基于改进循环生成对抗网络的低照度图像增强

为了解决在低照度图像增强过程中配对数据集获取困难,且经过增强后的图像质量不佳的问题,通过改进循环生成对抗网络的方法研究了非配对低照度图像增强的实现。主要方法为改进生成器和判别器的结构提高增强后图像的质量。生成器部分采用融合了Vision Transformer结构的U-NET模型替代原始的生成器模型,来提高图像变换的周期一致性和内容保持性,并有效的处理图像研究中普遍存在的长距离空间相关性的问题。判别器部分针对图像研究的特点选择PatchGAN代替传统的判别器,提高对图像细节的判别能力,提高图像质量。结果表明,相比较于传统方法,本文改进的模型有着更好的主观视觉效果,同时在客观评价指标也有着相应的提高。可见本文改进模型的有效性。     

一种离散随机Petri网的性能计算和分析方法

为了有效地计算离散事件动态系统Petri网模型的时间性能,用一种离散扩展随机Petri网建立系统的性能模型,采用基于T-组件网的化简技术,结合等效延迟时间和概率分布不变的计算方法,求解和分析Petri模型的时间性能参数.实验结果表明,变迁不仅可以被赋予任意的延迟时间和概率分布,而且计算结果也具有很高的精度,为离散事件动态系统的建模和性能计算与分析提供了一种有效的数值化计算方法.     

神经网络在无线隐蔽通信中的应用

无线通信技术已经应用到社会人、机、物等多种元素中,承载着包含多种隐私数据的无线信号。无线传输信道的开放性使其安全性受到了不断的挑战,无线隐蔽通信技术在实现了通信意图安全的同时保证了信息安全和通信路径安全。该文介绍了无线隐蔽通信系统的经典模型,并总结、归纳了传统方法下的隐蔽性能分析和隐蔽系统设计;介绍了利用对抗神经网络解决不同隐蔽通信场景下的干扰设计、中继功率分配和可重构智能表面设计等问题;以利用公开信号作为掩体的隐蔽通信场景为例,介绍了一种利用生成对抗网络生成有限长隐蔽信号的方案,并进一步给出应用该网络设计全双工接收机的干扰信号;探讨了神经网络方法在中继隐蔽通信、非正交多址接入(NOMA)下的隐蔽通信,瑞丽衰落下的隐蔽通信,干扰辅助的隐蔽通信场景下的应用前景以及进一步的研究方向。     

基于效用的云计算容错策略和模型

云计算近年来已成为一种被广泛接受的计算模式.随着云计算在商业、交通、卫生等领域应用的不断推进,云应用系统的可靠性问题引起了人们的特别关注.然而,云应用系统的结构和行为特征复杂,如何保障系统的可靠性是一项极具挑战性的课题.本文研究云计算的容错模型和策略,通过构建可扩展的云计算容错模型,以刻画云计算的运行机理、组件故障行为、云应用间合作和竞争特性.依据云计算的故障及资源服务特征,提出云计算的故障迁移和恢复方案.围绕容错涉及的时间和价格,依次计算云计算组件和云应用的效用,进一步分析各云应用的利益.通过求解模型的Nash均衡,以优化整体云计算的容错效用.最后,利用模型检查技术验证容错模型和容错处理的正确性.本文研究对于揭示云计算的结构和行为特征、建立云计算容错设计理论、提高云计算容错的效用具有理论意义和应用价值.     

大坝混凝土施工过程赋时Petri网络模拟方法

赋时Petri网络模拟方法是通过应用赋时Petri网的基本理论对施工系统进行建模，描述模型中资源等施工参数随施工进度的变化，其网络模型能够较好地描述实际施工系统的动态变化情况。系统分析大坝混凝土施工过程及其程序，建立了基于赋时Petri网络的施工过程模拟模型以及可行施工方案的多目标决策模型。实例分析说明了建模方法、仿真模型和决策模型是有效的、可行的。     

基于FTCPN的工作流模型简化规则与线性推理研究

分布式协同工作流系统的建模和时间性能计算是工作流的一个重要研究内容.针对传统的Petri网不能对工作流系统的不同事件和事件的时间性能进行分析和优化的问题,给出了模糊时间着色Petri网(Fuzzy-timing colored Petri Net, FTCPN)的形式化定义,并给出了基于FTCPN的工作流网四种基本组件模型的简化规则及其线性推理.最后,以汽车车身的协同概念设计流程为例,对提出的方法进行了应用和验证.研究表明:模糊时间着色Petri网能全面描述复杂工作流系统的不确定性时间信息和不同事例的工作状态,对丰富分布式工作流系统的建模理论具有一定的参考价值.     

基于特征增强的对抗哈希跨模态检索

在跨模态检索任务中,哈希方法由于其检索效率高效、储存成本低廉而被广泛应用。但是,这些方法很少关注如何去弥补主体网络将高维特征转换为哈希码的过程中所丢失的特征信息。为解决这些问题,本文提出了一种特征增强对抗跨模态哈希(Feature Boosting Adversarial Hashing for Cross-Modal, FBAH)方法。FBAH方法将子空间学习与对抗学习相结合,来减少不同模态数据的差异性。另外,构造一种类残差模块,它可以将筛选出具有区别性的特征绕过主体网络直接输入到哈希空间进行特征增强。这样,生成的哈希码能够具有更多的原始特征信息。最后,通过带有分支网络的线性分类器在标签空间进行两种方式的预测,并最小化与真实标签的差距来保证语义的不变性。本文选择两个跨模态检索任务中常用的大型数据集进行大量实验,结果表明FBAH方法的性能优于目前7种较为先进的跨模态哈希方法。     

二分类判别网络的对抗样本检测

在原始图像数据集中,添加特殊的细微扰动能形成对抗样本,经这类样本攻击的深度神经网络等模型可能以高置信度给出错误输出,然而当前大部分检测对抗样本的方法有许多前提条件,限制了其检测能力.针对这一问题,该文提出一个二分类判别网络模型,通过多层卷积神经网络来提取样本数据的主要特征;应用特殊的判别目标函数,结合不同程度的噪声数据...     

基于生成对抗网络的异质信息网络表征学习

鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型—— 基于生成对抗网络的异质网络表征学习(heterogeneous network representation learning based on generative adversarial netwo...     

基于局部对抗训练的命名实体识别方法研究

命名实体识别研究中,数据集内普遍存在实体与非实体,实体内部类别间边界样本混淆的问题,极大地影响了命名实体识别方法的性能.提出以BiLSTM-CRF为基线模型,结合困难样本筛选与目标攻击对抗训练的命名实体识别方法.该方法筛选出包含大量边界样本的困难样本,利用边界样本易被扰动偏离正确类别的特性,采用按照混淆矩阵错误概率分布的目标攻击方法,生成对抗样本用于对抗训练,增强模型对混淆边界样本的识别能力.为验证该方法的优越性,设计非目标攻击方式的全局、局部对抗训练方法与目标攻击全局对抗训练方法作为对比实验.实验结果表明,该方法提高了对抗样本质量,保留了对抗训练的优势,在JNLPBA、MalwareTextDB、Drugbank三个数据集上F1值分别提升1.34%、6.03%、3.65%.