Steganalysis of neural networks based on parameter statistical bias

Many pretrained deep learning models have been released to help engineers and researchers develop deep learning-based systems or conduct research with minimall effort. Previous work has shown that at secret message can be embedded in neural network parameters without compromising the accuracy of the model. Malicious developers can, therefore, hide malware or other baneful information in pretrained models, causing harm to society. Hence, reliable detection of these vicious pretrained models is urgently needed. We analyze existing approaches for hiding messages and find that they will ineluctably cause biases in the parameter statistics. Therefore, we propose steganalysis methods for steganography on neural network parameters that extract statistics from benign and malicious models and build classifiers based on the extracted statistics. To the best of our knowledge, this is the first study on neural network steganalysis. The experimental results reveal that our proposed algorithm can effectively detect a model with an embedded message. Notably, our detection methods are still valid in cases where the payload of the stego model is low.     

多波地震油气储层的自组织神经网络学习与预测

如何充分挖掘出地震数据的有效信息以更有效预测出地震油气储层的分布情况,一直是业内所追求的目标。多波地震数据所包含的纵、横波数据不仅含有大量对油气敏感的特征信息,而且二者对油气响应存在差异,利用好这种差异可有效降低地震反演中的多解性问题。为此,设计了一种基于自组织神经网络的多波地震油气储层分布预测方案。首先,通过聚类分析优选出对油气响应比较敏感的地震属性,然后,对优选优化后的属性进行多波复合运算提取油气特征信息。最后,根据输入样本属性数据集设计自组织神经网络结构,计算神经元与样本的距离确定最佳匹配单元,更新调整网络权值,完成网络训练,得到预测结果。应用结果表明,基于本方案所预测的地震油气藏分布范围与实际情况基本吻合,有效地降低了反演结果的不确定性,从而验证了自组织神经网络应用于地震油气储层预测的有效性和可行性。     

基础研究空间网络关联结构及影响因素分析

以我国31个省区市2009—2018年国家自然科学基金面上项目为样本,采用改进的引力模型构建省区市之间的基础研究关联关系,在此基础上利用社会网络分析模型分析我国省区市之间基础研究的空间网络结构演化及影响因素。研究表明:网络整体的空间关联性逐步增强,网络效率呈现出平缓的下降趋势;东部沿海经济发达地区并未利用自身的优势对其他地区产生推动作用。基础科研空间关联网络划分为双向溢出、经纪人、净溢出和净受益4个板块,板块内部的联系要大于板块之间的联系。地理位置临近、申请机构数量、科研人员、正副高职数量对基础科研的空间关联结构有显著性影响。     

基于超网络的舆论演化动态模型

针对舆论演化过程中的复杂动力学问题,提出了超网络视觉下的舆论演化动态模型,该模型包括节点的添加、重新连接链路、超边的添加以及节点的老化4个过程,其中节点代表关键词,超边代表关键词所构成的话题。其次,利用非均匀网络的演化机制,分别对该动态演化模型的超度、节点自身关注度与节点间影响力两个因素的超度进行了详细的理论分析,分析结果表明节点超度完全符合幂律分布。最后,通过Matlab仿真模拟,分析了不同参数对节点超度分布变化的影响,并进一步验证了结果是遵循幂律分布的。     

基于WDM-PON架构的5G前传系统中的FWM效应

为了应对快速增长的带宽需求，解决非线性效应限制波分复用无源光网络（wavelength-division multiplexing passive optical network，WDM-PON）系统的传输距离和信道容量，尤其是四波混频（four-wave mixing，FWM）效应的问题。通过实验与仿真研究了25 Gb · s^-1 · λ^-1非归零码（non-return-to-zero，NRZ）信号经过25 km标准单模光纤（standard single-mode fiber，SSMF）传输时，FWM效应对系统所产生的影响。仿真结果表明，在信道间隔为200 GHz的12个波长传输系统中，除了第一个和最后一个信道之外，其他信道误码率（bit error rate，BER）都不能达到前向纠错码（forward error correction，FEC）的门限1.0 × 10^-3。因此，在制定5G前传系统波长分布和信道间隔时，应充分考虑FWM串扰。     

基于卷积神经网络的心律失常分类方法

使用一种组合式心拍分割方法，利用带通滤波对原始心电数据进行降噪处理，实现QRS波群定位和心拍截取；设计7层的一维卷积神经网络（convolutional neural network，CNN）模型，对正常搏动（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、室性早搏(V)4类心拍数据自动分类检测，从而完成4类心律失常的分类。以MIT BIH心律失常数据库47条数据进行训练，结果显示，其准确度为9900%，召回率为9908%；与相关文献的研究方法对比，本方法具有较高识别精度，能有效解决人工对心电图识别的误诊、错诊问题。     

基于双通道多特征融合的电力负荷智能感知方法

负荷识别是分析用户用电行为的主要工具之一.提高负荷识别的精度对于开展用能监测服务、实现节能降损具有重要意义.提出了一种基于双通道多特征融合的电力负荷智能感知方法.首先,从电器设备的基本属性出发,分析了电流、谐波、功率等数值特征以及电压-电流(V-I)轨迹图像特征对负荷识别的影响;其次,考虑了特征之间的互补性,分别采用主成分分析-神经网络(principal component analysis-back propagation,PCA-BP)算法和卷积神经网络算法将数值特征和图像特征以不同通道在高维空间进行深度融合;最后,采用Softmax分类算法对融合后的高级特征和设备标签进行有监督的学习,从而实现了不同类别电器设备的有效辨识.算例测试结果显示,所提出方法的负荷识别准确率高达94.55％.该结果充分说明了将多种特征进行高维空间融合,可以更全面、立体地反映设备的本质属性,提高算法的识别精度.     

健康城市视角下应对突发公共事件的城市设计策略

 结合中国城市应对新冠肺炎疫情的成功经验及缺憾，以创造健康、宜居、韧性、生态的城市环境为目标，设计“区域-系统-节点”三类健康城市设计路径；提出“生态健康-生活健康-治愈健康-环境健康-设施健康-救治健康”六位一体应对突发公共事件的城市设计策略，并细化为健康城市在城市空间上的形象化设计表达。     

基于区块链技术的道路路边停车管理系统

针对当前道路路边停车管理中存在的效率低下、交易不透明等缺点，提出了一个基于区块链技术的道路路边停车管理系统。根据边缘设备终端的车牌识别算法采集停车信息，将关键停车交易数据发送并存储至Web服务器的MySQL数据库缓存，之后由Fabric SDK中间件存储到Hyperledger Fabric区块链平台。该系统依靠区块链去中心化、链上数据不可篡改的特点，在满足业务需求基础上提高了用户的隐私性和交易的可靠性。     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。