基于BiLSTM-Attention-CNN的XSS攻击检测方法

在基于深度学习XSS检测的研究中,双向长短期记忆网络(BiLSTM)和CNN模型均无法区分输入特征信息中关键特征和噪音特征对模型效果的影响。针对这一问题,引入注意力机制,提出一种将BiLSTM和CNN相结合的XSS检测模型。首先利用BiLSTM提取XSS攻击载荷双向序列信息特征,然后引入注意力机制计算不同特征在XSS检测中的权重,最后将加权后的特征向量输入CNN提取局部特征。实验表明BiLSTM-Attention-CNN相比SVM、ADTree、AdaBoost机器学习算法分别提高了9.45%、7.9%和5.5%的准确率,相比单一的CNN、GRU、BiLSTM提高了检测精度,相比BiLSTM-CNN在保持检测精度的同时减短了5.1%收敛时间。     

红色记忆与政党认同——以西藏红色旅游中的大学生旅游者为例

以参与西藏红色旅游的大学生为研究对象,基于情绪唤起与认同理论,应用结构方程模型,构建了国家认同、政党认同的影响模型,分析并讨论了大学生政党认同及认同行为中“红色旅游—情绪唤起—认同—认同行为”的作用路径及影响机制。研究表明,在西藏红色旅游情境下,积极意义的情绪唤起有助于增进大学生的历史认同、国家认同和政党认同,并且历史认同的增强对国家认同和政党认同的增强也具有正向影响作用。在西藏红色旅游中,通过唤起历史记忆和激发情绪,有助于增进大学生对国家和政党的认同感,有助于培养他们的爱国主义精神,不断增强“五个认同”,铸牢中华民族共同体意识。     

“老西藏精神”研究的回顾与前瞻——兼论“老西藏精神”有效融入学习贯彻党的二十大精神的路径

“老西藏精神”是广大党员、干部群众在进军和解放西藏、建设和发展西藏的过程中形成的“特别能吃苦、特别能战斗、特别能忍耐、特别能团结、特别能奉献”的精神,是西藏军民扎根边疆强大的精神支撑和建设边疆伟大的精神指引。我国学者对“老西藏精神”的形成过程、基本内涵和时代价值进行了深入的研究并取得了丰硕的成果。为进一步深化对老西藏精神的研究,应根据时代特征深入挖掘“老西藏精神”在党的“二十大”精神学习贯彻、党史学习教育、党的建设工作中的价值;采取多样的研究方法;加强“老西藏精神”与中国共产党人精神谱系中其他精神的比较研究;打破响应化研究固有模式,谋求常态化研究。     

基于LSTM与注意力结构的肺结节多特征抽取方法

对肺结节的形状特征、边缘特征和内部特征进行准确分类,能够辅助影像科医生的日常诊断工作,提高影像报告的书写效率.针对这一问题,提出一种基于长短时记忆(LSTM)结构与注意力结构的多任务分类模型.该模型通过注意力机制融合各个任务间的共享特征,提高当前任务的特征抽取效果.LSTM结构分类器能够有效地筛选任务间的共享特征,提高模型的信息传递效率.实验表明,相较于传统多任务结构,所提模型在公开数据集LIDC-IDRI上能够取得更好的多特征分类效果,辅助医生快捷地获取肺结节特征信息.     

基于长短时记忆网络的雷达波形设计

针对单准则设计的波形难以满足雷达多工作模式和多任务问题,联合互信息(mutual information,MI)准则和信杂噪比(signal to clutter and noise ratio,SCNR)准则,提出一种基于长短时记忆(long short-term memory,LSTM)网络的雷达波形设计方法.首先...     

二进制无记忆数字信道信息容量与误码率制约关系

从信息容量和误码率的经典定义出发,研究了二进制无记忆数字信道的信息容量与误码率之间的相互制约关系,结果表明信息容量与误码率在一般情形下不具有--对应关系.在非对称信道情形下,信息容量最大并不意味着其误码率最小,但信息容量会随着误码率的减小而增大;在对称信道情形下,不仅可以获得信息容量的最大值,而且可以获得最小误码率.     

基于衰减记忆算法的弹道参数滤波方法

为克服广义卡尔曼滤波发散现象,提出了一种基于衰减记忆算法的弹道参数滤波方法.通过弹道质心运动模型,结合弹道测试数据对弹道参数进行滤波,结果表明,此方法的辨识精度较高,收敛性好.     

基于CEEMD-LSTM光伏短期功率预测

为解决传统机器学习方法在面对多变的环境因素和不平稳序列时导致光伏功率预测精度低的问题,本文提出一种基于完全经验模态分解(Complete Ensemble Empirical Mode Decomposition , CEEMD)和长短期记忆神经网络(Long Short-Term Memory , LSTM)相结合的光伏短期功率预测模型。首先充分考虑影响光伏出力的太阳辐照度,相对湿度,大气压力和空气温度4种环境因素,通过CEEMD将气象因素特征曲线分解为多模态特征数据,准确捕捉其不同的时间尺度和频率特征,进而充分保留环境数据的不平稳特征。在此基础上,利用LSTM网络对多模态特征数据进行时间序列建模,旨在保留时间序列的季节性和不平稳特征,为后续建模提供更准确的输入特征。最后,通过对分解后的信号开展训练,根据输入数据的变化自适应调整预测模型参数,迭代生成特定场景下的预测模型,从而灵活应对实时环境变化,得到相应功率预测结果。本文在海南一孤立海岛分布式光伏电站37kW子阵的8个月气象和功率数据集进行验证,实验结果表明,所提方法在保留环境数据细节和局部特性上具有显著优势,在不同气象条件均具有良好的自适应性,有效提高了光伏短期功率预测精度。     

基于长短时记忆神经网络的潜油电泵故障预警

以潜油电泵机组的运行电流为主要判别依据,将长短时记忆神经网络应用于潜油电泵运行状态预测中,对于特征不明显的故障类型,利用潜油电泵井运行电压、运行电流、功率、油压、井口温度和瞬时流量数据预测下一时刻的电流值,并利用单分类支持向量机模型来预判潜油电泵机组的运行状态,从而实现潜油电泵的故障预警。最后,利用实际生产数据对模型进行验证。结果表明,所提方法预测准确度较高,可将报警时间提前1 h,实现故障的预警及诊断。     

带衰退记忆的非自治非经典扩散方程的吸引子

在空间H¹₀(Ω)×L²_μ(R⁺;H¹₀(Ω))中, 当非线性项f(u,t)次临界增长时,讨论了具有衰退记忆的非自治非经典扩散方程解的长时间动力学行为。当外力项仅满足平移有界而非平移紧时,通过渐近正则估计技术,得到了紧一致吸引子的存在性及其拓扑结构。