样本不平衡下的空中群组意图识别方法

针对样本不平衡情况下空中群组意图识别问题, 提出了一种基于注意力机制的双向门控循环单元网络空中群组意图识别方法。将空中群组的状态信息编码成时序特征, 利用先验信息封装成样本标签, 提出一种改进的边界合成少数过采样方法对少数类样本边界进行处理, 以生成合适的样本集。通过双向循环机制提取空中群组目标时序特征的深层信息, 并利用注意力机制为深层信息分配权值, 以提高网络捕捉更具区分度特征的能力。实验仿真结果表明, 所提方法在样本不平衡情况下空中群组的意图识别问题上有更好的分类效果和更高的训练效率。     

FORECASTING ：EXCHANGE RATES： AN OPTIMAL APPROACH

This paper looks at forecasting daily exchange rates for the United Kingdom, European Union, and China. Here, the authors evaluate the forecasting performance of neural networks （NN）, vector singular spectrum analysis （VSSA）, and recurrent singular spectrum analysis （RSSA） for fore casting exchange rates in these countries. The authors find statistically significant evidence based on the RMSE, that both VSSA and RSSA models outperform NN at forecasting the highly unpredictable exchange rates for China. However, the authors find no evidence to suggest any difference between the forecasting accuracy of the three models for UK and EU exchange rates.     

关于两个非线性递推数列的通项

利用数学归纳法和特定系数法，通过证明某些整系数一元高次方程有且只有一个特殊的正实数解，得到两个非线性递推数列的通项公式，从而推广了1989年全国高中数学联赛第一试第五题的结果。     

Subcutaneous transposition of the spleen enhances the survival rate following 90% hepatectomy in rats

Summary The effects of subcutaneous transposition of the spleen (STS) on the survival rate following 90% hepatectomy were investigated in rats. The survival rate was significantly higher in the STS group than in the non-STS group. Light microscopy enabled us to note that congestion in the terminal portal veins and sinusoids occurred either slightly earlier or to a higher degree in the non-STS group.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于拥塞避免的卫星网络路由算法

提出一种基于低轨道和静止轨道星座的双层网络新路由算法, 利用低轨道卫星及其星间链路构成的网状拓扑对星上路由进行计算, 并通过拥塞避免和数据包分类机制进行优化, 解决了卫星网络中由于业务流量大而导致的网络拥塞问题. 仿真结果表明, 该方法降低了网络平均端到端的时延和平均丢包率, 从而提高了网络性能.     

限行政策下的山地城市道路交通拥堵问题研究

城市交通拥堵问题日趋严重,山地城市因特殊的地理形态,拥堵问题更为凸显,实施限行政策是缓解山地城市交通拥堵的手段之一;通过构建随机均衡配流模型来描述限行政策下山地城市交通的运行状况,并采用改进后的Dial算法对模型进行求解;研究以重庆市主城区为例,结合城市多中心组团的特性,对组团间的联系通道采取工作日机动车尾号限行措施,分析山地城市道路流量和服务水平的变化情况;研究发现,限行后组团中心区域的道路交通流量显著减少,道路服务水平明显提高,但同时交通拥堵也向周边区域发生扩散;最后,提出了缓解拥堵扩散的相关措施和建议。     

注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

基于Transformer神经网络模型的网络入侵检测方法

网络入侵检测一直以来都是网络安全中亟待解决的关键任务之一,传统网络入侵检测方法主要通过提取多维特征,采用机器学习方法构建检测模型,大多忽略了入侵行为的时间相关性.通过提取网络入侵行为的时序特征,设计基于降维特征的多头自注意力机制Transformer网络模型,以解决传统串行化时序神经网络模型不易收敛且时间开销较大的问题,通过选取最优的损失函数和训练参数进行并行化训练,实现网络入侵行为检测.实验结果表明,基于Transformer网络模型的网络入侵检测方法在多个数据集上均获得了99％以上的精度和检出率.     

基于事件触发的TCP网络滑模控制

针对存在不确定参数和UDP流干扰的TCP网络拥塞问题,提出了一种基于事件触发的TCP网络滑模控制策略.通过利用全局滑模控制方法,使整个系统的响应过程都具有鲁棒性,在此基础上引入事件触发机制,在保证系统状态稳定的同时,节约了网络资源.通过李雅普诺夫理论证明了TCP网络闭环系统里的所有信号是有界的,同时也有效地避免了Zeno现象.仿真结果表明了所提控制方法的有效性.