基于VMD-BO-BiLSTM的猪肉价格预测模型

基于猪肉价格的非线性与波动性特性，提出一种基于变分模态分解（variational modal decomposition, VMD）和贝叶斯优化（Bayesian optimization, BO）的双向长短时记忆（bidirectional long short-term memory, BiLSTM）网络的猪肉价格预测方法。首先采用变分模态分解对数据进行预处理，将数据分解为具有相对简单波动的子序列；然后通过贝叶斯算法对双向长短时记忆网络模型的第1、2隐含层神经元数目、学习率和批次大小进行寻优，根据寻优的结果建立预测模型。实验结果表明：VMD-BO-BiLSTM方法的平均绝对误差、均方根误差、平均绝对百分比误差和确定系数分别为1.101 214、1.466 100、0.040 631、0.987 760，相比传统单一的LSTM,BiLSTM模型精确度更高，有更高的适用性，适合对猪肉价格预测。     

基于低秩矩阵填充的推荐算法

针对已有协同过滤推荐技术中评分矩阵极度稀疏问题,提出了一种基于低秩矩阵填充技术的推荐算法.该算法从贝叶斯框架出发,提出了能够解决低秩矩阵问题的分层高斯先验模型,并将广义近似消息传递算法嵌入到贝叶斯框架,规避了贝叶斯学习过程中烦琐的矩阵逆运算,提升了算法运算速度,同时在广义近似消息传递算法中施加阻尼运算以促进收敛.在开放数据集上的实验结果表明,所提出的算法与相关的矩阵填充推荐算法相比,有效地提高了推荐准确度.     

依赖包围盒紧密率及多层建模结构的混合碰撞检测算法

针对复杂环境下物体包围盒选择与更新的低效性,直接导致了碰撞检测时间延长的问题,提出了一种依赖包围盒紧密率及多层建模结构的混合碰撞检测算法。算法首先通过计算比较包围盒紧密率将物体形状分为四类,分别采用Sphere包围盒、轴向平行包围盒、方向包围盒和椭球体包围盒,对两两包围盒进行相交测试,快速准确地剔除不相交的物体。同时,提出三角面片-刚体-模型的多层建模结构的优化方法来构造包围盒树(BVT),减少包围盒树更新时间。最后实验结果表明,相比采用单一包围盒和传统结构的混合包围盒检测算法,该算法能大幅度地缩短相交测试的时间,提高碰撞检测的效率。     

中小型企业Web安全测试和评估

Web网站包含多种技术,涉及到操作系统、网络协议、网络设备、应用程序和后端数据库等,这些因素都可能带来一定的安全风险,危及Web网站的安全。作为中小型企业的网络管理员要经常进行Web安全测试和评估,保护企业网站安全。