神经网络计算部件的数字VLSI优化设计

在神经网络的数字VLSI实现中，激活函数及乘累加等计算部件是设计中的难点。区别于使用乘法器及加法器的传统方法，该文提出的LMN方法基于查找表(即函数真值表)，使用逻辑最小项化简提炼出函数最简逻辑表达式后，可直接生成结构规整的门级电路，除线延时外，电路只有数个门级延时。以非线性函数为例对该方法进行了介绍，结果表明当定点数位数较少时，算法在速度及误差方面具有更好的性能。     

基于改进NB分类方法的网络异常检测模型

随着计算机网络和分布式应用的复杂化和多样化,智能化网络异常检测技术逐渐成为有效监测和控制系统的重要方法.该文提出基于改进NB分类方法的网络异常检测算法,采用互信息的方法对网络属性进行关键特征提取.实验结果表明,该异常检测方法对DoS和Probing类攻击的检测率较高,具有较低的虚警率.     

基于NB分类方法的网络异常检测模型*

在深入研究网络异常行为及异常检测系统相关现状的基础上,提出了基于NB分类方法的网络异常检测模型,并详细论述了该模型的工作原理.实验结果表明该方法是有效的.     

基于机器学习的电力系统网络异常检测与分类方法

针对电力系统网络异常检测问题,提出一种基于随机森林的网络特征分类方法,并在此基础上采用双向LSTM分类模型进行网络异常检测。首先根据IEC 104协议报文格式与传输大小构建应用层多维特征,对构建特征进行排序筛选,得到对网络状况影响程度最高的10项特征;再将筛选出的特征输入Bi＿LSTM分类模型,二分类和多分类不同角度进行网络异常检测。结果表明,在二分类实验中,采用的双向LSTM算法,检测率为92.48%,较kNN算法高9.14%,较SVW算法高34.11%;误检率为7.38%,较kNN算法低6.13,较SVW算法低2.14%,检测效果最好。而在输入正常样本、DoS异常样本和IEC 104异常样本的多分类检测中,使用双向LSTM算法检测率分别为92.59%、92.31%和48.12%,较kNN算法和SVW算法更高;误检率分别为10.54%、8.11%和4.13%,较对比模型综合误差最低,网络异常检测效果最好。     

改进YOLOv3网络模型的人体异常行为检测方法

针对传统视频监控数据量大且复杂、不能及时有效地检测到人体异常行为的问题,文中提出了一种基于YOLOv3改进网络模型的人体异常行为检测方法(YOLOv3-MSSE).该方法基于经典YOLOv3网络模型,利用残差模块构建多尺度特征提取网络,提升了对大目标的检测精度;同时,在网络结构不同位置融入注意力机制,对特征图各个通道的...     

基于神经网络模型的谐波检测改进算法

通过对基于傅里叶基函数的神经网络模型算法和加窗快速傅里叶变换算法的研究,提出基于神经网络模型的加窗谐波检测改进算法。该改进算法针对原算法中只能检测已知频率谐波及收敛速度慢的缺点,结合最优化理论,通过相关权值调整的方法,实现了算法对任何未知频率的检测和快速收敛。     

一种新型逻辑函数化简方法——立体化简法

文章在卡诺图化简法的思想基础上设计了一种新型的逻辑函数化简方法——“立体化简法”。用逻辑函数立方体代替卡诺图来表示逻辑函数,在三维立体空间进行逻辑函数的化简,既保持了卡诺图化简法方便、直观、容易掌握的优点,又使得可以方便化简的逻辑函数变量增加至六个;如果采用达到卡诺图化简法五、六变量逻辑函数化简的难易程度的方法,可使化简的逻辑函数变量增加至九个。这种新型的逻辑化简方法使得五、六变量逻辑函数的化简变得非常简单、方便,也使得九变量以内的逻辑函数的化简变得直观、可行。     

一种基于逻辑最小项化简的非线性函数实现方法

神经网络的数字VLSI实现中,非线性激活函数是计算部件设计中的难点.区别于其他模拟近似方法,本文提出的LMN方法使用逻辑最小项化简,对查找表(即函数真值表)进行有效压缩,提炼出函数最简逻辑表达式后,可直接生成结构规整的门级电路,且除线延时外,电路只有数个门级延时.该方法使用程序实现,简化了设计过程.结果表明当定点位数小于12时,该方法在速度及误差方面具有更好的性能.     

基于改进Inception网络的语音分类模型

针对传统音频分类模型提取音频特征的过程繁琐,以及现有神经网络模型存在过拟合、分类精度不高、梯度消失等问题,提出一种基于改进Inception网络的语音分类模型。首先,在模型中加入ResNet中的残差跳连思想以改进传统的InceptionV2模型,使网络模型在加深的同时避免梯度消失;其次,优化Inception模块中的卷积核大小,并利用不同尺寸卷积对原始语音的Log-Mel谱图进行深度特征提取,使模型通过自主学习的方式选择合适的卷积处理数据;同时,在深度与宽度两个维度改进模型以提高分类精度;最后,利用训练好的网络模型对语音数据进行分类预测,并通过Softmax函数得到分类结果。在清华大学汉语语音数据集THCHS-30与环境声音数据集UrbanSound8K数据集上的实验结果表明,改进的Inception网络模型在上述两个数据集上分类准确率分别为92.76%与93.34%。相较于VGG16、InceptionV2、GoogLeNet等模型,所提模型的分类准确率取得了最优,最多提高了27.30个百分点。所提模型具有更强的特征融合能力和更准确的分类结果,能够解决过拟合、梯度消失等问题。     

基于改进图神经网络的异常检测方法

异常检测在许多领域都具有重要意义,它可以帮助人们及时发现数据错误或缺失,而传统的方法只能对单一因素进行异常识别。随着数字时代的到来,时序数据往往表现出数据庞大、复杂、维度高等特点,传统异常检测方法由于计算的可扩展性较弱,存在维度灾难问题,在多维数据场景中经常表现不准。为了提高异常检测精度及捕捉多维数据的关联性,在此提出一种基于改进图神经网络的多维序列异常检测模型,选择图偏差网络（GDN）作为基础框架,使用Transformer模型替换了原模型中的预测部分,对相邻时间序列的未来值进行预测,以此来捕捉时间序列的特征,学习时间序列之间的依赖关系,提高异常检测精度。实验结果表明,在3个公开的数据集上,该方法可获得较高的精确率和计算效率。     

朴素贝叶斯分类器一阶扩展的注记

众多研究者致力于将朴素贝叶斯方法与原有的ILP系统结合,形成各种各样的多关系朴素贝叶斯分类器(MRNBC)。该文提出形成朴素贝叶斯分类器的一阶扩展的一般方法。现实中关系数据库广泛存在,可以直接作用于数据库表,而无须转换表示形式的MRNBC则是研究的重点,该方法主要基于关系数据库理论,分析了进行一阶扩展的关键问题。     

改进的朴素贝叶斯垃圾邮件过滤算法

介绍了朴素贝叶斯垃圾邮件过滤算法,对于朴素贝叶斯算法中条件概率的计算,选用了多变量贝努里事件模型的计算方法,在多变量贝努里事件模型的基础上进行了改进,并在Ling-Spam语料库上进行实验,实验结果表明改进后的算法有效地提高了过滤器的召回率和精确率,并且降低了过滤器的错误率。     

基于混合神经网络的异常信息流检测模型

针对传统的异常信息流检测方法的不足,设计了一个异常信息流检测模型,该模型采用了神经网络中的决策树算法对信息流进行归纳分类,采用信息增益作为分类属性选择标准来构造规则决策树,针对网络流量进行分析,能提高检测速度。开辟了一条检测异常信息流的新途径。     

基于贝叶斯分类器的高校学生信用评价模型

个人信用体系是社会信用体系的基础,而高校学生个人信用评价体系是社会信用体系下个人信用建设的重要组成部分以大学生群体为试点,选取与评价对象密切关系的13个指标建立大学生信用评价指标体系,并利用贝叶斯网络分类器的原理建立高校学生个人信用评价模型.模型结合关联分析的方法来寻找属性变量间的依赖关系,提出了模块化属性结点的思路,能同时实现用户信用分类和用户群体细分的功能.数据实验结果表明,模型有较好的信用评价分类效果.     

基于改进型时间分段网络的视频异常检测

视频异常检测是计算机视觉领域的一个重要研究课题,广泛应用于道路监控、异常事件监测等方面。考虑到异常行为的外观、运动特征与正常行为存在明显差异,提出一种改进型时间分段网络,利用该网络学习视频中的外观和运动信息,从而对视频异常行为进行预测。为了提取更多的视频信息,将RGB图和RGB帧差图相融合作为输入,以提取RGB图中的外观信息并通过RGB帧差图获得更有效的运动特征。将卷积注意力机制模块加入到时间分段网络模型中,从空间和通道2个不同的维度学习注意力图,利用学习到的注意力权重区分异常和正常的视频片段,同时运用焦点损失函数降低大量简单负样本在训练过程中所占的权重,使得模型更专注于难分类的样本,从而解决视频异常检测中正负样本比例不平衡的问题。实验结果表明,改进型时间分段网络在UCF-Crime和CUHK Avenue数据集上的AUC值分别达到77.6%和83.3%,检测性能优于基准方法TSN（RGB流）以及ISTL、3D-ConvAE等方法。     

基于网络聚合行为的异常检测方法研究

异常检测是目前入侵检测领域中非常活跃的一个方向,其作为一种网络测量手段,对于分组报头的信息统计在很多网络管理任务中扮演着重要的角色。将网络分组中报头的信息按不同方式汇聚起来,可以有效地构成网络流量属性的度量。从中提取的特定的子集在理论上可用于刻画网络流量中的攻击行为特征。如果这些度量在无攻击情况下能够表现出相对的稳定性,而在发生攻击时相对敏感,则可用于判断攻击的发生。并利用主成份分析和信息增益对冗余特征进行删减,能够使得判断攻击时需要的开销降低,增加实时性。基于机器学习的分类器是判断攻击导致的异常的有效手段。根据所选取的度量指标设计了三种分类器。     

三支决策朴素贝叶斯增量学习算法研究

增量学习利用增量数据中的有用信息通过修正分类参数来更新分类模型,而朴素贝叶斯算法具有利用先验信息以及增量信息的特性,因此朴素贝叶斯算法是增量学习算法设计的最佳选择。三支决策是一种符合人类认知模式的决策理论,具有主观的特性。将三支决策思想融入朴素贝叶斯增量学习中,提出一种基于三支决策的朴素贝叶斯增量学习算法。基于朴素贝叶斯算法构造了一个称为分类确信度的概念,结合代价函数,用以确定三支决策理论中的正域、负域和边界域。利用三个域中的有用信息构造基于三支决策的朴素贝叶斯增量学习算法。实验结果显示,在阈值[α]和[β]选择合适的情况下,基于该方法的分类准确性和召回率均有明显的提高。