基于Stacking集成学习的网络安全态势预测方法

针对现有的网络安全态势预测模型预测精确度低且泛化能力差等问题,提出一种基于Stacking模型融合的态势预测方法。该方法中,借助Stacking算法将TCN网络、WaveNet、GRU、LSTM进行集成挖掘态势数据之间的相关性;之后利用逻辑回归进行预测得到最终态势值;利用粒子群优化算法进行参数寻优,提升模型性能。基于2个数据集进行验证,实验表明,所提预测方法具有较小的均方误差和平均绝对误差,收敛速度较快,拟合度均可达0.999,可以很好解决预测精确度低的问题,提升了模型的泛化能力。     

基于AMWPSO-LSTM的多阶段间歇过程故障预测

过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了PSO的参数寻优能力。由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T²统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM 的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度。     

基于粒子群算法的边界盒定位改进算法研究

在传统的边界盒(Ｂｏｕｎｄｉｎｇ－ｂｏｘ)定位算法中 采用正方形交集区域的质心作为定位结果 定位误差相对较大 针对该问题 给出粒子群算法(ＰＳＯ)改进的边界盒定位算法 该方法定位时 在取得交集区域后 先通过粒子群算法对该区域进行并行搜索 从而取得优化定位坐标 仿真实验结果表明:基于粒子群算法的边界盒定位改进算法减少了定位过程的计算的迭代过程 使得计算速度增快 且定位误差减少 定位精度值得到了提升     

针对无人机视频的带干扰抑制的l1正则相关滤波跟踪算法

近来,相关滤波因其精度和鲁棒性良好而在目标跟踪领域获得广泛应用.然而,相关滤波的隐式循环样本带来了严重影响跟踪性能的边缘效应.在之前的工作中,采用l1正则消除了传统相关滤波模型边缘效应的影响,但仍然通过将隐式循环样本回归到一个固定的目标标签来学习一个能区分前景和背景的回归模型.这种预定义的不变的回归标签使得跟踪模型对于...     

核物理与粒子物理入门

本书的初版被美国、加拿大的大学用作核与粒子物理学课程的教科书，并且获得了极大的成功。它还被译成了德文，在海外使用。自从本书1989年第一次出版以来，该领域发生了相当惊人的变化。第二版中，作者更新了原来的内容，澄清了几个先前的讨论，增加了有助于测试对内容理解的问题。     

四维方程（口—m^2）φ=λφ^3的非拓扑孤粒子解

非拓扑性孤粒子解与拓扑性孤粒子解的根本区别是，它不需要有简并真空态，一切的解，不论有无孤粒子，在无穷远处都有同样的边界条件，本文着重讨论四维方程（口－ｍ＾２）φ＝λφ＾３的精确的非拓扑孤粒子解及其物理意义。     

二维弹性碰撞与动量关系的几何研究

从质心坐标系出发，利用粒子动量关系的几何描述，直观形象地研究了两粒子二维弹性碰撞的各种情况。     

跟踪微分器滤波性能研究

对跟踪微分器的滤波性能进行了研究，由跟踪微分器滤波所产生的相位延迟，利用它能够得到的原始信号的滤波信号和其微分信号，采用预报的方法进行补偿。仿真结果表明，所采用的这种近似方法较好地再现了原始信号。在一个采样时间不固定，且采样信号带有噪声的应用实例中，采用变步长的跟踪微分器加预报的方法得到了较好的结果。     

基于LS的梯度迭代最陡下降算法GISDA

提出了一种基于LS准则、利用梯度迭代的最陡下降算法GISDA（Gradient Iteration Steepest Descent Algorithm，GISDA）．该算法在梯度计算上比LMS精确．新算法与传统的最陡下降算法相比，具有运算量小、容易实现等优点．GISDA算法比LMS算法收敛速度快、稳定性更好．并给出了GISDA算法和LMS算法性能比较的计算机仿真结果和结论．