大数据环境下的网络空间安全威胁分析与应对策略

大数据环境下的网络空间面临着严峻的安全威胁。分析了大环境环境下四种典型的网络空间安全风险,分别是个人隐私信息泄露风险凸显、高级可持续威胁危害国家安全、工业互联网安全形势严峻、电子政务安全风险突出等,然后从四个方面提出了大数据环境下网络空间安全威胁的应对策略。     

基于改进BUS算法的焦虑抑郁障碍因素挖掘

针对焦虑抑郁患者的早期预防和诊断需求,将关联规则挖掘和压缩方法应用于焦虑抑郁障碍因素的研究,在病人数据中挖掘出与焦虑抑郁障碍相关性较高的因素集合。单独使用频繁项集挖掘算法会产生过多的频繁项集和关联规则,导致其实用性大为降低。对收集的病人数据进行预处理,采用FP-growth算法,挖掘出预处理后数据中的频繁项集,采用最新改进Bottom-Up Summarization（BUS）算法,对挖掘出的频繁项集进行压缩。同时将最后得到的关联规则与未压缩得到的关联规则、原始BUS算法及Top-K算法压缩后得到的关联规则进行对比。实验结果表明,使用改进BUS算法得到的规则数量适中、信息冗余较少而且覆盖的人群具有更高的患病风险。     

新型煤矿湿式除尘装置喷头流场数值模拟

煤矿井下大多存在粉尘浓度超标问题,不仅影响正常工作,更会给矿井安全带来极大的安全隐患。新型湿式除尘装置利用工作面管网中的压风和压水,通过喷头形成射流,产生负压,引导含尘气流进入捕尘管道实现有效除尘。合理的喷头结构可增加喷雾锥角,提高除尘效率。     

基于改进的多层降噪自编码算法临床分类诊断研究

针对临床分类诊断中普遍存在的样本不均衡、错分代价不同、大量无标签样本和测量误差等特点,引入了机器学习中较新的研究成果———多层降噪自编码（stacked denoising autoencoders,SDA）神经网络,并与欠采样局部更新的元代价（metacost）算法相结合,对 SDA 神经网络进行了改进,使组合模型具有代价敏感、降低不均衡性、有效利用无标签样本、抗噪声的特性。实验中将改进的 SDA 神经网络与 SOFTMAX 回归、反向传播（back propagation,BP）神经网络、支持向量机（support vector machine,SVM）、传统多层自编码（stacked autoencoders, SAE）神经网络,以及传统 SDA 神经网络等作了比较。实验结果表明,改进的 SDA 神经网络的准确率、ROC 曲线下面积等均优于其他模型,提高了分类模型的辅助诊断性能。