123,123,123

融合蛋白質語言模型與深度神經(jīng)網(wǎng)絡的植物蛋白質相互作用預測研究[模擬設計][醫(yī)療電子]

預測植物中的蛋白質-蛋白質相互作用（PPI）具有重要的生物學意義。同時采用了4種編碼方法及深度神經(jīng)網(wǎng)絡構建了蛋白質相互作用預測模型。結果表明，提出的融合蛋白質語言模型Ankh與深度神經(jīng)網(wǎng)絡的方法構建的PPI預測模型性能在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種蛋白質相互作用預測模型。當模型在水稻、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)異的結果表明，融合蛋白質語言模型Ankh的PPI模型可以作為植物蛋白質相互作用預測的一個有前途的工具。

發(fā)表于：2024/4/29 13:10:00

混合CNN-SVM的心音信號分類算法的研究[模擬設計][醫(yī)療電子]

針對當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-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模型進行訓練。并從準確率、召回率、特異性、精確率和F分數(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：2024/4/29 13:10:00

CNI集成JPALS能力的進展及展望[模擬設計][航空航天]

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

發(fā)表于：2024/4/29 13:10:00

空基網(wǎng)絡中定向自組網(wǎng)關鍵技術研究綜述[通信與網(wǎng)絡][通信網(wǎng)絡]

基于定向天線的移動自組織網(wǎng)絡被廣泛應用于軍事領域，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，定向天線比全向天線更具有優(yōu)勢，它具有更遠的傳輸范圍，減小了節(jié)點間的相互干擾，能夠實現(xiàn)空間復用能力的提升。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，國內外研究人員已提出多種算法來解決這些問題。結合空基網(wǎng)絡的復雜性，研究了國內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)絡層的各類算法和協(xié)議，總結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)議三種關鍵技術，并提出更適合用于空基網(wǎng)絡的技術與協(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：2024/4/29 13:10:00

簡化退化模型的真實圖像超分辨率網(wǎng)絡[人工智能][信息安全]

圖像超分辨率任務常用雙三次下采樣以構造數(shù)據(jù)集訓練網(wǎng)絡，但雙三次下采樣由于退化模型固定，導致網(wǎng)絡泛化能力低，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處理模塊，通過預處理模塊與雙三次下采樣數(shù)據(jù)集得到的網(wǎng)絡相結合，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計了特征學習訓練策略和多任務聯(lián)調策略。通過根據(jù)不同需求采用相應的訓練策略，在滿足精度需求的同時具有消耗計算資源少、訓練速度快以及適用范圍廣的特點。實驗證明，增加預處理模塊的網(wǎng)絡以較少的模型參數(shù)增加量換取了重建效果和感知質量方面的較大提升，并且通過不同策略實現(xiàn)了進一步的精度提高。

發(fā)表于：2024/3/25 14:30:06

基于CNN-Transformer混合構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混合構架的輕量圖像超分網(wǎng)絡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（Convolutional Neural Network，CNN）和輕量型Transformer網(wǎng)絡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，設計了一種動態(tài)調整模塊（Dynamic Adjustment，DA），使得網(wǎng)絡能根據(jù)輸入圖像來動態(tài)調整網(wǎng)絡的輸出，減少網(wǎng)絡對無關信息的依賴。最后，采用基準數(shù)據(jù)集來測試網(wǎng)絡的性能，實驗結果表明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：2024/3/25 14:30:05

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），該框架針對異構實體模型，通過分層的網(wǎng)格環(huán)境對復雜推演環(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雜態(tài)勢下的兵棋推演。

發(fā)表于：2024/3/25 14:30:04

基于遺傳算法和LightGBM的網(wǎng)絡安全態(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鍵特征信息，并使用提出的模型對這些關鍵特征信息進行分析。為了評估模型的有效性與優(yōu)越性，使用準確率和損失進行模型評價，并與其他網(wǎng)絡流量異常檢測模型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。結果表明，在高特征的網(wǎng)絡安全態(tài)勢感知下，多分類和二分類的識別準確率分別達99.43%和99.87%，在低特征情況下，多分類和二分類的識別準確率分別達98.73%和99.39%，具有較高準確率以及良好的靈活性和魯棒性。

發(fā)表于：2024/3/25 14:30:03

依賴差分隱私：關聯(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，它保證查詢結果在概率上不可區(qū)分。研究表明差分隱私應用于關聯(lián)數(shù)據(jù)集時，將帶來隱私泄露的風險。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-效用權衡方面具有較高的可用性。

發(fā)表于：2024/3/25 14:30:02

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

發(fā)表于：2024/3/25 14:30:01