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％.     

广州市高技能人才实训鉴定基地基坑大变形分析及应急处理

在广州市高技能人才实训鉴定基地施工中,西侧基坑支护结构出现了较大变形,曾一度出现了险情。采用对比分析法,对东西两侧基坑的受力及变形进行对比分析,找出西侧基坑支护出现大变形的原因,即没有对地面裂缝及时做灌浆填缝处理,雨水从地面缝隙和大树根下逐渐长期渗入基坑西侧土中所导致的;最后,介绍了应急抢险所采取的措施及抢险后笔者所得的启示。     

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。     

深部松软煤层钻孔孔周煤体变形产渣特征研究

针对煤矿井下高瓦斯软煤顺层长钻孔排渣困难、成孔率低、施工困难等问题,通过数值模拟实验研究了井下深部软煤体变形破坏特征,分析了顺层长钻孔孔周松软煤体变形特征及应力变化,以揭示顺层长钻孔孔周松软煤体变形产渣规律。研究表明:深部高瓦斯软煤顺层钻孔孔周煤体的应力平衡临界条件破坏后将发生大体积突然垮落;钻孔水平最大变形位移为1.22mm,垂直方向最大变形位移为10.7mm;径向孔周煤体垂向变形呈现逐渐减小趋势,且垂向变形明显大于钻孔水平变形。在水平方向上,钻孔孔周煤体应力分布呈现先增大再逐渐减小的变化规律,径向距离对水平应力分布的影响逐渐减小;随着径向距离的增加,钻孔孔周煤体应力分布逐渐降低,钻孔孔壁处煤体的应力出现最大值,且垂直方向处应力值最大。     

谈基坑施工过程中土体变形类型及处理措施

对土体在基坑施工过程中的变形类型进行了分析,得出其主要影响因素有基坑开挖、基坑围护、坑底回弹和基坑降水等,并采取相应的处理措施,希望可以为今后的基坑施工提供参考。