基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

热轧压下率对车用大厚度比镁铝合金板组织和力学性能的影响

选择厚度为0.2 mm的6063铝合金与厚度为5.0 mm的AZ80镁合金进行组坯,设定厚度比为20,分析各热轧压下率下、以热轧方式制得的大厚度比镁铝合金板的组织和力学性能。研究结果表明:当热轧压下率达到45%或更高时,镁铝合金板形成了结合性能优异的界面,镁基体内形成了均匀分布的细小晶粒;提高热轧压下率后,基体中的晶粒尺寸不断减小,此时形成了更小的晶粒尺寸离散系数,更多晶粒被压碎,晶粒分布状态也比较均匀;提高热轧压下率后,获得了更高屈服强度的大厚度比镁铝合金板,材料发生了更明显的加工硬化,而抗拉强度则先增大再下降,当热轧压下率达到55%时,获得了最大的抗拉强度;当热轧压下率达到65%时,韧窝数量明显增多,表明镁合金通过动态再结晶转变获得了更强的韧性。屈服应力呈现明显波动的状态,热轧压下率为35%时,获得了最高的屈服强度,65%热轧压下率下的屈服强度最低,逐渐提高热轧压下率后,屈服应力也不断减小。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。     

基于大数据深度学习的输电塔结构抗风易损性评估

为了有效预测输电网系统在强风作用下的响应，并开展高效精准的性能评估，文章提出了基于深度学习模型的风致易损性评估框架。以某具备健康监测系统的输电塔结构为例，首先对监测数据进行清洗和重构，通过大数据深度学习建立荷载输入和响应输出的等效映射模型，然后通过数值模拟生成灾害强度均匀的风场数据并由深度学习模型预测输电塔关键杆件响应，计算不同性能水准的易损性曲线。研究结果表明，经训练的深度学习模型可以涵盖实际工程中存在的各类不确定性因素，有效映射复杂风环境下输电塔结构的动力响应。提出的框架方法可以避免单纯通过数值模型制备大量动态响应数据，更高效地进行输电网系统风致易损性评估。     

资讯

中国锻压协会荣获抗击新冠疫情先进集体称号2020年12月23日,在中国机械工业联合会抗击新冠肺炎疫情和服务复工复产表彰大会上,中国锻压协会荣获"抗击新冠肺炎疫情和服务复工复产先进集体"称号。航亚科技科创板上市2020年12月16日,无锡航亚科技股份有限公司成功登陆上交所科创板。