摘要：多尺度卷积神经网络模型在网络入侵检测中可获取更丰富的局部特征。针对浅层卷积核神经网络获取数据局部特征能力较差的不足,文中基于多尺度卷积神经网络,提出一种改进的列车通信专用网络入侵检测模型。该模型对Inception V3网络加以改进,并将模型部分大尺寸卷积核进行合理缩小并串联,以增强模型获取数据局部特征的能力;同时结合循环神经网络对时间序列的学习能力,利用Bi-GRU模型对局部特征进行学习,使模型训练后的数据也具有全局特征。实验测试结果表明:所设计模型在二分类测试中的准确度与Inception V3模型相比提升约1.3%,运行时间缩短近5.2 s;在五分类测试中,与其他对比算法相比准确度平均提升1.7%。该模型有良好的性能及效率,可有效且准确地对网络入侵进行检测。

摘要：为了保证城市轨道交通的安全、平稳运行,文中针对轨道交通网络中节点重要性的评估方法进行了研究。基于图论的思想将轨道网络抽象成有向带权图,并构建节点重要度评估体系。该体系包含度、特征向量、介数、逼近度、最大连通子图和网络连通率共6个评价指标,其能够全面描绘网络的局部、全局、连接这3个角度的属性。在该评价体系中,引入TOPSIS排序算法实现了重要度的快速排序。通过使用K⁃means算法,基于重要度的排序结果实现了有序归类。为了验证所提算法的有效性,文中采用成都实际交通网络的部分运营数据进行了仿真评估。计算结果表明,在该网络中,1~5类站点占比分别为5.5%,26.3%,38.5%,25.3%和4.4%。相较于基于网格的传统评估方法,文中方法在评价时间与评价精度上分别提升了10.20%和5.65%。

摘要：为了提升地铁客流量预测的精度,并实现精细化运营,文中基于深度学习理论中的卷积神经网络(CNN)算法提出了一种客流量预测方案。文中分析CNN网络的结构与参数,并对网络中卷积层、池化层的参数传递过程进行解析。通过引入Fisher准则解决了当前CNN网络中存在的因训练误差传递易陷入局部最优,而产生的网络过拟和问题。对原有误差函数进行改进,扩大类间距离且缩小类内距离,同时提升网络的泛化能力,并避免迭代过程中的不收敛。以成都地铁7号线部分站点的实际运营数据为样本进行仿真实验,其不但优化了地铁运营数据的格式,还提升了数据输入输出的效率。仿真结果表明,改进后的CNN网络在进行预测时的平均误差可达到4.38%,相较于传统的CNN网络降低了9.53%。