基于Sobol-Halton序列ZOA-GWO的WSN覆盖研究
任庆欣;冯锋;针对无线传感器(Wireless Sensor Network)随机部署时产生的节点分布不均，从而导致覆盖率低的问题，提出了一种基于Sobol-Halton序列的斑马优化算法与灰狼优化算法(ZOA-GWO)相结合的WSN覆盖优化方法。首先，利用Sobol-Halton序列随机产生分布节点，其旨在初始化WSN节点时具有更优的随机性，使得随机生成的节点更加均匀，间接提高部署WSN网络时的覆盖率和连通性。其次，将斑马优化算法(ZOA)与灰狼优化算法(GWO)相融合，相比GWO算法，ZOA算法在前期有着更快的迭代速度，局部搜索率更高，而GWO算法在后期迭代速率更快，能够平衡全局搜索能力和局部搜索能力的精度。将融合后的算法分别应用于迭代过程的前期与后期能够确保WSN部署优化的整体性能。最后，用四个基准测试函数分别对GWO、ZOA、ZOA-GWO、S-ZOA-GWO(加入Sobol序列初始化种群的融合算法)、SH-ZOA-GWO(加入Sobol和Halton序列初始化种群的融合算法)进行仿真，并将ZOA的WSN覆盖优化、GWO的WSN覆盖优化、基于Sobol-Halton序列ZOA-GWO的WSN覆盖优化效果进行对比实验，证明了该方法的有效性和先进性。
基于多支路混合掩码的自监督图像去噪算法
王玥乔;李鑫远;近年来，基于深度学习的图像去噪技术取得了较大的进展，然而当图像对难以获取时其将难以发挥优势。自监督图像去噪算法由于仅需要学习噪声图像本身即可实现噪声的消除，已然成为研究热门。鉴于图像中像素信号的空间相关性及噪声信号的空间独立性，基于盲点网络的去噪方法已展现出卓越的去噪效果。然而，当前盲点网络方法在面临噪声相关区域高度相关时，难以有效打破噪声的空间特性。针对这一挑战，提出了一种创新的多支路混合掩码自监督图像去噪方法。该方法通过巧妙组合不同形式的掩码，有效打破了噪声的空间相关性，并借助空间自相似注意力机制，深入挖掘了因掩码遮挡而缺失的细节信息。实验结果表明，该方法在处理高相关性噪声时展现出了出色的恢复性能。同时，得益于多支路融合与空间自相似注意力的运用，该方法在细节恢复方面相较于当前最先进的方法也表现出更为优越的效果。
基于改进PSENet的西夏文检测研究
于海庆;郑廷帅;史伟;由于西夏文字形独特，结构复杂，笔画繁多，且西夏古籍存在缺字、狐斑、褪变等问题，现有的文字检测模型无法精确检测文字的位置。因此，在综合分析当前主流研究的基础上，该文提出了一种基于改进PSENet网络模型的西夏文检测方法。首先，通过PSA替代ResNet的bottleneck中的3×3卷积，组成了EPSANet,其可以有效地提取更细粒度的多尺度空间信息；其次，提出一种自适应注意力模块(AAM)来减少特征图生成过程中的信息丢失；最后，引入了注意特征融合模块(AFF),更好地融合了具有不一致语义和尺度的特征。实验结果表明，在西夏文数据集文本检测任务中，对比标准的PSENet模型，改进模型的精确率和F1-score分别提升了3.9百分点和3.4百分点。与其他主流模型相比较都有较明显的提升，证明了该方法的有效性。
基于FM-MobileViT网络的拓片甲骨文字识别
李子含;屈乐达;刘思源;甲骨文是汉字的源头和中华优秀传统文化的根脉。由于甲骨文拓片为人工雕刻且深埋地下，存在样本分布不均、噪声严重等问题，导致识别精度不高。针对以上问题，提出一种基于FM-MobileViT(Fusion and Attention Mechanism MobileViT)网络的甲骨文字识别方法。首先，对数据集中图像进行锐化预处理操作，使目标边缘更清晰明显；并对数据数量过少的字符类别对应图像采用随机旋转、随机错切等方式进行数据增强，提升了数据集的质量，丰富了样本数据。其次，设计融合模块，构建跳转连接结构，将深浅层特征融合，使提取到的特征图能够融合浅层特征和语义特征；并在融合模块中引入CBAM注意力机制，使融合操作更有指向性、目的性，增强模型特征提取的能力。通过消融实验和对比实验表明，FM-MobileViT模型识别准确率达到92.3%,比MobileViT提升了1.7百分点，同时FPS达到30 107。相比于同类型的网络结构，FM-MobileViT不仅有更高的准确率，而且取得了精度与速度的权衡。
基于数据演进的智能系统试验环境体系架构设计
杜静;邓锦洲;王义晶;毛腾蛟;智能试验系统是当前推动智能技术和系统发展的重要测试验证平台。智能试验系统在资源种类、数据处理、交互机制、任务控制等方面存在多样性和复杂性，使得传统的架构技术无法解决智能试验系统体系设计带来的新问题。提出并设计一套科学合理的体系架构，已经成为开展智能试验系统建设的迫切需要。深入研究了智能试验环境生成中迫切需要解决的架构问题，重点实现两方面突破：一是如何紧跟智能技术发展，构建智能系统试验的能力需求模型，回答试验环境“要什么”的问题；二是如何以数据资源建设利用为主线，设计基于数据服务的演进式试验环境体系架构，满足扩展性、高效性、灵活性、博弈性、学习性、可控性等智能系统试验环境设计需求。该研究成果为智能系统试验测试领域的顶层架构设计研究提供了指导思路，对智能试验系统建设具有重要的借鉴和指导作用。
基于模态注意力与知识库比对的招标文件编制方法
侯继辉;吴小忠;郑浩;夏卓群;唐海东;王欣;多模态自适应权重注意力命名实体识别与知识库比对的招标编制方法随着人工智能的发展，招投标业务中引入了大量的智能化手段。招标文件编制作为招投标业务中的重要流程，编制结果的准确性和编制速率的高效性需要更好的保障。传统招标文件编制中存在的文件编制过程复杂、耗时较长和人为编制的偶然错误问题，降低了文件编制的效率甚至影响了招标业务的流畅性。为此提出了基于多模态自适应权重注意力机制的命名实体识别(MMAWA-NER)提取与知识库比对的招标文件编制方法。首先以人工分析的形式将历史招标文件按照文章条目分为各个模块，每个模块使用包含了固定的条款信息并存入结构化标准库中；在文件编制阶段，根据标准库当中的模块内容生成标准化文件，编制人员随后填写关键信息；在编制完成后，将需校验的招标文件通过MMAWA-NER抽取关键信息与领域知识库进行对比，并返回评估结果给编制人员；最后使用了历史招标文件处理后的知识库数据生成新的招标文件数据集进行评估，并对比了其他模型的方法，实验证明该模型实现了80%的编制效率和20%的准确率提升。
设计模式检测的映射机制分类研究
肖卓宇;陈果;徐运标;针对传统设计模式检测领域多关注结构型设计模式，而缺乏对行为型设计模式、创建型设计模式，及设计模式演化后的设计模式共享实例和设计模式变体检测的问题，为提升设计模式检测精确率，提出一种设计模式映射机制分类检测方法。以结构型Bridge设计模式、行为型Observer设计模式和创建型Factory method设计模式为例，分类进行多阶段的设计模式参与者映射机制描述。引入设计模式子结构，通过Transverse、Merging、Mapping操作对设计模式参与者映射机制进行约束，分阶段融合设计模式参与者候选子结构，进而形成设计模式候选者实例，提出一种设计模式映射机制算法DP＿Mapping,构建了设计模式检测映射框架。以QuickUML2001、Junit、JRefactory、JHotDraw四种主流基准系统为实验平台，通过结构型Bridge和Adpater设计模式，行为型Observer和Command设计模式，及创建型Factory method和Singleton设计模式为对象，设计了两阶段的设计模式分类检测和设计模式共享实例检测实验。实验结果说明，该方案取得了较好的设计模式检测效果。
一种面向分布式卫星网络的安全可靠通信方案
顾俊;赵泓光;胡玉军;杨旭;齐赛宇;齐勇;卫星网络在现代通信和导航中具有至关重要的作用。然而，传统的中心化卫星网络易受到单点故障的影响，降低系统的可用性和可拓展性。为此，该文提出了一种面向分布式卫星网络的安全、可靠卫星数据通信方案。为了实现高效的权限管理，首先引入WKD-IBE技术，设计了支持细粒度的分布式密钥生成、分发与权限撤销的密钥管理机制。相较于以往由中心化的服务器管理密钥，该密钥管理机制支持任何合法订阅者在其租期内为其他订阅者授予对资源的访问权限。在此基础上，基于密钥复用思想，设计了一种安全、轻量的两步广播加密算法，在保证数据私密性的前提下降低了卫星节点的计算开销。为了提升系统的可用性，降低节点失效对系统的影响，该文基于拜占庭容错共识协议，设计了一种故障检测与恢复机制。实验结果表明，设计的方案在低带宽分布式卫星网络场景下，具有较低的计算开销与通信开销。
适用于UTXO模型定长存储的轻节点研究
刘蕊嘉;李敏;当前基于UTXO的区块链要求节点保留整个不断增长的UTXO集以验证交易，这对存储资源受限的设备构成了挑战，使网络趋向集中化。无状态区块链技术能通过累加器将庞大的UTXO集合组合成一个短且恒定大小的承诺，但交易处理中动态删除集合元素所需的计算开销巨大，且部分轻节点不支持提交交易功能。该文提出了一种适用于UTXO模型的定长存储的轻节点，该轻节点在恒定存储容量的条件下既能验证交易的合法性，也能提交交易。该方案使用了仅支持元素添加操作的两个数据结构替代UTXO集合：STXO集合和TXO集合。有效的UTXO属于TXO集合但不在STXO集合内。通过RSA累加器和MMR分别构建新的STXO承诺和TXO承诺。轻节点只需保存最新的块承诺并与全节点交互，在降低存储开销的同时实现交易的合法性验证和提交。评估结果表明：轻节点能定长存储；轻节点仅需较低的计算负载即可实现交易验证；全节点在承诺更新过程展现了优化的性能。
基于改进的GAN与DL融合的入侵检测方法
李柄军;陈帅良;段晓英;康凯;在基于深度学习的入侵检测系统中，数据不平衡问题显著影响模型的准确性，导致其在识别少数类攻击样本时表现不佳。为了解决这一问题，该文提出了一种改进的生成对抗网络(GAN)、卷积神经网络(CNN)和双向长短期记忆网络(Bi-LSTM)融合的IGAN-CLSTM方法。具体而言，首先通过优化的GAN方法增强异常(攻击)样本的数量，从而平衡数据分布，提升模型的泛化能力；接着，结合CNN在空间特征提取和Bi-LSTM在序列数据处理方面的优势，进行复杂攻击模式的深度特征学习与时序建模，显著提高了模型的识别能力；最后，通过全连接网络(FCN)进行分类。为验证该方法的有效性，在UNSW-NB15和CSE-CIC-IDS2018两个大规模数据集上进行了消融实验，结果表明，在保持相同深度学习模型参数和规模的前提下，该方法在准确率、精确度等多个评估指标上均优于其它模型，尤其在多分类任务中的少数类上有了显著提升，展示了其在实时入侵检测中的潜力和应用价值，也为未来网络安全领域的进一步探索提供了有力的支持和参考。
友情链接
网站访问量
友情链接
