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％.     

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。     

浅谈带局部临空地下室的结构设计

本文结合个人的工作实践,对当前常见的一面临空甚至三面临空的地下室,从前期的结构模型选定、底板抗浮、后期施工图阶段的结构措施等方向进行阐述,希望对相关设计人员的设计工作有所帮助,并促进建筑行业的健康发展。     

纤维增强复合材料结构局部形状与环境腐蚀速率的关系研究

纤维增强复合材料(FRP)结构在外部环境作用下,不同位置的腐蚀速率并不一致,与该位置处FRP形状和环境作用有关。由于FRP结构形状多变的特点,常在梁柱交界处、FRP型材棱角处存在内凹角和外凸角,这些位置结构的腐蚀往往最为严重。本文对环境作用下FRP结构棱角处腐蚀速率的差异进行了理论分析和数值模拟。利用菲克定律下的扩散规律和有限元软件,计算了构件棱角不同角度与扩散速率的关系。定义并计算了棱角处于不同角度时的局部影响系数,结果表明,内部凹角对结构的腐蚀呈减弱影响,外部凸角对腐蚀呈放大效应。利用粒子抛射沉积与环境沉积的相似性,采用蒙特卡罗方法建立了不同粒子数目的粒子抛射沉积模型。定义并计算了角部的环境富集系数,分析发现凹角处会对环境产生汇集作用,凸角对环境分布影响相对较小。综合考虑了棱角对扩散速率的影响和环境富集的影响,定义并计算了结构形状影响系数,结果表明,结构物表面凸出和凹陷处更易受到环境腐蚀,结构耐久性设计时应考虑在棱角进行特殊防护设计。通过计算的结构形状影响系数可以为耐久性定量设计提供计算支持。