面向Android支付破解应用的检测方法

Android破解应用存在侵犯合法软件权益和传播恶意代码的风险.为有效检测Android平台上的支付破解应用,提出一种基于机器学习的检测方法.针对反汇编的字节码文件构建了支付语义信息调用控制流和支付数据库操作函数集,通过n-gram和重复代码子块长度统计方法构造相应特征集,最后构建带决策机制的多分类器检测模型以识别Android应用中不同的支付破解行为.实验结果表明,所提检测方法的模型检测精确率为85.24%,AUC值为0.87,与同类方法相比,对支付破解类应用的检测率有显著提高,有效解决了支付破解应用的检测问题.     

增强本地代码安全性的Android软件保护方法

目前针对Android平台的软件保护大多集中在如何保护Dalvik字节码程序,对于本地代码程序的安全性还没有引起人们足够的重视. 为了阻止攻击者对本地代码的破坏,设计实现了一种Android平台本地代码保护方法. 在原始代码中插入多个冗余数据和完整性校验代码,并且对编译后的程序进行加密,使本地代码具备了抵抗攻击者静态分析和动态篡改的能力. 实验结果表明,该方法可以在攻击者对本地代码进行篡改时及时地发现篡改行为,从而有效地保护Android平台本地代码,增强整个应用软件的安全性.     

基于CNN的Android恶意代码检测方法

针对传统Android恶意应用检测技术无法对当前爆发增长的恶意应用进行高效检测,对移动终端安全造成严重威胁的问题,利用深度学习中卷积神经网络(convolutional neural network,CNN)的分类算法,设计并实现了一种基于静态权限特征的恶意应用检测方案.首先,对Android应用包反编译获取AndroidManifest.xml文件,从中提取出应用申请的系统权限;然后,根据权限危险级别将权限列表特征化,获得权限特征数据集,进而,对CNN多次训练,获得应用类别分类器;最后,用分类器判断应用是否包含恶意代码.实验结果表明,检测方案的准确率达到98.8%,能够高效判断Android平台中的恶意应用,降低安全威胁.     

基于最小二乘支持向量机的企业库存预测方法

针对目前常用的基于神经网络的库存预测方法存在收敛速度慢或不收敛、存在局部极小值、网络结构选择具有随机性且对小样本库存预测容易出现过学习现象等问题,提出了基于最小二乘支持向量机的企业库存预测算法。通过结合某公司的库存实际计算以及与其他预测方法进行比较,通过仿真试验和实际数据验证,该算法计算简单,且具有更好适应性和很好的鲁棒性等特点。     

改进深度神经网络的用户用电量预测方法

针对深度神经网络对电能预测精度低的问题,提出正弦粒子群优化神经元数量的深度神经网络算法,通过对粒子群算法进行变异操作和惯性权重改进,来对深度神经网络隐藏层神经元参数进行寻优。实验结果表明,SPSONN-DNN算法相比于DNN、极度梯度提升、线性回归、两种改进PSONN-DNN算法的预测精度分别提高了1.926%、2.820%、1.500%、0.633%、0.582%;SPSONN-DNN算法相比于两种改进PSONN-DNN算法迭代次数分别减少6次、4次。     

基于随机森林算法的Android恶意行为识别与分类方法

针对当前Android恶意软件检测方法对检测出的恶意行为无法进行识别和分类的问题,提出基于随机森林（RF）算法的Android恶意行为的识别与分类方法. 该方法在对Android恶意软件的类型进行定义的基础上,利用融合多种触发机制的Android恶意行为诱导方法触发软件的潜在恶意行为;通过Hook关键系统函数对Android软件行为进行采集并生成行为日志,基于行为日志提取软件行为特征集;使用随机森林算法,对行为日志中的恶意行为进行识别与分类. 实验结果表明,该方法对Android恶意软件识别的准确率达到91.6%,对恶意行为分类的平均准确率达到96.8%.     

基于预测数据特征的空气质量预测方法

采用LightGBM预测模型对空气质量预测问题进行研究,提出并设计一种基于预测性特征的空气质量预测方法,有效地预测北京市区内未来24 h核心表征空气质量的PM_2.5质量浓度。在构建预测方案过程中,分析训练数据集特性开展数据清洗,利用随机森林与线性插值相结合的方法,解决数据大量缺失以及噪声干扰问题;提出使用预测性数据特征方法,同时设计相关统计特征,提高预测结果的准确性;采用滑窗机制挖掘高维时间特征,增加数据特征数量级;对预测模型的工作性能和结果进行详细分析,并结合基线模型进行对比评价。试验结果表明,基于预测性特征结合采用LightGBM预测模型的方案具有更高的预测精度。     

基于特征提取的缺陷图像分类方法

针对缺陷图像表面复杂多变、特征不宜提取的特点, 提出了一种归一化转动惯量特征和不变矩特征相结合的时域分析方法来构建缺陷图像的统计特征量, 同时增加缺陷矩形框区域内压缩度、距离极值比和线度特征量作为缺陷分类的依据;提出了在缺陷频谱图像内提取特征量的频域分析方法, 并将矩形框区域内所有像素点灰度平均值和灰度方差值作为缺陷分类的另一重要依据;同时将BP神经网络应用于缺陷图像的自动分类中, 构建了系统的缺陷分类器, 并对现场采集的常见6种缺陷类型进行了实验.结果表明, 该特征提取方法在很大程度上提高了特征的分类有效性;该BP分类器识别率较高, 现场整体识别率达到90%以上, 在一定程度上解决了缺陷图像分类难的问题.     

基于机器学习的水质COD预测方法

运用紫外光谱进行水质有机污染物浓度（化学耗氧量(COD)）的检测,必须建立紫外光谱数据与COD值之间的数学模型.运用机器学习方法中的LM-BP神经网络和支持向量机,建立了紫外多波段光谱数据与COD值的相关性模型,讨论了在LM-BP神经网络建模中网络结构选择、输入数据处理和训练程度控制,以及在支持向量机建模中核函数及其参数选择等问题.对某种水样的紫外多波段光谱,分别运用最小二乘法、LM-BP神经网络、支持向量机的相关性模型进行COD预测.结果表明,2种机器学习方法的预测能力明显优于最小二乘法,能够得到满意的预测精度,为运用物理方法解决化学量测量中普遍存在的相关性问题,提供了实际可行的解决方案.     

变形预测的一种新方法

采用一种新的变形预测方法,即将GMDH神经网络预测方法运用到变形预测中进行短期以及长期预测,并且将预测得到的结果与采用BP神经网络预测得到的结果进行比较.结果表明,GMDH神经网络是一种比较好的预测方法,在变形预测中具有一定的实用性.     

神经网络在预测中的应用

本文介绍了多层前向神经网络及其学习算法。并利用多层前向神经网络对复杂非线性系统进行预测研究。实验结果证明该方法是有效的。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.     

超声图像神经分割方法研究

为了提升超声图像中的神经分割效果,提出了一种新的网络结构残差U型网络.相比于现有的U-net网络,残差U型网络加深了网络结构,提高了网络的表达能力;通过对每层参数进行规范化处理,减少了训练时间,提高了神经分割效果.实验结果表明,残差U型网络在分割效果比U-net网络提升了约13%,比SegNet网络提升了约7%.     

基于复合编码特征LSTM的基因甲基化位点预测方法

DNA-N6甲基腺嘌呤(6-m A)甲基化修饰是重要的表观遗传修饰标记之一。异常的6-m A位点会影响基因表达,进而引发多种重大疾病,因此预测6-m A位点对理解治病机理和治疗疾病具有重要意义。提出一种基于K-mer方法和One-hot方法复合特征编码的长短期记忆(Long Short-Term Memory,LSTM)神经网络用于基因甲基化位点预测,通过K-mer编码方法增加基因序列字符信息量,再使用One-hot编码方法对编码后的字符序列进行扩展,形成复合编码矩阵。改进后的序列编码矩阵可增加LSTM模型从基因序列数据中可提取的特征维度和种类,以提高LSTM模型对基因序列的处理性能。通过交叉验证实验表明本方法在公共数据集上的准确率可达93.7%,敏感度、特异性和马氏相关系数分别为93.0%、94.5%、0.875,均优于现有方法。进一步,在其他6个不同物种的基因数据集上,受试者工作特征曲线线下面积(Area Under the Curve,AUC)值介于0.905 5～0.926 2,表明本方法可适用于动物、植物和微生物的甲基化位点预测。本方法对水稻NC＿029258.1基因序列进行...     

改进的灰色神经网络预测方法

针对GM（1,1）算法求解发展系数和灰色作用量时受背景值影响的问题,提出一种回避背景值的辨识参数求解方法,避开背景值试算选取的步骤或选取不当造成预测精度低的问题;针对GM（1,1）模型预测时初始条件为固定值影响预测精度的问题,提出一种构建变权初始值的方法,避免预测精度受固定初始值的影响;针对传统灰色神经网络样本类型单一的问题,提出一种新的组合预测模型结构,突破了传统模型只依靠单一浸润线历史数据预测的局限,建立了基于改进灰色神经网络的浸润线预测模型.通过工程验证,该模型短期内对浸润线高度的变化预测效果较好.