摘要：随着计算机和网络的发展,人们的生活已经逐渐离不开网络了,网络的出现为人们的生活、工作和出行带来了极大的便利。在这种情况下,检测网络流量,实时侦探出网络流量异常变得十分重要。文章针对传统网络异常流量检测方法的缺陷即无法自动提取特征和无法体现时序性的问题,设计了一个基于改进rnn的网络异常流量检测模型。该模型可以较好地预测网络流量并通过与真实流量做对比进行网络流量预警。与历史传统方法相比,该模型减轻了人工量并且较少了网络参数,减少了训练时间。

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：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：金融预测旨在对金融历史数据进行分析,构建预测模型,并对未来数据走势作出预测。系统创新性地将最新的深度学习成果与金融预测相结合,提出使用循环神经网络预测金融数据变化的方法。首先介绍了近几年人工智能的突破性成果,以rnn相关技术为基础对系统进行设计,然后通过实验组展示系统预测效果,并对系统获得的结果数据,使用深度学习相关评估算法评估其预测准确性。实验评估结果表明,使用循环神经网络学习与分析历史数据,并将其模型用于预测未来金融数据走势的方案具有较高的可靠性与准确性。因此,深度学习在金融预测领域具有较大发展潜力。

摘要：实现中文文本纠错的目的是提高语言的正确性,同时减少人工校验成本。序列到序列的深度模型可以避免人工提取特征,减少人工工作量,对文本任务拟合能力强,特别是Transformer模型,近几年在自然语言处理领域大火大热。Transformer模型摒弃了传统序列到序列模型中CNN或rnn的方法和模块,开创性地将自注意力机制作为编解码器的核心,不仅训练速度快,而且解决了rnn处理长距离文本可能导致语义丢失的问题。本论文设计了一个基于Transformer的中文纠错系统,经过NLPCC2018官方基准测试集的测试,本论文设计的模型精确率达到27.19,召回率达到12.27,证明本系统有效。

摘要：本文采用基于深度学习的循环神经网络(rnn),来对高校过往学生成绩数据进行处理分析,挖掘各课程之间的关系,进而实现对学生未来课程的预测,便于对相关学生做出预警通知。该预警可以加强教务系统的应用,从而加强对学生的管理,对防范学生出现挂科现象具有良好效果。

摘要：为减少卷烟物流设备停机风险,提高备件管理能力,设计并实现了基于微信小程序的卷烟物流设备健康管理系统,应用结果表明:该系统能有效利用rnn算法进行关键设备故障预测,备件管理更加方便、高效。

摘要：循环神经网络(Recurrent Neural Network,rnn)采用叠乘序列处理问题时,容易出现梯度消失或梯度爆炸,而LSTM(long short-term memory)模型当前的单元信息是通过输入门控制之后叠加来解决梯度消失问题。采用机器学习经典神经网络rnn循环神经网络变体长短期记忆网络对2020年2月22日—7月13日爆发的新型冠状病毒(COVID-19)肺炎中新增确诊人数、现有确诊人数、治愈、死亡、累计确诊人数作为趋势进行序列分析预测。rnn循环神经网络正向传播机制通过分配给当前时刻的输入和上一时刻的状态2个输入数据,将2个结果一个拷贝传给下一时刻,一个传给输出层,cell的输出作为输出层的输入进行最后全连接操作。其中将前4项元素作为序列输入值,样本序列长度为14,每个数据输入维度为4,后一项元素作为序列输出值。实验结果表明,LSTM网络适合用于做疫情序列分析预测。

摘要：针对传统农作物灌溉方式容易造成严重的水资源浪费,缺乏科学有效的灌溉方式,提出一种基于大数据的智慧灌溉系统。首先,搭建了以STM32F103作为核心处理器硬件平台;通过对无线传感器终端、数据汇集终端、灌溉执行终端和上机位软件功能模块4个部分的设计,完成对系统软件的设计。然后,构建了基于LSTM的智慧灌溉预测模型。最后,根据实际生产要求,对构建的系统进行了验证。实验结果表明,提出的基于大数据的智慧灌溉系统采集数据精准迅速,灌溉的精度能够满足现代智慧农业灌溉。

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。