基于深度学习的恶意代码检测可解释性研究

针对深度学习模型无法解释其是否提取到了关键特征的问题,该文从建模之前和建模之后2个层面对基于深度学习的恶意代码检测进行了可解释性研究。在建模之前,通过对二进制文件进行可视化分析,发现恶意代码的图像模态特征存在着明显的同类相似性和类间差异性,验证了运用深度学习模型进行图像模态特征恶意代码检测的可行性。在建模之后,提出了一种基于梯度加权类激活映射(Grad-CAM)的恶意代码检测可视化可解释性方法,在视觉直观上和统计分析上说明了基于深度学习的恶意代码检测具有可解释性。     

基于深度学习的手写数字分类问题研究

手写体数字因其书写风格差异大、上下文无关及识别准确度要求高等原因导致其识别难度大,针对手写体数字识别的特点及要求,使用深度学习算法进行分类,通过对样本的训练完成手写体数字的识别,同时与SVM算法及BP神经网络分类效果进行对比;实验结果表明深度学习在识别手写体数字时具有更高的准确率。     

基于循环神经网络和深度学习的股票预测方法

本文提出一种基于多路循环神经网络与深度学习的股票预测方法。针对股票的涨跌预测问题,使用分布式向量表示方法提取出股票相关的新闻文本特征,同时考虑到股票相关信息的时序性以及新闻影响的持续性特质,使用多路循环神经网络模型对所提取的特征与交易信息进行协同训练,从而获得历史信息的低维向量表示。最后将多个循环神经网络的输出进行拼接,利用深度神经网络共同对股票的涨跌进行分类预测。本文使用上证A股的价格与新闻数据进行实验,实验结果表明,本文所提出的方法在股票预测任务上具有明显的优越性。     

基于深度学习的东天山特长隧道围岩等级预测

位于中国西北部的东天山地区,拥有着复杂的地质条件,因此如何快速准确预测隧道掌子面前方的围岩质量的难度增大,准确客观反映岩体基本特性的围岩分类是隧道设计与施工的重要参考依据。旨在建立一种能客观准确评价东天山地区工程地质环境及预测围岩等级的方法,依托在建东天山隧道项目。首先,选取东天山特长隧道已开挖典型地质区段,以工程地质分区、高关联度物探技术参数指标及物探偏移图像为基础,组成机器学习训练样本;其次,采用Python语言基于TensorFlow深度学习框架编写深度学习网络算法训练样本,建立围岩类别预测模型;再次,采用新开挖段数据不断验证与优化模型;最后,将预测精度最高的模型推广应用于天山地区隧道围岩类别预测,结果表明联合隧道散射地震成像(tunnel seismic tomography, TST)偏移图像、地质分区与物探指标数据集训练出来的模型效果最好。     

基于深度学习组合模型的交通流预测

为了研究高速公路在交通流预测过程中时间粒度对于精度的影响,及时向出行者提供精准实时的道路信息,通过TensorFlow深度学习模块,建立支持向量回归(SVR)与长短时记忆(LSTM)相结合的预测模型。基于LSTM模型的长期记忆功能与支持向量回归非线性化特点,调整优化参数,以英国高速公路局提供的M3高速公路数据为例进行分析,根据预测结果对模型进行对比评价,并结合模型对不同时段的交通流数据进行分析研究。结果表明：SVR-LSTM组合预测模型对于高速公路数据有更好的适应性,而且时间粒度如果越精细,预测精度将大幅提高。     

基于深度学习的高精度交通流量大数据预测

为了高效预测分析海量交通大数据,提高道路通行率和城市交通的智能化水平,提出一种高精度基于深度学习的并行卷积神经网络交通流量大数据预测模型.该模型首先对数据进行预处理以获得有效数据集,将具有规则时间间隔的一维时间序列样本和图像转换为时间一维、位置一维的二维像素网格,构建并行卷积神经网络模型用于对通过某路段的交通流量进行预测,并应用预测因子对交通量流数据进行建模.实验结果表明,与其他模型相比,本文提出的模型在平均绝对误差、平均相对误差和均方根误差方面均优于所对比的方法.     

基于深度森林算法的油井产量预测研究

为了克服传统机器学习算法产量预测模型的缺点,以深度森林算法理论为基础,综合油井相关各项数据,建立了油井产量预测新模型。首先应用KNN最邻近方法和Z-Score标准化方法对油井相关数据进行预处理,利用MDI特征选择方法选择对油井产量影响最大的特征向量,然后将选出的特征向量作为深度森林模型的输入变量,建立深度森林产量预测模型,利用网格化搜索优化模型参数,最后在测试集上运行模型,对模型性能进行评估。研究结果表明,相对于BP神经网络等传统机器学习算法模型,深度森林模型的产量预测精度更高,可以准确预测油井产量,同时相对于深度神经网络等复杂学习算法,该算法参数少、调参及应用简单,为油井产量预测提供了一种新的方法和思路。     

基于深度学习的肺结节识别

针对肺结节识别问题,采用分支结构改进直接型VGG16的深度学习网络结构,并使用迁移训练,减少了网络结构复杂度.结果提高了学习效率,降低了方法对硬件资源的要求,增加了其适用性.通过训练多种网络模型,对比模型特点,调整改进的网络结构实现了对小样本的肺结节识别.在LIDC-IDRI数据集上的结果表明:该方法在保持结构简单、降低硬件资源需求的同时,取得较好的肺结节识别效果.     

基于深度置信网络的车辆交通流预测

提出了一种新的基于深度置信网络的交通流预测方法,利用深度置信网络良好的训练和预测性能,能够很好地学习时序数据集的内部特征,从而准确地预测交通数据流.为了验证算法的有效性,在PeMS数据集上对算法进行了实验测试,并同其他相关预测和分析方法进行了比较,实验结果表明新算法具有较好的预测性能.     

基于深度学习岩性分类的研究与应用

岩性预测,特别是致密储层的岩性预测,是石油勘探的一项重要基础任务,因为岩性数据对于地层对比、沉积模拟等地质工作的分析是必不可少的.因此,如何获取可靠的岩性信息逐渐成为地球科学研究的热点.面对大部分老油田由于仪器、井历史长等原因使得部分测井数据丢失,特别是岩性数据;新开发生产井,钻井取心需要投入巨大的成本、人力和物力;这...     

基于深度学习的高分辨率图像的智能检测

针对高分辨率图像下目标所占面积小,检测效果较低、实时性较差的问题.提出了一种基于LDCF-ResNet50的深度学习模型检测方法.以行人检测为例说明此方法的有效性.首先基于局部无关通道特征的预测提议区域,对行人潜在区域粗检测.然后,设计候选区域合并和扩展方法,将合并后的区域用于后面的ResNet-50神经网络.其次,设计了一个合适的ResNet-50网络,用于精确检测该区域.最后将ResNet-50网络的检测结果映射到原始图像中,输出检测结果.为了验证本文所提方法的有效性,在清华-戴姆勒数据库平台上对高分辨率图像进行实验验证.实验结果表明,所提出方法能够有效地检测行人.与主流的算法(包括Faster R-CNN,YOLOv3和SSD)相比,本文方法对行人检测的平均精度分别提高了4.07％、17.79％和31.45％.     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

基于动态学习的Deep Web数据源选择算法

提出了基于查询过程的动态计算数据源和查询关键词相似度的算法.当用户查询时,从数据源中选择子集进行查询,然后计算结果网页与查询关键词的相似度,按加权均值法调整该数据源的相似度,随着系统的运行,数据源与关键词的相似度不断被动态调整以反映数据源的实际情况,从而为数据源选择做出判断依据.     

基于深度极限学习机的柴油机尾气排放预测

准确预测拖拉机等柴油机械实际工况污染物排放在排放清单建立和区域污染物排放控制方面具有重要意义。基于拖拉机不同运行状态下发动机转速、油耗、燃烧比、CO、HC、NOX和PM等实测数据作为数据源,建立深度极限学习机(Deep Extreme Learning Machine,DELM）的预测模型,并对拖拉机怠速、行走和旋耕等基本工况下的污染物排放进行预测。为进一步评估DELM预测模型的适应性,将其与支持向量机(support vector machine, SVM)和前馈神经网络(Back propagation neural network, BPNN)模型进行对比分析。结果表明,1）DELM模型在预测排放时间序列方面具有一定优势,其预测拖拉机在怠速、行走和旋耕3种状态下的NOX、HC、CO和PM排放均方根误差均值分别为5.269×10-5、5.195×10-5、5.135×10-5和2.795×10-5。2）DELM模型与SVM和BP对比发现,DELM模型在鲁棒性以及适应性方面的优势显著。3）DELM方法的较高的准确度和泛化性,为基于发动机状态数据预测移动源尾气排放提供思路和方法。     

基于时效信息和深度学习的离港航班延误预测

针对离港航班延误预测问题,利用深度神经网络模型,结合时效航班信息数据和时效气象数据,提出了一种基于时效信息和深度学习的离港航班延误预测模型。利用真实数据开展数值试验,结果表明了所构建的延误预测模型可以在较短时间内获得较高的航班延误预测精度,并且具有较大的航班延误预测时效;同时随着延误时间阈值的增加,预测精度不断提高,损失值不断降低;尤其以60分钟为阈值时,模型的预测精度可以达到91.26%,说明了模型的有效性。     

基于机器学习和遗传算法的高炉参数预测与优化

针对目前高炉炼铁模型精度不高问题,提出建立高炉生产过程中精确的多目标优化模型.首先对高炉的海量数据进行了数据预处理,其次采用支持向量机、随机森林、梯度提升树、XGBoost、LightGBM、人工神经网络6种机器学习算法对高炉焦比、K值进行了预测,并采用特征工程和超参调优对机器学习预测进行了优化,最后采用新的集成学习方法进行预测.预测结果不仅精准度高而且具有很好的鲁棒性.在机器学习的基础之上,采用NSGA-Ⅱ遗传算法对高炉参数进行了多目标优化分析,得到了Pareto最优解,高炉操作者可以根据该多目标优化结果针对不同的需求选择相应的控制参数.     

深度自编码器用于人脸美丽吸引力预测的研究

为了挖掘人脸美丽的内在本质,本文提出了基于深度自编码器的人脸美丽吸引力预测模型:首先利用大量无标签人脸图像数据对深度自编码器进行预训练,然后结合Polak-RibierePolyak共轭梯度反向传播算法对深度自编码器的权值进行微调,从而建立深度自编码器的人脸美丽特征提取模型.最后经过支持向量机(SVM)分类器对人脸图像进行美丽预测.实验结果显示SVM分类器预测的平均识别率为77.3%,表明深度自编码器用于人脸美丽吸引力预测是有效的.     

基于深度学习的二维航空大地电磁数据反演

航空大地电磁法以其机动灵活、效率高等优点,适用于在地势崎岖的偏远环境中开展快速普查作业.目前,针对二维航空大地电磁数据的反演研究大多采用对目标函数求解偏导数的方式进行,这会造成反演结果对初始模型依赖高,且极易陷入局部极小值.为解决上述问题,首先从麦克斯韦频率域方程组出发,推导倾子响应计算公式.其次,采用有限单元法计算异...