摘要：文中针对传统的基于签名匹配的威胁检测系统存在的局限,探讨了人工智能技术在网络安全防护中的应用。通过分析异常检测、恶意软件检测和自动化安全响应3个方面,阐明了机器学习和深度学习模型可以实现对未知威胁的检测和主动防御。研究认为,人工智能驱动的网络安全防护系统代表了技术发展的方向,但还需进一步的数据积累和模型优化,以实现更智能的商业安全产品的开发。

摘要：传统故障诊断算法用于舰船蒸汽动力系统非均衡类样本问题存在准确率低且误分类的情况,本文提出一种基于支持向量机-BP神经网络集成学习的故障诊断模型。使用主层次分析法降低原始数据集的特征维度以改善数据量之间的冗余问题,然后设计3个并行的支持向量机分类器进行故障诊断,将分类器的结果数据融合作为BP神经网络的输入,进行二次诊断,得到最终的结果。用仿真平台采集的样本数据进行验证并重复运行30次获取结果,最终模型平均召回率为84%、平均准确率为95.04%。对比传统诊断算法及常用集成算法,该方法的准确率以及少数类样本的召回率明显高于其他诊断方法。

摘要：提出了一种深度学习网络即结构⁃随机卷积神经网络,用于实现内燃机的智能健康监测。集成多个单一的卷积神经网络构成新的网络构架,通过卷积计算和池化操作对振动信号进行自动特征提取。在随机卷积神经网络结构中,应用Adabound优化器使学习率自适应变化,从而加快模型的权值更新。同时通过Dropout技术使结构中神经元随机失活,防止对训练数据进行复杂的协同响应,通过Dempster合成规则融合各个网络模型的诊断结果。所提出的健康监测方案用于对内燃机工作时的振动信号进行分析。实验证明,该方法克服了传统的数据驱动和卷积神经网络健康监测方法的局限性,摆脱了对人工特征设计的依赖,并且有较好的诊断性能,能够有效地对内燃机进行健康监测。

摘要：对单集货中心多卸货点运输网络的重空车流协调与优化问题进行描述,进而构建基于直观描述的数学模型。鉴于该模型利用传统数学规划方法难于求解,设计基于卸货点集群划分的两阶段求解方案。首先根据卸货点位置及需求量进行集群划分及调整,并在各个集群划分内部进行车流径路协调优化,以达到整体优化的目的;然后设计算例展示算法演进过程,并进行大规模运输网络的仿真实验,同时分析不同卸货点规模对计算机运行时间的影响,从而验证算法的可行性和有效性。

摘要：柴油机工作过程中的各种参数含有大量的信息,通过数据挖掘将这些参数的内在信息挖掘出来,解决以往在柴油机故障诊断上出现的诊断不准确和耗时长等问题。采用K均值聚类分析(k-means)将数据聚类,并设计BP(Back Propagation)神经网络,对柴油机的运行状态进行诊断。在此基础上,利用PCA(Principal Component Analysis)对上述算法进行优化,用PCA对原始数据简化,再进行k-means聚类,最后将聚类后的数据特征量作为BP神经网络的输入,建立柴油机的故障诊断模型。通过对两种诊断算法的结果进行分析和比较,表明优化后的算法能够更有效地提取数据特征,提高了诊断准确度,同时也减少了诊断时间。

摘要：以人教版《物理》选修3-5第十七章第二节"科学的转折--光的粒子性"为例,通过运用Premiere Pro CC 2017软件二次开发中学物理实验视频资源,提升课堂教学质量,完善课堂教学程序。根据物理教学设计的一般过程,通过分析教材、学习者、物理实验视频在教学中的作用,并根据教学信息处理实验视频资源等步骤重新编排教学过程,充分展示如何运用软件处理实验视频以及实验视频在教学中的运用。