摘要：针对传统异常检测方法在处理多元和高维数据时检测性能较差的问题,提出一种融合弹性网和深度去噪自编码器的网络异常检测方法。构建一种基于弹性网的深度去噪自编码器,利用部分正常数据对网络进行训练获得重构误差阈值,以自编码器和重构误差值检测异常行为。采用NSL-KDD数据集的实验结果表明,与AE、K-NN和SVM方法相比,该方法在保证较好的分类准确率和检测率的同时,召回率和F1值明显提高,误报率明显降低,对不同攻击类数据被分类为异常的准确率也优于其它方法。

摘要：随着深度学习的出现,灰度图像自动上色得到了快速的发展,出现了上色效果优秀的基于one-hot编码(独热编码)的方法,避免基于L;损失函数上色效果平淡的问题。沿用one-hot编码方法的基础思路,提出了一种卷积网络的灰度图像自动上色方法。该方法对编码器与解码器进行了改进和重新设计,重新设计了神经网络结构。通过使用高斯函数的传统卷积,减少每一个像素点选取邻近分类的数量,简化了one-hot解码与编码的流程,避免了频繁选取参数,提升了处理图片的速度。通过堆叠不同尺寸的空洞卷积以及添加Dropout等方法,构建了一个体积相对较小、速度较快的基于深度学习的灰度图自动上色网络。实验证明了提出的方法图像上色效果良好,且在网络体积、上色效果上有较大的优势。

摘要：针对基于关键字的相似夹具案例检索效率低和夹具案例重复利用率低等现状,对夹具设计的案例检索方法进行了深入的研究,论文提出了基于向量夹角余弦的夹具案例检索方法。基于工序模型预定义的特征信息,利用标签编码和独热编码的方式对工序模型中的字符型文本信息进行预处理,使其更符合向量夹角余弦算法要求,并结合特征的权重系数,对工序模型与夹具案例中的工序模型进行相似度计算。以此对夹具案例进行优选,可提高企业对已有夹具案例的复用率,并为夹具案例的快速变型设计奠定基础。