一种地形匹配导航区域的可导航性评价方法

单一地形特征参量对地形匹配导航区域可导航性的评价存在局限性,导致评价结果不能真实反映匹配区域可导航性的强弱.根据特征信息融合思想及关联度分析方法,通过引入向量关联度,选取地形特征信息统计参量中地形高程标准差、地形粗糙度、地形相关系数和地形信息熵进行融合,并构成地形特征参量集,利用灰色模糊综合决策理论对该特征参量集进行分析,进而提出一种灰色模糊综合决策的多指标评价方法.仿真结果表明:该方法在匹配区域可导航性的综合评价方面具有可行性,对于区域中匹配数量较多且地形高程数据量较小情况下均能做出正确评价,其评价结果可为地形可导航性分析、地形匹配导航区域选取以及航路规划等提供理论依据.     

管制空域复杂网络模型构建及抗毁性分析

为分析现有管制空域的结构特性与面对多种真实情况下的抗毁性,从空中交通管制的角度出发,以管制空域的最小单位扇区为基础,构建复杂网络模型,并以介数、紧密中心性等拓扑特性参数计算方法筛选关键扇区,以聚类系数、度、度分布等参数来反映空域内部的连接情况。通过4种能反映不同真实情况的攻击策略对模型进行抗毁性测试。最终结果显示：扇区网络在维持扇区连接结构上表现出较好的抗毁性,而在维持网络运行效率和保障航空器通行能力上抗毁性不佳。     

基于深度卷积神经网络的地磁导航方向适配性分析

针对地磁导航方向适配性分析时人工提取的特征主观性较强且难以表达深层的结构性特征的问题,提出一种基于深度卷积神经网络(convolutional neural network,CNN)的地磁导航方向适配性分析方法.首先,利用Gabor滤波器的方向选择特性建立了6个典型方向的适配特征图;然后,设计了卷积神经网络对深层次的方向适配特征进行提取,并通过混和粒子群算法(hybrid particle swarm optimization,HPSO)对卷积神经网络的训练参数进行优选;最后,通过仿真实验对所提方法进行了验证.结果表明,该方法可有效避免复杂的计算以及人工特征提取的盲目性,实现了地磁导航方向适配性分析的自动化,且所提方法的准确率高于传统的BP网络和支持向量机,对地磁导航和航迹规划具有指导意义.     

考虑粗粒土应变软化特性和剪胀性的本构模型

在传统细粒土本构模型的基础上进行了改进,建立了一个能较好地描述粗粒土应变软化特性和剪胀性的弹塑性本构模型.该模型采用双屈服面形式,克服了单屈服面模型存在的一些不足,可同时反映剪切变形和压缩变形机理.模型在应变软化特性描述方面,提出了一个利用残余状态应力比和峰值应力比的应变软化公式,较为合理地反映了粗粒土的应变软化现象.在剪胀性描述方面,考虑了状态转换应力比与初始有效围压的相关性.数值模拟结果与试验结果较为接近,表明该模型描述粗粒土在低围压和相对中高围压下的应变软化特性和剪胀性方面具有一定的优越性.     

云存储环境下数据持有性证明研究综述

随着网络存储技术的发展,越来越多的用户选择将数据存储到云端,从而用户失去对数据的直接控制.如何验证存储在云端的数据完整性便成为用户最关心的问题之一.学术界和工业界普遍认为数据持有性证明(provable data possession,PDP)机制是解决该问题的重要手段,本文对现有的部分经典数据持有性证明方案进行了梳理.给出了数据持有性证明系统模型和审计框架;分析了数据持有性证明系统的功能特性和安全需求;分别从实现原理、应用场景和不同实体3个不同的视角,对目前主要的数据持有性证明方案进行了总结归纳,并对未来的研究趋势进行了展望.     

基于SMS/MMS和Bluetooth的智能手机恶意软件传播模型研究

针对手机短信网络的聚集性和蓝牙网络的移动性,在经典的传播模型SEIR的基础上,考虑动态感染率、用户聚集特性、预免疫措施等外界因素的影响,建立一种基于蓝牙和短信/彩信混合模式的智能手机恶意软件传播模型,并在此基础上分析动态感染率、预免疫、用户聚集密度等参数对手机恶意软件传播的影响.实验结果表明,该模型能够反映智能手机恶意软件在实际情况下的传播特征.     

一种超网络演化模型构建及特性分析

现实世界的很多超网络比如科学家合作超网络,演员合作超网络,WorldWideWeb（WWW）以及引文超网络都具有超边的增长和优先连接机制.基于这个原则,本文构建了一种超网络动态演化模型,并介绍了这个模型的一些基本拓扑性质,如节点度、节点超度、超边的度等.在此演化模型上重点理论分析了超度分布的特性,并进行了仿真实验,发现随着网络规模的增大,这个超网络动态演化模型的超度分布遵循无标度的特性.     

具有社团结构的小世界网络模型

基于WS小世界网络的生成原理及网络社团结构的性质,提出一种具有社团结构的网络模型.在网络生成参数的控制下,可生成社团结构紧密程度不同以及随机化重连程度不同的网络.通过分析聚类系数、平均最短路径等统计特征量相对于模型生成参数的变化规律,明确模型具有的小世界特性.仿真结果表明在参数的一定范围内,所生成的网络无论是局部还是整体都同时具有小世界特性与社团结构的性质,称为具有社团结构的小世界网络(CWS网络).利用网络效率和网络的可通信性指标,通过调整参数的取值,可使所生成的网络在信息传输方面的性能超过完全随机的网络,表现出较好的信息传输与通信能力.     

基于深度学习的框架结构损伤识别研究

卷积神经网络模型和长短期记忆网络模型是两种应用广泛的深度学习网络模型,为探究两种模型在结构损伤识别应用中的效果,采用两种网络模型对钢框架结构的损伤识别进行研究.以3层框架结构为例,选用削减单元自身动力特性后的模态应变能差作为损伤指标,分别输入到两种神经网络模型中,对梁柱单元的损伤程度识别和损伤位置识别进行分析.结果表明：两种网络模型均能很快掌握结构单元的动力特性,在学习了框架结构的模态特征后,均能够精准地识别出损伤单元的位置,同时能较为准确地预测出单元的损伤程度,验证了两种网络模型在以模态应变能差为指标的损伤识别中具有较好的适用性.对比两种网络模型的表现,发现卷积神经网络具有较高的训练效率和较好的泛化性能.     

一种组合的Web应用测试建模方法

应用Web建立一个清晰的测试模型能够帮助指导测试工作,为下一步形成测试用例,执行测试奠定基础。在分析Web应用现有测试模型的基础上,提出了一种从对象、导航行为、系统结构3个方面进行分析的建模方法,分别介绍了3种模型的建模方法及相应的测试用例生成办法,扩充了以往对象模型的关系结构,将浏览器行为的影响加入到导航行为模型中,根据控制流和数据流来反映系统结构。这种组合模型充分考虑了Web应用的特性,直观全面地反映了Web应用的各方面关系,能够有效指导测试工作。     

均匀增长无标度网络的等价模型

分析了无标度网络的BA模型和与BA等价的随机连接到边模型.在给出边的权重和节点适应度定义的基础上,提出了无标度网络的边加权网络模型和节点适应度模型.通过解析的方法证明了它们与BA模型的等价性.计算机模拟的结果也说明了它们的等价性,并给出了4个等价模型之间的比较.     

用渗流模型模拟和考察化学凝胶化反应

提出一个改进的渗流模型，把化学凝胶化体系本身的化学特点考虑进去，从而更真实地模拟化学凝胶化过程；部分地验证了用急冷法测试的化学凝胶化体系的临界行为；展示了进一步改进模型使之更符合实际的可能性。     

融合多维时空特征的交通流量预测模型

为了精准预测交通流量,充分提取交通流中复杂的线性和非线性特征及其依赖关系,提出了融合多维时空特征的CLABEK模型。其中,由Conv-LSTM、BiLSTM和Dense神经网络分别提取时空特征、周期特征和额外特征(节假日、天气状况以及温度等),并通过将上述模型融合从而全面获取交通流的非线性特征;由卡尔曼滤波提取交通流的线性特征。在公开数据集上的对比实验证明,CLABEK模型在短期交通流预测任务上表现出最好的预测效果。     

对抗网络和BERT结合的电商平台评论短文本情感分类

文本情感分类领域性强,传统情感分类方法在多领域混合数据上效果不佳.为了提升多领域混合情境下文本情感分类的准确率,使用双向编码器表征模型(bidirectional encoder representations from transformers,BERT)得到短文本的初级表征;利用对抗网络提取与领域无关的情感特征;利...     

基于卷积核分解的深度CNN模型结构优化及其在小图像识别中的应用

小图像由于像素少、分辨率低、整幅图像包含信息较少,识别较为困难。目前优秀的深度卷积神经网络模型多为大图像而设计,而用于小图像的模型则存在着层次不够深、难以对特征进行充分抽象的不足。本文基于VGG19模型,依据卷积核分解的原理,设计了一种KDS-DCNN模型,模型深度达到31层,解决了目前超深度模型不能直接用于小图像识别的问题,实验表明该方法不但提升了识别性能,而且还降低了模型的时间复杂度。在CIFAR-10、CIFAR-100和SVHN三个数据集上的验证结果显示,KDS-DCNN模型性能优越,其识别错误率分别降低到29.46%、6.02%和2.17%。     

基于多尺度跃层卷积神经网络的精细车型识别

为解决精细车型识别中特征不具有代表性,且识别准确率低的问题,提出了基于多尺度跃层卷积神经网络(CNN)的车型识别方法。通过多个不同尺度的跃层卷积神经网络,提取适用于精细车型识别的低层局部特征和高层全局特征,并分别训练Softmax分类器。利用自适应方式融合方法,将多个单一尺度跃层卷积神经网络的识别结果进行融合,调整不同网络对识别结果的贡献。实验中车型识别准确率达到97.59%。实验结果表明多尺度跃层卷积神经网络适用于精细的车型识别,并能提高识别的准确率。     

面向特征融合与知识蒸馏的恶意软件分类

恶意软件分类是一个多分类任务，旨在提取软件特征来训练模型，以判断恶意软件的类别。现有工作主要集中于利用深度神经网络从恶意软件图像中抽取特征进行分类，对恶意软件的序列特征和分布特征之间的关联性缺乏关注，限制了模型性能。此外，这些现有模型大多具有较高的参数量，往往需要占用较大的计算资源。为此，提出一种基于特征融合与知识蒸馏的恶意软件分类方法。一方面，通过残差网络分别从灰度图和马尔可夫图中抽取恶意软件的序列特征和分布特征，并利用自注意力挖掘不同特征之间的关联性，以提升模型性能。另一方面，通过教师网络向多个学生网络进行知识迁移，并让学生网络互相协作学习，以进一步降低模型规模。在微软和CCF数据集上的实验结果证明，该方法不仅有效提升了模型性能，而且可以降低模型的参数量和计算量。此外，本文通过热力图定位影响分类结果的字节，对分类依据进行解释。     

基于CNN的脑电信号情绪识别模型研究

针对现有深度学习模型在情绪识别方面种类少且准确率低的问题,采集并建立了脑电波信号数据集,提出了一种基于CNN的脑电波的智能多情绪识别模型,利用多层卷积神经网络提取脑电信号情感特征,在批归一化层和激活函数中引入非线性特性,构建了两层全连接神经网络,实现了情绪特征中积极、中性和悲伤的分类。实验结果表明,提出的模型复杂度低且分类准确率达到了81.43%,明显高于SVM、LSTM、VGGNet模型,证明了该模型的简洁性和高效性。     

DBN和GRU混合的Android恶意软件检测模型

针对Android平台恶意软件数量增长迅猛,种类日益增多的现状,提出了一种基于深度置信网络和门控循环单元网络混合的Android恶意软件检测模型。通过自动化提取Android应用软件的特征,包括权限等静态特征和应用运行时的动态特征进行训练,对Android恶意软件进行检测和分类。实验结果表明,混合了门控循环单元网络和深度置信网络的混合模型,在检测效果上优于传统的机器学习算法和深度置信网络模型。     

考虑传输线效应的时钟线网动态功耗模型

针对传递时钟信号的树型互连线网,提出了一种考虑传输线效应的动态功耗模型。在该模型中,时钟线网的每个分支互连线都采用了传输线模型,其系统输入导纳函数的计算采用了基于傅里叶级数分析的快速迭代算法。在此迭代算法基础上,根据帕斯瓦尔定理,该模型用有限阶傅里叶级数项逼近时钟线网的动态功耗。模型的精度随所取项数的增加而增加,模型的时间复杂度与项数以及时钟线网的分支数成正比。实验表明,有5项傅里叶级数逼近的模型误差小于5%,效率远高于集成电路仿真程序（SPICE）。