基于深度强化学习的在线社交网络多模态的安全内容搜索研究

深度强化学习是一种全新的机器学习方式,它将深度学习与强化学习相结合,使得职能主体可以在高维环境中感知信息,并通过训练模型,作出相应的决策。深度强化学习是一种非常普遍、有效的方法,它已经被广泛地应用到我们的日常生活中。快速发展的在线社交网络在不断积累数据的同时,也会产生巨大的数据增长。首先,由于在线社交网络大数据所具有的特殊的数据特性,使得传统的信息搜索算法很难适应用户的需要。其次,由于在线社交网络中的信息量较大,因此,在线社交网络中海量数据的收集和处理的水准也越来越高。所以,如何基于深度强化学习提高在线社交网络的安全内容搜索已成为当前的研究热点。本文介绍了深度强化学习的产生与发展,阐述了基于深度强化学习的在线社交网络多模态安全内容的搜索与分析,并对其实现的技术和工具进行了详细的说明,并对各模块的具体功能进行了深入的探讨。     

基于深度学习的社交网络舆情信息抽取方法综述

随着社交媒体平台的快速发展,舆情信息得以在极短的时间内大范围传播,如果不对舆情信息加以管理和控制,将对网络环境乃至社会环境造成巨大威胁。信息抽取技术因其语义化和精准性成为舆情分析和管理的第一步,也是最关键的一步。近年来,随着深度学习的发展,其自动学习潜在特征、组合特征的能力使信息抽取各个子任务的准确率都得到了很大的提高。文中结合社交网络舆情的特点和深度学习技术在信息抽取领域的应用,对基于深度学习的社交网络舆情信息抽取方法进行了系统的梳理和总结。首先整理了社交网络舆情信息的组织方式,详细阐述了舆情信息抽取的框架、评价指标,然后对现有的基于深度学习的舆情信息抽取模型进行了全面的回顾和分析,讨论了现有方法的适用性及局限性,最后对未来的研究趋势进行了展望。     

微博社交网络社区发现方法研究

基于分析微博社交网络用户之间关系,提出了一种适用于微博的社区发现方法。实验表明这种方法能够有效地发掘微博社交网络中的社区结构。     

社交网络的结构支撑理论

社交网络分析是近年来的研究热点之一,常见的分析方法包括度分布分析、个体排名、社区发现、模式发现等.文中,作者认为一个人的社会地位与其所在的网络结构具有紧密的联系,而这种网络结构对成员社会地位的影响程度是可以被表示和量化的.文中通过分析社交网络的链接结构,将社交网络中个体与个体间的依赖关系从一般社会关系中抽取出来,提出了一种基于依赖模型的支持力衡量方法,并基于此给出了一种高效的计算最具支持力的节点计算方法.此外,基于上述模型,设计了一种基于依赖关系的支撑结构模型及其计算方法,用于刻画社交网络中特定节点的影响力来源.作者在大规模的真实数据环境下对模型和算法的正确性、效率和伸缩性进行了验证.     

基于社交圈的在线社交网络朋友推荐算法

为用户推荐朋友是在线社交网络的重要个性化服务.社交网站通过用户之间是否有相同属性信息或公共邻居判断他们能否成为朋友,但由于用户注册信息不完善和对公共邻居之间关系的忽略,推荐精度不高.事实上用户的朋友可以组成多个社交圈,拥有相似社交圈的用户更易成为朋友.因此,首先提出了社交圈检测算法,进而定义用户间的社交圈相似性,基于社交圈相似程度为用户推荐新朋友.使用YouTube数据验证了该文假设;使用Facebook自我网络数据,验证了社交圈检测方法的有效性,并与3种典型检测算法比较;使用区域Facebook数据,通过与公共邻居、Jaccard相似性比较,进一步验证了朋友推荐方法的准确性.     

基于深度学习和迁移学习的水果图像分类

图像识别作为深度学习领域内的一项重要应用,水果图像的分类识别在智慧农业以及采摘机器人等方面具有重要应用。针对以往传统图像分类算法存在泛化能力差、准确率不高等问题,提出一种在TensorFlow框架下基于深度学习和迁移学习的水果图像分类算法。该算法采用Inception-V3的部分模型结构对水果图像数据进行特征提取,采用Softmax分类器对图像特征进行分类,并通过迁移学习方式进行训练得到迁移训练模型。测试结果表明,该算法与传统水果分类算法对比,具有较高识别准确率。     

基于深度残差网络与迁移学习的毒蕈图像识别

我国毒蕈种类繁多且分布广泛,经常有人因无法鉴别毒蕈和可食用菌而误食毒蕈,导致身体健康甚至生命安全受到严重威胁。为了减少毒蕈中毒事件的发生,本文以中国常见毒蕈为研究对象,提出基于深度残差网络与迁移学习的毒蕈图像识别方法。首先通过互联网途径获取常见种类的毒蕈和非毒蕈的图像,经筛选后得到18种毒蕈和5种非毒蕈共14669张图像,使用数据增强扩充数据量,建立中国常见毒蕈图像数据集。然后以ResNet-152为预训练网络模型,采用基于模型的迁移学习方法,构建出毒蕈图像识别的模型结构,以Adam算法为模型优化方法,最后通过k折交叉验证进行模型训练。试验结果表明,毒蕈图像识别模型Top-1和Top-5准确率分别为92.17%和97.35%,对于常见毒蕈图像具有较高的识别率,可以有效的帮助人们避免误食毒蕈,为毒蕈识别研究提供新的方法。     

基于深度学习的复杂网络实时Sybil攻击检测算法

针对复杂网络中Sybil攻击检测速度较慢的问题,提出一种基于深度学习的复杂网络实时Sybil攻击检测方案。从网络中采集数据,提取合适的特征;通过深度学习技术预测网络中的攻击行为。基于多层核极限学习机的深度学习技术包括无监督表示学习与监督特征分类两个阶段。通过低秩逼近法计算近似的经验核映射,代替原极限学习机随机生成的隐层。将经验核映射-自动编码的栈式自编码器作为表示学习,对极限学习机的时间效率与存储成本实现了显著的提高。基于实际社交数据的实验结果表明,该方案有效地降低了Sybil攻击的检测时间,并且保持了较好的检测效果。     

在线社会网络的动态社区发现及演化

在线社会网络研究中,动态隐含社区或群组结构的发现及演化探测是一个十分关键的核心问题,它对于在中观(Mesoscopic)视图观察在线社会网络隐结构特征、预测演化趋势、掌控网络势态、发现网络异常群体事件等具有重要意义.文中首先分析了动态社区发现和社区演化研究的关系,给出动态社区研究中关键挑战问题;然后根据问题背景的不同,从“同构社会网络的动态社区研究”和“异构社会网络的动态社区研究”两个方面进行国内外相关研究现状的阐述和分析,其中,在“同构社会网络的动态社区研究”中,根据评价方法的差异和关注问题的不同将当前相关研究分为基于时空独立评价、时空集成评价、统一评价和增量式算法4大类进行综述,同时对动态社区发现的重要应用——异常群体发现的研究进行介绍;最后对在线社会网络动态社区领域的难点和发展趋势进行分析和展望.     

基于深度神经网络的社会媒体网络分析

社会媒体网络中不仅包含了用户、文本、图片和视频等多种模态的数据,还包含了反映不同模态数据之间交互的群体特征。为了更好地描述社会媒体网络,从而为上层应用提供更好的服务,提出了一种基于深度神经网络的社会媒体网络模型。该模型采用深度神经网络对单个模态的数据进行学习,从而得到任意一个模态数据的潜在特征表示方法。对于两种不同模态的数据,利用具有高斯分布的先验矩阵与两个模态数据的后验分布建立反映这两个模态数据间群体特征的生成模型。实验结果表明,提出的模型在网络结构的链接分析中具有更好的预测效果,能有效地描述社会媒体网络的整体特征。     

基于超分辨率和深度神经网络的车型识别

车型识别在视频监控系统中起着关键作用,文中利用深度神经网络和超分辨率来实现交通监控中的车型识别。利用深度卷积神经网络CaffeNet,并采用先进的深度学习框架CAFFE和具有强大计算能力的GPU来完成对车辆的车型识别。在图像预处理阶段,采用一种基于深度学习和稀疏表示的图像超分辨率(SR)重构算法,来增强图像的细节信息。其中首先基于深度学习模型自编码器,提出一种改进模型非负稀疏去噪自编码器(Nonnegative Sparse Denoising Auto-Encoders,NSDAE)来实现字典的联合学习,然后基于稀疏表示实现车辆图像的超分辨率重构。经实验验证,在加入超分辨率处理之后,车型识别效果在精确度上得到了明显的提升。     

深度学习研究与进展

深度学习是机器学习领域一个新兴的研究方向,它通过模仿人脑结构,实现对复杂输入数据的高效处理,智能地学习不同的知识,而且能够有效地解决多类复杂的智能问题。近年来,随着深度学习高效学习算法的出现,机器学习界掀起了研究深度学习理论及应用的热潮。实践表明,深度学习是一种高效的特征提取方法,它能够提取数据中更加抽象的特征,实现对数据更本质的刻画,同时深层模型具有更强的建模和推广能力。鉴于深度学习的优点及其广泛应用,对深度学习进行了较为系统的介绍,详细阐述了其产生背景、理论依据、典型的深度学习模型、具有代表性的快速学习算法、最新进展及实践应用,最后探讨了深度学习未来值得研究的方向。     

基于深度邻近连接网络的单幅图像去雨方法

雨天环境下的雨线导致图像内容被遮挡,严重影响人眼的视觉效果和后续系统的处理性能。目前主流的深度学习方法为了提升处理性能,均以复杂的网络结构和较大的参数量为代价,导致相关方法难以服务于实际应用。为此,文中提出一种新的深度邻近连接网络结构。它通过关注深度网络中所学特征图之间的关系,采用融合操作将邻近特征图进行连接,以获得更加丰富和有效的特征表示。实验数据表明,所提方法在3个公开合成数据集及真实有雨图像上的主客观处理效果、模型参数量和运行时间等相关性能都有所提升。在合成数据集Rain100H上的平均结构相似性(SSIM)值达到0.84,在合成数据集Rain100L和Rain1 200上的平均SSIM值分别达到0.96和0.91。在真实有雨图像上,所提方法在有效去除前景雨线的同时,能够保护更完整的背景图像信息,从而获得更好的主观视觉效果。相比于同时期的深度学习方法JORDER,文中方法在保证相近的处理效果的前提下,模型参数量和CPU运行时间分别降低了一个和两个数量级。实验数据充分说明,通过将网络中邻近特征图进行融合,能够获取更加有效的特征表示。因此,所提方法虽然仅使用较少的模型参数和简洁的神经...     

边缘计算和深度学习之间的交融

随着网络终端的不断普及与互联网应用的快速发展,当今网络不仅要应对日益增长的传输流量,也要满足用户多样化的需求指标。云计算在诸如服务延迟与传输开销等方面难以适应趋势,边缘计算(Edge Computing)则将运算资源从云下移到了网络边缘,并通过就近处理数据的方式提升性能。作为人工智能的主要代表之一,深度学习一方面可以被集成到边缘计算的框架中以构建智能边缘,另一方面也能以服务的形式部署在边缘上从而实现边缘智能。本文从边缘计算与深度学习融合的趋势出发,介绍边缘智能与智能边缘的概念与应用场景,并说明典型的使能技术及其相互联系。     

基于深度学习的多标签生成研究进展

大数据时代,数据呈现维度高、数据量大和增长快等特点。如何有效利用其中蕴含的有价值信息,以实现数据的智能化处理,已成为当前理论和应用的研究热点。针对现实普遍存在的多义性对象,数据多标签被提出并被广泛应用于数据智能化组织。近年来,深度学习在数据特征提取方面呈现出高速、高精度等优异性,使基于深度学习的多标签生成得到广泛关注。文中分五大类别总结了最新研究成果,并进一步从数据、关系类型、应用场景、适应性及实验性能方面对其进行对比和分析,最后探讨了多标签生成面临的挑战和未来的研究方向。     

一种基于深度强化学习与概率性能感知的边缘计算环境多工作流卸载方法

移动边缘计算是一种新兴的分布式和泛在计算模式,其将计算密集型和时延敏感型任务转移到附近的边缘服务器,有效缓解了移动终端资源不足的问题,显著减小了用户与计算处理节点之间的通信传输开销.然而,如果多个用户同时提出计算密集型任务请求,特别是流程化的工作流任务请求,边缘计算环境往往难以有效地进行响应,并会造成任务拥塞.另外,受...     

基于深度学习的图像风格转换研究

随着深度学习的发展,图像风格转换任务开始使用卷积神经网络实现。针对传统图像转换网络在转换后,保留纹理细节的能力不足的问题,本文基于Justin等人的风格转换模型,优化了转换网络中的残差结构,并结合生成对抗的思想,改进了风格转换模型,使模型能提取图像中更抽象的特征,并对损失函数进行调整,进一步提升生成图像的质量。实验表明,本文方法在进行图像风格转换时,有效提升了风格化效果并且通过比较在多种评价指标下得到的结果,可知图像质量得到提升。     

基于深度学习的车牌相似字符识别

针对车牌相似字符难以识别的问题,提出了基于深度学习的特征提取和识别方法。该方法首先对字符图像进行归一化处理;然后以归一化后的图像为输入,构建5层深度网络对相似字符由低层到高层的特征表达。在激励函数定义上采用对字符边缘特征敏感的卷积函数,从而能够对相似字符的局部差异进行分析。在实验部分与支持向量机(SVM)算法的分类效果进行比较,结果表明所提算法的识别率提高了5%。     

基于深度学习及GPU计算的航天器故障检测技术

由于航天器在高温、高压等恶劣环境中工作,采用传统故障检测方法自主性相对较差,缺少对故障特征的分析,导致检测精准度较低。提出了基于深度学习及GPU计算的航天器故障检测技术,依据航天器故障信号特征分析与检测原理,在GPU计算技术支持下,获取GPU图像,并在深度置信网络模型中引入该计算方法。根据构建的深度置信网络模型,预测轴承故障位置,经过GPU计算技术下提取的故障特征用于深度置信网络故障预测基本数据,将原始进行归一化处理,分析航天器轴承故障特征,并在不同参数支持下,利用深度学习算法自动确定网络关键参数,由此识别轴承故障,并学习故障特征,实现航天器故障检测。由实验结果可知,该技术检测精准度最高可达到98%,具有较强鲁棒性。