基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点，其框架在满足数据不出本地的情况下，可以训练出多方均满意的共同模型，但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题，因此提出基于深度学习的联邦集成算法，将深度学习与集成学习应用到联邦学习的框架下，通过优化本地模型的参数，提高了本地模型准确率；使用不同的集成算法来整合本地模型参数，在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比，该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%，在保证准确率的同时也提升多源数据与模型的安全性，具有很重要的应用价值。     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点,其框架在满足数据不出本地的情况下,可以训练出多方均满意的共同模型,但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题,因此提出基于深度学习的联邦集成算法,将深度学习与集成学习应用到联邦学习的框架下,通过优化本地模型的参数,提高了本地模型准确率;使用不同的集成算法来整合本地模型参数,在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比,该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%,在保证准确率的同时也提升多源数据与模型的安全性,具有很重要的应用价值。     

基于CNN-RSC组合优化算法语音情感分析与研究

提出一种基于深度学习的文本情感分析方法,将整个卷积神经网络的模型作为一种自动学习器,对输入词语的预表达特征进行学习,引入深度学习领域的递归自编码作为输出层情感分类器,实现语义情感信息的深度提取.设置实验对比卷积神经网络和递归自编码模型的参数,找出了实验过程的最佳参数组合,实验对比了CNN、RSC、CNN-RSC三种不同的算法.实验结果表明:基于CNN-RSC的组合优化算法在对文本情感特征的自动学习上有着较好的效果,在准确度和训练时间以及分类性能上均优于其他两种算法.     

叠前深度偏移技术在煤炭地震勘探中的应用

叠前深度偏移技术是解决速度变化地区和复杂构造地区成像的最佳技术方法。因此,本文主要分析叠前深度偏移技术在煤炭地震勘探中的应用。叠前深度偏移的关键是建立好深度域速度模型,再利用矿井资料和深度域构造模型进行约束,从而提高深度偏移的成像精度。叠前深度偏移能提供精确的构造成像,进而提高煤层的地质构造解释精度,为煤矿安全、高效生产提供保障。     

基于树突网络的侧信道攻击

由于深度学习对数据内在特征的敏感性,将深度学习算法应用于硬件加密芯片的侧信道分析,提高了侧信道分析的效率和准确率.但深度神经网络学习算法依旧是非线性结构未知的深层黑盒模型,模型结构和性能不一定是最优.该文提出一种基于树突网络的侧信道分析方法,由于树突网络内部非线性结构的可解释性,其系统辨识能力和运算复杂度均优于深度学习网络.在ChipWhisperer侧信道分析实验平台的CW308T-STM32F3和ATXMEGA128D4目标板上,针对AES-128加密算法进行侧信道分析实验,实验结果表明,基于树突网络的侧信道分析在模型参数规模、攻击精度、训练时间等方面都要优于多层感知机、卷积神经网络、循环神经网络等深度学习模型.     

强夯法处理湿陷性黄土地基的试验研究

通过对比分析强夯后夯点与夯区外的现场及室内试验结果,得出单击夯沉量随夯击次数的增加逐渐减小,并逐渐趋于稳定。根据夯点下土体变形分析可得,夯击能主要消耗在土体的竖向压缩变形上,侧向挤出量不大。试验夯点相对于夯区外土体的参数有较大改善,使土体压缩,增加其承载性能,同时随着深度的增加各参数提高幅度逐渐减小,夯点与夯区外逐渐趋于相同,说明在强夯过程中夯击能量逐渐消散。实测数据具有科学价值,能为学者今后的研究提供有意义的参考。     

UGES反向传导算法:一种新的小样本深度机器学习模型

针对传统深度学习算法在样本不足时易出现过拟合的问题,提出了一类新的小样本深度学习模型:UGES反向传导模型。其基本思路是:在保留深层结构的同时,压缩需要学习参数的数量。作为一种与误差反向传导算法相容的间接编码模型,该算法对权值的随机分布特性进行重新编码,打破了不同隐含层之间的隔阂,并使用变分贝叶斯学习对网络进行全局训练。新模型的参数数目不再与输入变量维数及网络结构大小相关,同时强迫权值对于一定程度的扰动具有鲁棒性。最后,将所提出的算法用于外包软件项目风险识别这一典型的多维小样本问题中。对比实验表明,该模型达到了93.3%的样本外准确率,不仅保留了深度模型非线性表达能力,亦具备了小样本下优秀的泛化能力。     

基于LSTM-DNN模型的入侵检测方法

针对基于深度神经网络模型的入侵检测方法存在的梯度减弱或消失问题，提出了一种LSTM(Long-Short Term Memory，长短时记忆)神经网络改进的DNN(Deep Neural Networks，深度神经网络)模型．该模型主要包括LSTM神经网络和DNN2部分，LSTM神经网络通过记忆或遗忘进行数据流量特征提取，然后将其输入DNN进行训练、入侵检测．模型中采用优化算法，加快了网络收敛．实验表明，与LSTM模型相比，LSTM-DNN模型具有较好的性能，准确率更高，运行时间更短．     

耦合与强度相关JC模型中的压缩

采用Ｑ参数的方法研究了耦合与强度有关的ＪＣ模型中光场的压缩。我们发现，当光场原先处于强相干态时，即使原子原先处于基态，压缩也会出现；但如果光场一开始处于热态，即使原子原先处于激发态，压缩也不会出现，我们还发现，相干光场的相位影响了最大压缩量，原子的初态影响了Ｑ参数的相位。     

基于跨领域迁移的AM-AdpGRU金融文本分类

针对当前基于深度学习的金融文本分类模型严重依赖于标记数据的问题，提出了一种基于跨领域迁移的AM-AdpGRU金融文本分类模型，通过学习相关领域数据的分类准则将其迁移到目标领域数据。AM-AdpGRU模型首先利用深度网络自适应来克服源领域和目标域之间数据分布差异导致的迁移损失，使得即使数据分布发生变化时模型也无需重构；然后利用注意力机制建立了目标域对源领域的特征选择机制，使得模型对源领域的注意力可以集中在与目标域相似性更高的部分。在公开的跨域情感评论Amazon数据集和SemEval-2017的Microblog金融数据集上进行了实验，将AM-AdpGRU模型与其他方法进行比较，结果表明AM-AdpGRU模型的分类平均准确性相对于其他模型有了显着提升。     

神经网络水印综述

梳理了近年来神经网络水印技术的发展脉络,将主流方法大致归为白盒水印、黑盒水印、无盒水印和脆弱水印。综述了神经网络水印的评价指标和上述4种不同类型的神经网络水印技术,探讨了现有神经网络水印方案的优缺点,并对未来的发展趋势进行了展望。     

面向多媒体取证的电网频率建模

电网频率建模旨在对其随机波动特性建立数学模型，形成特征描述、统计分析以及轨迹预测能力，是基于电网频率判据的数字取证中一项重要的研究子课题。该文首先揭示了现有自回归模型的不足，并基于该模型对实际观测得到的电网频率参考信号数据集进行统计分析，分别用差分整合移动平均自回归（autoregressive integrated moving average,ARIMA）模型和两种基于马尔科夫链的模型进行建模，进而求解模型各项参数。对比实验表明： ARMA (2,4)模型在理论上对华中电网频率具备最优的描述性能，而马尔科夫链模型因考虑到实际场景下频率分辨率的局限性，更适用于模拟从待测文件中提取的电网频率。     

国家防汛抗旱指挥系统报汛通信组网研究

根据我国中央报汛站报汛通信的现状和存在的主要问题，对我国水文(情)测报系统、水文遥测及报汛的各种通信组网技术进行了分析研究，在比较了各种通信组网和水文遥测通信工作体制的特点后，提出了通信组网的设计方法和选择通信工作体制的方法．     

抗打印扫描和屏幕拍摄的字形扰动研究进展

本文介绍了字形扰动的应用场景，系统梳理了抗打印扫描和屏幕拍摄的字形扰动相关工作，将其分为两类：传统字形扰动方法和深度学习字形扰动方法。根据字符的属性特征，传统字形扰动方法细分为：像素翻转、高度调整、间距调整、笔画调整、特征点调整和骨架轮廓调整。深度学习字形扰动方法通过微调字符的高维特征以嵌入额外的信息，根据生成数据的性质，将其分为生成扰动文本图像和矢量字体两类。从鲁棒性、嵌入容量、复杂性等方面对比分析现有字形扰动方法的特点，最后对字形扰动研究面临的挑战和发展方向进行总结和展望。     

文本隐写及隐写分析综述

梳理了文本隐写与隐写分析的发展脉络,将文本隐写算法分为两类:修改式文本隐写和生成式文本隐写。归纳了两类算法的实现过程,并从率失真性能和安全性等方面分析主流算法的优势与不足。针对两类文本隐写算法,总结了对应的隐写分析算法实现过程,并对文本隐写与隐写分析的发展趋势进行了展望。     

前馈神经网络结构新型剪枝算法研究

研究神经网络的结构优化,提出采用基于贡献值与输出连接的权重来修剪节点,节点是直接剪枝而不是消除存有内在联系的节点;该方法认为神经元贡献值低于阈值,那么此神经元就是毫无意义的,同时将该算法应用于非线性函数逼近,实验结果表明,在不牺牲网络性能的情况下,采用新型剪枝算法来修剪神经网络节点是非常有意义的,所提出的算法也是非常有效的。     

柴油超深度脱硫技术进展

降低柴油中硫含量对于提高汽车尾气排放质量从而保护环境具有十分重要的意义。生产超低硫柴油的技术主要有加氢脱硫(HDS)和非加氢脱硫两大方法。概述了深度加氢脱硫的机理和需要解决的关键问题。柴油的深度加氢脱硫需要有效分解馏分油中的4,6-二苯并噻吩(4,6-DMDBT)等难脱除的化合物。提出了研制高活性深度HDS催化剂的思路和途径并介绍了近年国内外柴油深度加氢脱硫研究的成果。此外对非加氢脱硫技术中的吸附法、氧化法和生物技术深度脱硫的研究近况也做了介绍。加氢方法和非加氢方法的有机结合是十分有前途的生产超低硫柴油的手段。     

基于本体的中文信息检索模型

分析了传统中文信息检索技术中存在的问题，即计算机将用户提问转换为检索语言时产生的语义失真和损失，导致查全率和查准率较低，达不到用户期望的结果．认为将本体知识应用于传统中文信息检索系统中能改善这种状况，提出了基于本体的中文信息检索模型框架，给出了实现此模型的主要算法。     

基于卷积神经网络和投票机制的轨道板裂缝检测

现有的检测方法对轨道板细微裂缝和夜间拍摄的裂缝图像存在误检和漏检的现象,为此提出了一种基于卷积神经网络的改进方法。将特征图分组后用注意力机制强化各组向量的特征表达,以动态聚合弱分类器预测结果的方式得到最终的裂缝置信度。借助投票机制有效降低最终的预测偏差,提升模型的鲁棒性。实验结果表明：该改进方法在减少模型参数的情况下,在裂缝数据集上的准确率提升1.6%,在CIFAR-10数据集上的准确率提升2.8%。