课程文献中心 更多>>

关键词： 空气污染物预测   卷积神经网络   双向长短时记忆网络   注意力机制   粒子群  

摘要： 为了更好地预测未来一段时间内空气中污染物的含量,提高预测精度,减小误差,提出了一种基于一维卷积神经网络(CNN),和双向长短时记忆网络(BiLSTM)结合了注意力机制(AT)和粒子群优化(PSO)的CNN-BiLSTM-ATPSO空气污染物预测模型。一维卷积用于学习局部特征趋势,BiLSTM用于捕获时间序列之间的依赖关系,据此设计CNN-BiLSTM时间预测模型,并结合注意力机制和粒子群两种深度学习算法,进一步对模型进行改进。通过与LSTM-Attention模型和BiLSTM-Attention模型进行对比,通过比较评估指标平均绝对误差(MAE)和均方根误差(RMSE),得出结论,CNN-BiLSTM-ATPSO模型在预测精度方面具有显著优势。

关键词： 知识追踪   异构图神经网络   异构互注意力机制   特征拼接   时间卷积网络  

摘要： 知识追踪任务旨在通过建模学生历史学习序列追踪学生认知水平,进而预测学生未来的答题表现.该文提出一个融合异构图神经网络的时间卷积知识追踪模型(Temporal Convolutional Knowledge Tracing Model with Heterogeneous Graph Neural Network,HG-TCKT),将知识追踪任务重述为基于异构图神经网络的时序边分类问题.具体来说,首先将学习记录构建成包含3种节点类型(学生,习题和技能),2种边类型(学生-习题和习题-技能)的异构图数据,异构图描述了学生交互记录中实体类型之间的丰富关系,使用异构图神经网络缓解交互稀疏的问题,引入异构互注意力机制捕捉不同类型节点间的交互关系,提取不同类型节点的高阶特征.将学生节点和习题节点表征拼接,构造边(学生-习题)的表征.最后,使用时间卷积网络捕捉学生历史交互序列的时序依赖关系从而进行预测.在2个真实教育数据集进行实验证明,HG-TCKT相比当前主流知识追踪方法有更好的预测效果.

关键词： 网络法治   依法治网   法治轨道   国际互联网   全功能   跨越式发展   发展历程   成就与经验  

摘要： 2024年是中国全功能接入国际互联网30周年,也是中国网络法治建设起步30周年。30年来,我国互联网经历从无到有、从小到大、由大渐强,实现跨越式发展,为网络法治建设提供了坚实的实践基础。30年的互联网发展历程,也是中国持续推进依法治网、推动互联网在法治轨道上健康运行的历程.

关键词： 动态优化   增量极限学习机   前馈神经网络   粒子群优化  

摘要： 在动态优化问题(DOP)中环境的变化可描述为不同类型的动态,动态优化算法(DOA)对环境的适应性十分重要。此外,DOA的局部和全局多样性损失是导致其开发和勘探能力下降的主因之一。在动态环境中保持局部和全局多样性可有效避免多样性损失。为此,提出一种基于搜索引导网络的粒子群优化算法(SGNPSO),每个输入粒子基于SGN隐藏层选择学习目标,在输出层调整其加速系数,从而引导粒子的搜索。SGN属于单隐层径向基神经网络,每个隐藏节点由其中心和半径组成。设置多个相互远离的隐藏节点中心,即子群中心,从而获得多个子群。每个粒子从其所属子群不同个体历史最优位置中选择局部学习目标,从相互远离的多个子群中心中选取全局学习目标,有助于种群的局部和全局多样性保持。SGN以强化学习方式来获得输入粒子的期望输出,并通过极限学习来预训练网络。设计节点的重要性和拥挤度指标,以获取紧凑网络结构,并增量学习保证网络拟合能力。无论环境如何变化,所提方法都能够通过学习来适应不同的环境,以引导粒子的搜索,从而有效处理不同动态的DOP。在MPB和DRPBG标准测试组件上和五种主流DOA开展对比实验,结果表明,SGN-PSO在求解多种动态的DOP上取得了显著的表现提升。

关键词： 航班着陆调度   时间窗约束   动态规划   遗传算法   粒子群算法  

摘要： 航空运输需求持续增长与枢纽终端区空域资源紧张的情况日益凸显,本文提出了一种限界优化的动态规划方法(Dynamic programming approach to limit optimization,DPALO)求解终端区航班着陆调度问题(Arrived landing problem,ALP)。首先建立了时间窗约束的航班着陆调度的离散化数学模型,推导了固定顺序下求解ALP的递推公式,并结合ALP问题特点,限界优化航班时间窗,并证明了所提方法不影响模型最优值的求解。其次,运用精英遗传算法、粒子群算法、线性循环交换和线性循环插空等方法调整航班序列,以期求得较优解。最后在OR‑Library数据集进行验证,实验结果表明,采用精英遗传算法调整航班着陆序列,DPALO的计算结果优于已知最优解(Best known values,BKV)、仿生算法(Bionic algorithm,BA)和位移决策算法(Displacement decision algorthm,DDA),与细胞自动机优化方法(Cellular automaton optimization,CAO)、紧致子序列算法(Compact subsequence algorithm,CSA)和滚动时域‑混合粒子群优化‑局部搜索算法(Rolling horizon framework hybrid particle swarm optimization local search algorithm,RH‑HPSO‑LS)的结果相近;DPALO的时间效率在小样本数据集上时间效率达到毫秒级,在大样本数据集上相较于CSA、CAO和RH‑HPSO‑LS分别提升了76.88%、89.11%和78.28%。

关键词： 人才培养   实践教学   网络工程   应用转型  

摘要： 随着我国高等教育的不断深化,为适应社会对新型人才的需求,普通本科院校加快应用转型,以培养应用型、复合型和创新型人才为目标。网络工程作为基础专业,主要培养网络规划设计、建设管理、运维优化和安全防护的应用型专业技术人才。以地方高校网络工程专业应用转型为例,从实践教学体系、毕业和专业实习、师资短缺三方面分析,并给出对应的建设性意见。

关键词： 网络安全   人工智能   入侵检测系统  

摘要： 随着网络攻击的日益复杂化,传统的网络安全机制已难以应对新兴的威胁。本研究针对网络入侵检测与防御问题,提出了一种基于人工智能的解决方案。首先,我们通过对现有网络安全技术的分析,确定了人工智能在提高检测效率和准确性方面的潜力。随后,设计并实施了一个融合了多种机器学习算法的网络入侵检测系统。系统利用深度学习和模式识别技术,能够有效识别和分类网络攻击行为。通过实验验证,我们的系统在多种网络环境中显示出高效的检测能力和较低的误报率。此外,我们还探讨了系统在真实网络攻击场景下的应用,验证了其在实际环境中的有效性。

关键词： 矩阵分解   向量优化   图卷积神经网络   相似度矩阵   链路预测   高阶近邻  

摘要： 对于无标签网络,由于基于图神经网络的链路预测方法使用其高效建模机制进行链路预测任务时性能较差,因此,提出了一种近似图神经网络框架的无监督链路预测算法(ALIP),旨在模拟图神经网络算法的高效建模机制和学习过程,解决网络节点标签缺失导致的建模不充分问题。首先,参照GCN的输入层,融合网络的结构信息和节点属性;其次,使用矩阵分解替代GCN的隐藏层,模拟正向传播;再次,借鉴恒等映射和高阶近邻的思想实现向量转化和模型优化,从而得出网络节点表示向量,该过程模拟GCN的反向传播;最后,计算相似度矩阵,进行链路预测任务性能评测。在Citeseer数据集、DBLP数据集和Cora数据集上的实验结果表明:所提ALIP算法AUC值最高为98.01%,其性能优于其他23种链路预测算法,证明了该算法的有效性和可行性,同时也为无标签的复杂网络链路预测任务提供了一种新的解决方案。

关键词： 标点恢复   自然语言处理   预训练模型   Transformer结构   分层预测  

摘要： 标点恢复又称标点预测,是指对一段没有标点的文本添加合适的标点,以提高文本的可读性,是一项经典的自然语言处理任务。随着预训练模型的发展和标点恢复研究的深入,标点恢复任务的性能在不断提升。然而,基于Transformer结构的预训练模型在提取长序列输入的局部信息方面存在局限性,不利于最终标点符号的预测。此外,以往的研究将标点标签视为要预测的符号,忽略了不同标点的场景属性和标点间的关系。为了解决这些问题,引入移动平均门控注意力(MEGA)网络作为辅助模块,以增强模型对局部信息的提取能力。同时,构建分层预测模块,充分利用不同标点符号的场景属性和标点间的关系进行最终的分类。使用多种基于Transformer结构的预训练模型在不同语言的数据集上进行实验,在英文标点数据集IWSLT上的实验结果表明,在多数预训练模型上应用MEGA模块和分层预测模块都能获得性能增益,使用DeBERTaV3 xlarge在IWSLT的REF测试集上的F1值达到85.5%,相比于基线提升了1.2个百分点。此外,在中文标点数据集的实验中也取得较高的精度。

关键词： 电力负荷预测   低电压预测   深度学习   CNN-LSTM-GNN混合模型  

摘要： 提出了一种基于CNN-LSTM-GNN混合模型的10 kV台区低电压中长期预测方法。首先,对云南地区的电力负荷数据进行分析,考虑了季节性变化、温度变化、社会安全事件及线路配置等因素对负荷预测的影响。随后,构建了一种结合卷积神经网络(CNN)、长短期记忆网络(LSTM)和图神经网络(GNN)的深度学习模型,用于提高电力负荷及低电压预测的准确性。通过实验分析,模型在电力负荷预测及台区低电压治理决策支持方面显示出了良好的性能。特别是考虑到各类影响因素后,混合模型相较于传统方法在预测准确度与效率方面都有明显提高,其预测结果符合实际工程需求,说明了该方法的实用价值。本研究最后通过与其他技术的比较分析,进一步验证了所提方法的优越性。