课程文献中心 更多>>

关键词： 聚类神经网络   预分类处理   聚类度   异常信号识别  

摘要： 为了提高光纤网络节点异常的识别准确率与识别速度,提出了一种基于聚类神经网络的节点异常识别算法。通过聚类计算完成输入数据的预分类,解决传统分类识别算法容易陷入局部最优的问题。将预分类后的测试数据分组作为输入层,并将聚类权值和聚类度作为隐藏层的加权系数,提高异常信号的识别度。实验对光纤网络中64个FBG节点进行测试,分别采用温度递变、重物撞击及周期振动模拟异常信号。对比实验结果显示,三种异常信号均存在的混叠条件下,本算法的识别准确率为80.3%、92.8%和91.6%,比不进行预分类的神经网络算法提升了约20%。在四种测试情况下,本算法的测试结果最优。对相同数据量测试时,本算法的速度仅为SVM算法的1/2,验证了本算法具有更好的时效性。

关键词： 生理信号   残差神经网络   深度学习   特征提取  

摘要： 对一种基于深度学习的肌肉电信号进行监测实验,共招募14名在校女大学生做肌电和心电两部分数据采集。首先,利用db小波对采集的肌电信号做两次小波变换,完成数据降噪;其次,通过快速傅里叶变换做数据过滤,然后进行时域和频域分析;最后,利用残差神经网络搭建数据处理模型,其中ResNet模型引入残差模块,能够有效地消除由于模型层数增加而导致的梯度弥散或梯度爆炸问题,提取肌肉收紧和放松状态时的数值特征。监测实验的数据处理结果显示:测试集识别准确率最终趋于0.766,训练集识别准确率最终趋于0.831,具有较高的准确率。

关键词： 神经网络   电力系统   故障预测   继电保护  

摘要： 本文研究了基于神经网络的电力系统故障预测与继电保护策略,从深度学习的特征提取、时序建模和动态优化能力出发,系统分析了其在电力信号处理中的应用原理和实践方法。通过卷积网络实现高维信号特征提取,递归网络捕捉时间依赖关系,注意力机制强化关键特征建模,神经网络显著提升了故障预测的准确性和继电保护的智能化水平。针对不同场景,本文探讨了电流保护、距离保护和差动保护的神经网络实现方式,结合具体应用案例展现了其动态适应与鲁棒性优势。研究表明,神经网络技术在复杂电力系统中具有广泛的应用潜力,可为系统的安全性与稳定性提供重要技术支撑。

关键词： 深度学习   网络流量异常检测   数据处理   模型解释性  

摘要： 文章全面阐述了基于深度学习的网络流量异常检测技术的现状,深入剖析了面临的挑战,并针对性地提出了应对策略。通过对该技术在网络安全领域的重要性及应用情况的研究,为提升网络安全防护水平提供了有力支持。

关键词： 慢性荨麻疹   固本抗敏方   网络药理学   分子对接   作用机制  

摘要： 目的基于网络药理学和分子对接的方法预测固本抗敏方治疗慢性荨麻疹的靶点及相关信号通路,探讨其治疗慢性荨麻疹的作用机制。方法通过中医药生物信息分析网站(TCMSP,BATMAN-TCM,贝尔斯坦数据库,CNPD)并查阅文献,筛查和预测固本抗敏方有效成分,与Drugbank收集的慢性荨麻疹小分子药物计算化学描述符进行比较,通过“rule of five”筛选类药性成分,并进一步与慢性荨麻疹小分子药物的功效进行主成分分析,得到潜在活性成分及其靶点;检索GeneCards和OMIM疾病数据库获取慢性荨麻疹疾病靶点,与潜在活性成分靶点通过映射取交集,作为固本抗敏方治疗慢性荨麻疹的作用靶标,并进行GO和KEGG通路富集分析;同时将作用靶标导入STRING数据库,对靶标间的相互作用进行分析,分析结果导入Cytoscape软件进行MCODE聚类和网络括扑性质分析,得到核心靶标,将核心靶标导入BioGPS数据库,分析核心靶标在皮肤和淋巴结以及CD4+T细胞和CD8+T细胞中的表达丰度,同时对核心靶标进行KEGG通路富集分析。结果检索得到固本抗敏方成分1124个和有关慢性荨麻疹西药小分子药物25种;类药性和主成分分析筛选出潜在活性成分349个,预测得到90个作用靶点;MCODE聚类和网络括扑性质分析得到HIF1A、IL6、MAPK3等10个等核心靶标,这些核心靶标在皮肤、淋巴结、CD4+T细胞、CD8+T细胞均有表达,且与炎症反应等多个生物过程、分子组成和细胞功能有关,其中包含HIF-1信号通路、TNF信号通路、Th17细胞分化、PI3K-Akt等多条信号通路。分子对接结果表明去氧紫草素、yinyanghuoA和9alpha-hydroxyfraxinellone-9-o-beta-d-glucosid等活性成分通过INS、MAPK3、JAK2等靶标调控GBKMF治疗银屑病的治疗机制。结论固本抗敏方治疗慢性荨麻疹具有多成分-多靶点-多通路特点,其作用机制可能与HIF-1信号通路、TNF信号通路、Th17细胞分化、PI3K-Akt等信号通路有关。

关键词： 表情识别   卷积神经网络   轻量化模型   残差学习  

摘要： 为提高基于图像特征点的面部表情识别算法精度,解决深度卷积神经网络体积过大、参数过多而导致运行缓慢等问题,提出了一种基于残差学习的卷积神经网络算法。该算法将深度可分离卷积和对特征提取进行解耦,使用全局平均池化代替全连接层,从而进一步减少参数,并将改进轻量化模型最终架构权重存储在855 kB的文件中。最后,对改进的网络模型在FER2013数据集中进行评估。测试结果表明,改进轻量化模型的识别准确率为68%,有效解决了原有算法匹配精度低的问题。

关键词： 符号网络划分   启发式   变邻域搜索   强化学习  

摘要： 给定一个无向图,符号网络划分问题(signed graph partitioning problem,SGPP)是将节点集合划分为K(K≥2)个互不相交的非空分组,旨在最小化所有位于分组内的负符号边权重之和加上位于分组之间的正符号边权重之和,使网络划分结构尽量趋于平衡。SGPP是NP难问题,在计算机视觉、社交网络分析、生物信息学等实际领域中具有重要应用。但大数据时代的到来给求解大规模SGPP带来一定的挑战。因此,设计新颖且高效的学习驱动型扩展变邻域搜索算法(learning driven extended variable neighborhood search,LDEVNS)来求解SGPP。具体来说,该算法设计全新的快速增量更新策略以及高效的扩展变邻域搜索,同时结合强化学习机制来调整算法搜索过程中的前进方向,进一步探索更有希望的解空间区域来找到更高质量的求解方案。实验部分使用15组大规模社交网络图来评估LDEVNS的高性能,实验结果显示,LDEVNS在求解质量和计算时间方面相较于当前表现最佳的算法具有显著优势,同时也验证了强化学习在LDEVNS中的有效性。

关键词： 人群计数   多尺度特征融合   注意力机制   神经网络   密度图  

摘要： 为了应对人群图像中尺度变化和背景干扰的问题,提出一种人群计数网络模型,旨在充分利用多尺度信息并降低背景噪声的影响。首先采用ConvNeXt作为主干网络,用于提取特征。其次为了有效融合不同层次的特征,提出多层次特征融合模块(MFFM),将主干网络中不同层次的特征进行跨尺度融合,融合后的特征包含了不同尺度的语义信息,可以更好地适应人群计数任务中的尺度变化问题。接着为了更好地解决人群计数中存在的挑战,设计一个多尺度注意力模块(MSAM),根据不同感受野的分支提取不同尺度的特征,利用选择性Kernel通道注意力(SKCA)缓解多列结构存在的特征相似问题,并将模块生成的注意力图反馈到对应的尺度特征中,以抑制背景的干扰。网络模型在ShanghaiTechA数据集中的平均绝对误差(MAE)和均方根误差(RMSE)分别达到了56.1和93.9;在ShanghaiTechB数据集中的MAE和RMSE分别达到了6.1和10.3;在UCF_CC_50数据集中的MAE和RMSE分别达到了174.9和252.7;在Mall数据集中的MAE和RMSE分别达到了1.42和1.85。在公开数据集上的实验结果表明,提出的网络模型与现有代表性的人群计数方法相比,在提升人群计数任务的准确性和鲁棒性方面均取得了明显进展。

关键词： 小目标检测   特征金字塔网络   注意力机制   特征融合  

摘要： 小目标在图像中占有很少的像素,导致目标严重缺乏特征信息,小目标检测是目标检测的一大挑战。为解决这一问题,设计一种面向小目标检测的自适应多维度特征融合网络(AMDFF-Net)算法以提高小目标检测的准确率。首先,整合池化层和注意力机制,构建池化注意力模块,使模型获得更大的接受域以实现自我注意中的自适应和长程相关性;其次,设计自适应选择多维度特征融合模块(ASMFF),并基于ASMFF模块设计自适应多维度特征金字塔网络,自适应融合不同尺度的图像特征,强化小目标的信息。为了验证模型的性能和泛用性,分别在VisDrone2019数据集、AI-TOD数据集以及TinyPerson数据集上进行实验,实验结果表明,AMDFF-Net提高了小目标检测的精度,通过与其他主流算法对比,验证了本文模型在小目标检测方面的有效性。

关键词： 校园网络   注意力机制   损失函数   异常流量   入侵检测  

摘要： 由于网络环境、时间等因素的变化,导致流量数据长度和模式不断调整,网络流量呈现出动态性与不均衡性。以上特性使异常流量与正常流量之间的界限变得模糊,增加了异常流量入侵检测的复杂度。为进一步提升校园网络的安全性和稳定性,及时、准确发现网络入侵并制定有效的防御策略,提出校园网络异常流量入侵检测算法。针对网络流量的动态性与不均衡性,引入注意力机制与损失函数,基于Resnet50结构,构建出网络异常流量入侵检测算法。在搭建的仿真平台上开展试验,所得的流量PCA可视化结果、损失函数和ROC曲线变化显示,所提算法能够成功分离出流量中的异常点,其较快的收敛速度可以进一步提升检测的准确性,具备有效、精准的入侵检测能力,且泛化能力和稳定性也更优秀,能够为校园网络防护提供支持。