并以熱圖的形式在網(wǎng)格環(huán)境中顯示，通過推演實體的核心參數(shù)來確定其性能模型和行為模型，并基于一致性包算法實現(xiàn)任務(wù)分配，生成備選行動策略，通過快速仿真實現(xiàn)推演策略的迭代優(yōu)化，能夠在推演之前或推演期間提供行動方案的快速評估，可以有效地輔助兵棋推演指揮人員進行復(fù)雜態(tài)勢下的兵棋推演。

發(fā)表于：3/25/2024 2:30:04 PM

基于遺傳算法和LightGBM的網(wǎng)絡(luò)安全態(tài)勢感知模型[其他][信息安全]

針對傳統(tǒng)煙草工業(yè)系統(tǒng)中的網(wǎng)絡(luò)流量異常檢測方法存在的特征間聯(lián)系和上下文信息丟失等問題，提出了一種基于遺傳算法改進的LightGBM模型，此模型能夠使得模型避免陷入局部最優(yōu)情況。首先通過計算構(gòu)建樹模型對數(shù)據(jù)降維，從高維數(shù)據(jù)中挖掘出對于檢測效果影響重要的關(guān)鍵特征信息，并使用提出的模型對這些關(guān)鍵特征信息進行分析。為了評估模型的有效性與優(yōu)越性，使用準(zhǔn)確率和損失進行模型評價，并與其他網(wǎng)絡(luò)流量異常檢測模型Tabular model、TabNet、LightGBM、XGBoost進行對比。使用公開數(shù)據(jù)集 CIC.IDS.2018 進行實驗分析。結(jié)果表明，在高特征的網(wǎng)絡(luò)安全態(tài)勢感知下，多分類和二分類的識別準(zhǔn)確率分別達(dá)99.43%和99.87%，在低特征情況下，多分類和二分類的識別準(zhǔn)確率分別達(dá)98.73%和99.39%，具有較高準(zhǔn)確率以及良好的靈活性和魯棒性。

發(fā)表于：3/25/2024 2:30:03 PM

依賴差分隱私：關(guān)聯(lián)數(shù)據(jù)集下的高斯機制[其他][信息安全]

差分隱私(Differential Privacy)是一種數(shù)據(jù)擾動框架，它保證查詢結(jié)果在概率上不可區(qū)分。研究表明差分隱私應(yīng)用于關(guān)聯(lián)數(shù)據(jù)集時，將帶來隱私泄露的風(fēng)險。根據(jù)依賴差分隱私(Dependent Differential Privacy)，量化了依賴差分隱私敏感度的度量；隨后，提出了依賴差分隱私-高斯機制算法(Gaussian Mechanism Algorithm Dependent Differential Privacy)，實現(xiàn)數(shù)據(jù)擾動，同時證明了該機制滿足隱私保證的基本定理；通過使用真實數(shù)據(jù)集的實驗表明，GMA DDP在管理依賴數(shù)據(jù)的隱私-效用權(quán)衡方面具有較高的可用性。

發(fā)表于：3/25/2024 2:30:02 PM

關(guān)于智能網(wǎng)聯(lián)汽車數(shù)據(jù)安全治理框架的探究[通信與網(wǎng)絡(luò)][信息安全]

隨著智能網(wǎng)聯(lián)汽車市場快速發(fā)展，智能網(wǎng)聯(lián)汽車數(shù)據(jù)量增長迅猛，數(shù)據(jù)交換愈加頻繁。高價值和高敏感特性，使得如何保證數(shù)據(jù)安全成為智能網(wǎng)聯(lián)汽車行業(yè)監(jiān)管部門和車輛生產(chǎn)企業(yè)共同關(guān)注的重點。目前，針對智能網(wǎng)聯(lián)汽車數(shù)據(jù)安全治理并沒有統(tǒng)一的實踐標(biāo)準(zhǔn)，基于智能網(wǎng)聯(lián)汽車數(shù)據(jù)安全合規(guī)要求，從數(shù)據(jù)安全控制角度出發(fā)，對智能網(wǎng)聯(lián)汽車數(shù)據(jù)安全治理框架進行初步探索，以數(shù)據(jù)分類分級為基礎(chǔ)，以數(shù)據(jù)生命周期安全管理為主線，構(gòu)筑包括數(shù)據(jù)安全管理、數(shù)據(jù)安全技術(shù)、數(shù)據(jù)安全運營和數(shù)據(jù)處理場景安全管理在內(nèi)的整體數(shù)據(jù)安全治理框架，為智能網(wǎng)聯(lián)汽車數(shù)據(jù)安全提供一種體系化治理路徑。

發(fā)表于：3/25/2024 2:30:01 PM