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％.     

基于互联网的基础课程线上线下教学实践

阐述课程教学中的线上线下混合教学模式，存在的问题，应对的措施，通过对现有网络资源的充分利用，将前沿理论知识以及行业热点融入线上课程教学中，从而促进对于课程的主动学习。     

光波束形成中色散延时的非线性修正

光波束形成网络是光控相控阵雷达中的重要组成部分，有助于提升系统的宽带宽角扫描能力。利用光开关的切换，改变各收发通道间的相对延时量，从而实现波束指向的变化。在常用的技术中，色散延时是一种简洁的光波束形成实现方法，而色散线性项仅适用于色散量小且通道数少的情况。随着延时量的增加，非线性色散延时积累，会引起波束畸变。因此引入相对色散斜率（RDS）作为其非线性因子，并通过调整商用激光器波长来抵消色散介质的非线性效应。当RDS为0.003 nm?1时，激光器阵列的最大波长间隔从0.796 nm “拉伸”到0.862 nm，波长也整体“平移”?0.31 nm，修正波长与商用激光器波长的最大调整量为0.2 nm，可满足商用波分复用器的通带带宽，大扫描角时主瓣与副瓣之比从5 dB提升至12.9 dB。通过分析，RDS数值越小，激光器波长的修正量越小。因此，RDS是选择色散介质和调整激光器波长的重要参数，从而能够恢复波束畸变，以提升相控阵系统的成像、识别能力。     

基于情境感知工具辅助碎片化学习行为的研究

碎片化学习难以集中记录,存在无法迅速定位到自己需要的学习内容等用户体验问题.传统方法不能采集真实情境下的用户数据,无法满足研究人员的研究需求.基于此,开发一种基于用户行为的捕捉工具——CAUX(Context-Aware User Experience,CAUX),设计了具有情境感知能力的数据采集模块,自动捕捉指定App内的用户行为数据.CAUX对用户干扰性低,可以辅助研究人员捕捉典型的碎片化学习行为.对利用CAUX采集到的数据进行处理,并结合人工方法进行分析,可以发现不同情境下的用户行为和用户体验问题.     

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。