摘要：随着网络攻击手段的日益精进和多样化,传统安全防护面临准确识别恶意流量困难的挑战。文章针对恶意流量检测中常见的无效特征众多、数据不平衡以及攻击手段复杂化等问题,开发了一种较高效的检测方法。首先,文章提出一种数据清洗和均衡化方法,能够提升流量特征数据的质量和有效性;然后,文章结合简单循环神经网络(Recurrent Neural Network,rnn)与多头注意力机制,使检测模型能够更精确处理序列数据,有效捕捉和识别各类信息及其依赖关系,大幅提升特征提取的准确度;最后,文章利用集成学习、深度学习和机器学习的优势,使检测模型能够在有限的样本上高效学习,并快速适应不同的网络特征。实验结果表明,该方法在多个公共数据集上展现了较好的检测性能。

摘要：为提升变电站一次设备启动过程方案编制的数字化水平,文中对自然语言处理中的实体识别及关系抽取方法进行了研究。在定义了生成相关规则库及方案模板库所需数学模型的基础上,讨论了循环神经网络(rnn)在该场景的实际应用方法。应用过程中,针对传统rnn网络在处理长时依赖信息时会出现梯度消失的问题,文中引入了长短期记忆单元,并基于该单元设计了一种双向的循环神经网络。通过实际工程数据集上进行的对比测试结果表明,在进行实体识别时,所提算法对于复杂实体的识别效果更优,对操作指令的识别F值能达到94.15%;而在进行关系抽取时,该算法的F值则可达95.21%。

摘要：为了提升配电网络的负荷预测精度,并为配网不停电技术提供可靠性分析的基础,文中对深度学习的时间序列处理算法进行了研究。针对传统循环神经网络(rnn)中神经元结构简单、无法储存长时间序列的结构信息等问题,引入了一种改进的长短期记忆(ILSTM)单元。通过改进算法的门结构来控制状态单元在隐藏层中的信息结构流向,有效避免了迭代过程中时间信息丢失的问题。对于当前算法中参数初始化方面的缺陷,采用了一种自适应惯性权重粒子群算法(APSO),优化了网络的训练效率与稳定性。结合某低压配电网的自动化改造项目对不同负载下的负荷状态加以采集,并基于实测数据对网络进行了训练和测试。仿真结果表明,与rnn网络相比,所提算法的指标均较为理想,且MAE、MAPE分别提升了42.95%和0.07%。

摘要：利用银行网点内边缘计算设备进行客流分析、安全保护、风险防控等应用日益广泛,其中AI推理芯片的性能和功耗已经成为边缘计算设备选型的一个非常重要的因素。针对递归神经网络由数据依赖性和低数据重用性导致的功耗大、推理性能弱、能效低,难以在低功耗平台上处理等问题,利用FPGA实现了一种电压可扩展的稀疏循环神经网络(rnn)低功率加速器,并在边缘设计算设备上进行了验证。首先,对稀疏rnn进行分析并采用网络压缩的方法设计了处理阵列;其次,由于稀疏rnn的工作负载不平衡,引入电压缩放方法以保持低功耗和高吞吐量。试验表明,该方法可以显著提高系统的rnn推理速度并降低芯片的处理功耗。

摘要：为提高公路隧道事故异常声音识别的准确率,并针对卷积神经网络只关注局部信息问题,提出了一种基于CNN-rnn集成的声音识别模型。该模型采用Stacking集成策略将CNN的强特征表达能力和rnn的强记忆能力相结合,并使用门控循环单元减少循环神经网络的计算复杂度,将SIREN正弦周期函数作为rnn的隐式激活函数,增强模型对声音数据的拟合能力,设计多通道卷积细化特征提取的精度,实现全局化特征提取。在异常声音数据集上评估了所提声音识别模型的识别性能,实验结果表明:提出的声音模型的识别性能高于其他模型,且更加稳健,可有效识别公路隧道事故的异常声音。

摘要：为了提升电力网络的安全运行水平,对电网的雷电智能预警方法进行了研究。对历史雷电数据加以提取和分析,从而建立起完备的历史数据集。基于历史数据与数学建模的思想,将雷电预警问题抽象为时间序列的处理问题,并引入循环神经网络(rnn)完成对问题的求解。同时在rnn的应用过程中,采用长短期记忆模型(LSTM)以及Dropout机制解决了传统模型中的过拟合现象。LSTM模型使用输入门、遗忘门和输出门对信号的传递流程进行了修正,且替代了rnn隐藏层中的普通节点,确保了误差函数梯度在训练过程中能够严格遵循时间步骤。而Dropout机制则将部分神经元置为失效状态,避免了其在训练中的相互适应。在山东地区的雷电数据集上进行的仿真实验结果表明,rnn网络在引入LSTM与Dropout机制后,模型的预测精度提升了4.61%。

摘要：本文通过采用一种有效的优化近似解析离散(ONAD)方法,实现了基于深度学习技术的正演与反演。本文的正演模拟方法首次将ONAD方法与循环神经网络(rnn)结合了起来。rnn是一种适用于序列数据的神经网络,它利用前一时刻和当前时刻的信息来获取输出信息。ONAD是一种有效的正演模拟方法,与rnn相似之处在于它利用历史时刻的波场来计算当前时刻的波场。基于此,我们可以利用rnn框架来表达ONAD方法。接下来,基于以上所提出的正演方法,我们利用深度学习技术来实现全波形反演。由于反演的主要目的是使实际数据与合成数据之间的误差最小化,因此反演本质上是一个优化问题。在深度学习的框架下有许多新的优化器,如Adam优化器和Nadam优化器,它们会被作为反演过程中的优化器来对速度模型进行优化。我们设计了六个数值实验,前两个给出了正演模拟结果,表明本文使用的正演模拟方法能有效地抑制数值频散,提高计算效率。另外四个实验给出了反演结果,表明本文的方法可以有效实现反演成像。我们比较了几种深度学习优化器,发现Nadam优化器的收敛速度更快,反演效果更好。总之,我们的数值实验表明,利用ONAD方法与深度学习技术来实现正演和反演是非常有效的。

摘要：为了提升区域化综合能源系统的调度水平,对多能源形态下的能源负荷预测算法进行了研究。针对清洁能源供应的波动性与随机性,建立了某区域的综合能源调度模型。该模型将负荷预测问题转化为时间序列处理问题,并引入循环神经网络(rnn)来进行问题求解。同时在求解过程中使用Seq2Seq替代了传统的rnn神经元,且采用GRU作为编码器-解码器进行序列长度转换,从而有效规避了rnn网络在进行不同长度输入输出序列处理时的缺点。通过在某区域的综合能源系统内进行的算法仿真结果表明,负荷预测的相对误差小于4.5%,故能够满足能源调度的生产要求。由对比实验可知,所提算法的MAE及RMSE分别可达到3.25%、4.13%,相较于BP网络与传统rnn网络均有显著改善。

摘要：近年来,研究者在利用循环神经网络(Recurrent Neural Network,rnn)进行古诗自动生成方面取得了显著的效果。但rnn存在梯度问题,导致处理时间跨度较长的序列时rnn并不具备长期记忆存储功能。随后,出现的基于长短期记忆网络(Long Short-Term Memory,LSTM)古诗自动生成方法在一定程度上解决了rnn的梯度问题。本文将LSTM改进的门控循环单元(Gate Recurrent Unit,GRU)应用在古诗自动生成技术上,并利用Adagrad优化算法对GRU模型进行优化,最后利用Tkinter设计GUI界面进行操作和查看。实验表明,相对于传统的LTSM,GRU在古诗自动生成方面生成的古诗效果更好。

摘要：随着老龄化社会的到来,智慧养老将成为行业趋势。为实现智慧养老,本文设计了基于rnn算法结合Grafana预值检测的心跳异常检测、基于Openpose人体关键节点识别技术的跌倒检测、基于Dlib与支持向量机SVM算法的情绪识别功能。基于以上功能可实现对老人的健康与情绪的实时监测,助力智慧养老。