软件定义网络下两阶段大象流识别算法

目的 针对数据中心网络(Data Center Network, DCN)中数据流量多导致大象流与老鼠流识别精确度低的问题,提出一种基于软件定义网络(Software Defined Networking, SDN)下两阶段大象流识别算法。方法 将SDN与DCN结合,第一阶段,采用高斯分布动态阈值优化算法,通过对数据包阈值的设定,计算大象流误检率与漏检率,不断优化得到最优阈值,以此识别出可疑大象流;第二阶段,在依据流传输速率与流持续时间精确得到大象流的基础上,提出阈值约束、流量检测机制、Count计数器等三方面改进对大象流识别阈值下限的约束,将网络中大象流的数据量与流持续时间进行周期内阈值计算,提高大象流的识别精确度。结果 实验结果表明：算法与已有相关算法相比,第一阶段可疑大象流平均字节数比网络流平均字节数多11.3%;不同阈值下的算法准确度提高1.7%,不同网络流量下的大象流平均检测时间降低至6 ms以内。结论 软件定义网络下两阶段大象流识别算法在第一阶段具有较强的大象流识别能力,同时算法的精确度有所提高,大象流的平均检测时间降低,提高了网络质量,能为进行网络流量调度策略的进一步研究...     

多时变时滞细胞神经网络的全局指数稳定性

针对一类多时变时滞细胞神经网络,利用Young不等式和Halanay不等式技术,给出了保证平衡点惟一性和全局指数稳定性的几个充分判据.所得到的全局指数稳定判据完全独立于时滞,不要求时变时滞的可微性和神经元激励函数的严格单调性,且通过几个注释说明本文的结果改进和扩展了现有一些文献中的结果.仿真例子证明了本文结果的有效性.     

基于小波神经网络矿山安全的评价模型

煤矿是一个多工序、多环节、生产过程复杂、时空变化大、环境恶劣的生产企业,其安全系统是一典型的非线性系统,对矿山进行安全评价是当前安全管理中的一个重要环节.采用由伸缩和平移因子决定的小波基函数代替Sigmoid等传递函数,选用23项指标作为输入节点,建立矿山安全的小波神经网评价模型,该模型可自动确定网络参数,避免了传统神经网络需要人为干预网络结构参数的不足.实例分析表明,提出的WNN网络的评价绝对误差平均为0.425%,而BP网络评价绝对误差平均为3.1%.这说明,WNN网络泛化能力远好于BP网络,该模型具有重要的应用价值.     

基于优化肌电特征的无声语音信号识别

提出了一种基于遗传算法(GA)和fisher投影的最佳可鉴别基的求解方法.将原始特征向量向着最佳可鉴别基投影可得到具有最佳可分性的新的特征向量.从颧肌和二腹肌前腹的皮肤表面检测无声发出6个汉语元音的表面肌电信号(SEMG),以该肌电信号的AR模型系数、倒谱系数和美尔倒谱系数作为原始特征向量.使用遗传算法找出了原始特征的次优组合,并组成新的特征向量.将GA找出的次优特征向量向着fisher最佳可鉴别基投影可得到最佳鉴别特征向量.最后用改进的BP神经网络作为分类器得到了较好的识别效果.     

短信息在高校信息化建设中的应用

结合当前高校发展的形势和移动通讯中短信业务广泛普及的特点,讨论了在高校信息化建设中引入短信息的意义.从介绍有线校园网络和短信息的优缺点入手,重点介绍了融合短信息功能的高校信息系统的构建,讨论了短信息服务平台在高校信息化建设中的多种应用,提高了高校的信息化水平.     

基于遗传算法的水火弯板工艺参数预报方法研究

以钢板加工时间和铜板收缩率曲线拟合优度作为两个目标函数．建立水火弯板工艺参数优化问题数学模型,并应用权重系数变化法．将问题转化为单目标优化问题．基于分层遗传算法（HGA）,应用三次样条插值、误差分析等方法,将目标函数转化为群体中个体的适应度函数．由加热线条数、相邻加热线之闻距离（加热线间距）和加热线收缩量作为3个约束条件,构造分层遗传算法编码,并且内外层编码在遗传运算时分别采用不同的遗传算子,最终得到钢板水火弯板加工工艺参数预报结果．经算例验证,该方法可以对船体外板作出良好的水火弯板工艺参数预报．     

沥青路面现场微波加热再生模型与实验

为了求解微波加热再生沥青混合料内的温度分布,研究了由于沥青混合料介电常数和比热容是温变参数,从而导致电磁场分布和吸收微波功率的非线性变化.建立了电磁场控制方程和热传递方程耦合的二维非线性热电耦合模型,提出了按微波周期为时间步长交替迭代求解该非线性模型的求解方法.使用了工作频率为2.45 GHz的微波系统,通过连续或间歇辐射加热方式,对不同体积的沥青混合料进行了加热实验.实验结果证实了微波加热再生通过辐射热传递能实现瞬间体积加热,具有快速、加热均匀、保证质量和无污染等特点.     

Neural network structure identification in inflation forecasting

Neural networks (NNs) are appropriate to use in time series analysis under conditions of unfulfilled assumptions, i.e., non‐normality and nonlinearity. The aim of this paper is to propose means of addressing identified shortcomings with the objective of identifying the NN structure for inflation forecasting. The research is based on a theoretical model that includes the characteristics of demand‐pull and cost‐push inflation; i.e., it uses the labor market, financial and external factors, and lagged inflation variables. It is conducted at the aggregate level of euro area countries from January 1999 to January 2017. Based on the estimated 90 feedforward NNs (FNNs) and 450 Jordan NNs (JNNs), which differ in variable parameters (number of iterations, learning rate, initial weight value intervals, number of hidden neurons, and weight value of the context unit), the mean square error (MSE), and the Akaike Information Criterion (AIC) are calculated for two periods: in‐the‐sample and out‐of‐sample. Ranking NNs simultaneously on both periods according to either MSE or AIC does not lead to the selection of the ‘best’ NN because the optimal NN in‐the‐sample, based on MSE and/or AIC criteria, often has high out‐of‐sample values of both indicators. To achieve the best compromise solution, i.e., to select an optimal NN, the preference ranking organization method for enrichment of evaluations (PROMETHEE) is used. Comparing the optimal FNN and JNN, i.e., FNN(4,5,1) and JNN(4,3,1), it is concluded that under approximately equal conditions, fewer hidden layer neurons are required in JNN than in FNN, confirming that JNN is parsimonious compared to FNN. Moreover, JNN has a better forecasting performance than FNN.     

基于注意力机制的GRU神经网络安全态势预测方法

传统的网络安全态势预测方法依赖于历史态势值的准确性,并且各种网络安全因素之间存在相关性和重要程度差异性。针对以上问题,提出一种基于注意力机制的循环门控单元(recurrent gate unit, GRU)编码预测方法,该方法利用GRU神经网络挖掘网络安全态势数据之间的时间相关性;引入注意力机制计算安全指标的分配权重并将其编码为网络安全态势值;利用改进的粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优,以加速GRU神经网络的训练。仿真分析表明,所提方法具有更快的收敛速度和较低的复杂度,并且在不同的预测时长下具有较小的均方误差和平均绝对误差。     

基于特征选取与树状Parzen估计的入侵检测

针对目前网络空间安全形势快速变化带来的新风险和新挑战, 提出一种基于相关性分析的特征选取和树状Parzen估计优化的入侵检测方法。首先, 通过基于相关性分析的数据特征选取方法对数据维度进行压缩。其次, 对原始数据集进行特征筛选, 生成新的特征子集。最终, 使用序列模型优化算法中的树状Parzen估计算法对随机森林算法进行模型优化。实验结果表明, 相比其他应用机器学习算法的入侵检测方法, 所提方法在提升综合性能的同时拥有更高的检测效率, 有效地提升了入侵检测技术的实用性。