基于改进BP神经网络的电子政务内网信息安全评估方法

为了发现电子政务内网的信息安全隐患,提出一种采用改进反向传播人工神经网络（BP ANN）技术的电子政务内网信息安全的评估方法,基于改进BP ANN建立电子政务内网神经网络评估模型.以电子政务内网主要信息安全指标作为训练样本,对建立的BP ANN评估模型进行学习和训练,找到输入与输出之间的关系,并用样本对训练好的BP网络进行验证.仿真结果表明,评估方法能够较好的为复杂的电子政务内网进行信息安全评估,评估模型稳定且自适应性强.     

基于多ANN模型的复杂系统长时段预报

提出一种多ANN结构的极值聚类训练算法,并将这种方法应用于复杂系统长时段预 报.采用这种方法,可以提高长时段预报精度、增强模型的可靠性.以这种模型为基础可以 进一步建立基于多ANN模型的复杂系统预测控制.     

环境空气SO2和NO2浓度的GA_ANN预测模型研究

空气中污染物浓度的预测是一个复杂的非线性问题。国内外的研究表明神经网络能够比回归模型更好地预报空气污染物。设计并实现了将用于选择最优预报因子的遗传算法和神经网络算法相结合的GA_ANN空气质量预测模型,利用某市2003~2006年的数据建立神经网络空气质量预测模型,对该市2007年全年SO₂和NO₂的预测实验表明,GA_ANN模型比单纯的神经网络模型具有更高的预报精度。     

基于FAHP和ANN的锅炉风险评估技术研究

针对传统的锅炉故障诊断方法中神经网络模型结构复杂,信号繁多、训练时间长等缺点,提出了一种基于FAHP和ANN结合的风险评估研究方法;采用FAHP分析锅炉的安全层次结构.通过对影响锅炉安全状态的若干因素之间隶属度的判别,构造出反映人类专家经验与客观事实一致性的模糊矩阵,进而定量地计算出各因素的权重系数;选择权重系数较大的因素作为锅炉安全ANN模型的输入,从而得到锅炉的安全层级;经实际验证,此方法既保留了关键信息,又剔除了冗余信息的干扰,从而简化了ANN的结构,缩短了运算时间,在保持评估准确性的前提下,满足了锅炉安全评估快速性的要求.     

ANN／HMM混合模型在语音识别中的应用

结合HMM较强的处理时间序列的能力以及ANN的学习能力强、识别速度快等特点提出了一种ANN／HMM混合模型,该模型具有较强的处理时问序列的能力。本文主要介绍了该模型的结构以及模型的训练算法。在此基础上将其应用于语音识别的建模,并通过相应实验验证了该模型的可行性。     

多链ANN-HMM识别模型及其应用

本文提出了一种多链ANN-HMM识别模型.首先,通过将ANN集成到HMM模型中,利用ANN对HMM进行训练;其次,通过对HMM的单链进行扩充,使之成为多链,以实现多特征并行识别与重组.实验表明,该识别模型对多特征连续对象具有良好的识别能力.     

多层神经网络在入侵检测中的应用

对多层ANN的结构和向后传播算法进行了设计,提出了移动窗口和事件子视图等概念,通过提取审计事件类型的方法,采样了ANN的训练数据和测试数据.具体实现了设计算法,并用该软件分别对UNIX和Windows XP两个操作系统的数据进行了实验.实验结果表明,多层ANN可以作为一个入侵检测的模型和技术应用于入侵检测之中.     

基于改进禁忌算法和ANN 的故障诊断推理

针对BP神经网络存在着容易陷入局部极小值且收敛速度慢的问题,提出了一种基于改进禁忌算法和ANN（Artificial neural network）结合的故障诊断模型．首先对故障诊断模型进行了定义,然后使用训练数据对网络的权值、阀值等参数进行训练,将训练结果作为改进禁忌优化算法的初始解进行全局寻优,对改进的禁忌优化算法进行了定义和描述,最后将全局寻优的结果代入神经网络中,使用测试数据进行故障诊断．通过仿真实验证明文中的方法与未经优化的ANN故障诊断模型相比,克服了传统方法的不足,具有诊断精度高、诊断速度快以及收敛速度快的特点．     

基于优化插值与差值神经网络算法的硅片刻蚀深度预测模型

针对半导体加工工艺复杂、成本高、工艺数据量少,一般的人工神经网络(ANN)算法无法准确预测其加工工艺性能的问题,提出一种基于优化插值与差值神经网络(OIDNN)算法的适用于小样本的硅片刻蚀深度预测模型.首先,分别由实验得到刻蚀深度的实验数据,由计算机辅助设计(TCAD)技术仿真得到刻蚀深度的模拟数据,并划分为训练集、验证集和预测集;将TCAD模拟数据作为额外输入参数插入ANN1模型,同时,将实验数据与TCAD模拟数据的差值作为ANN2模型的输出参数,得到两份预测结果;最后将两份预测结果作为输入参数,经ANN3模型训练选择权重,得到最终预测结果.OIDNN算法在不同大小的样本数量下,所得预测刻蚀深度和实验刻蚀深度之间平均的均方误差(MSE)为0.0095μm,相较于ANN减小80％以上,相较于自适应权值神经网络(AWNN)减小85％以上.实验结果表明,所提模型可以有效提高预测的准确度,提高算法的收敛速度,并且适用于小样本的工程应用场景.     

MLR和人工神经网络研究取代芳烃定量构效关系

采用量子化学密度泛函B3LYP方法,计算了17个取代芳烃类化合物的电子结构参数;筛选出影响发光菌毒性显著的5个变量,并建立其结构与毒性之间的MLR模型和ANN模型以资对比。所建MLR模型的相关系数R=0.839,标准误差Se=0.298;ANN模型的相关系数.R=0.978,标准误差Se=0.126。表明所建立的ANN模型具有更好的稳定性和预测能力。结果表明,取代芳烃类化合物对发光菌毒性与零点振动能ZPE和分子最高占有轨道能EH成反比例关系。     

一种新型的GEP算法及应用研究*

提出一种适合于GEP表达式树构造的新方法,以及相应的新解码方法(GPED).通过实验对比,GPED可大大缩短演化时间.提出一种新的算法GPEP,将GPEP应用于碎石桩复合地基承载力预测,结果表明GPEP算法在预测精度和演化效率上均超过遗传神经网络、GP等算法.     

一种面向分布式深度学习系统的资源及批尺寸协同配置方法

如何在受限时间内满足深度学习模型的训练精度需求并最小化资源成本是分布式深度学习系统面临的一大挑战.资源和批尺寸超参数配置是优化模型训练精度及资源成本的主要方法.既有工作分别从计算效率和训练精度的角度,对资源及批尺寸超参数进行独立配置.然而,两类配置对于模型训练精度及资源成本的影响具有复杂的依赖关系,既有独立配置方法难以...     

大权值抑制策略用于训练卷积神经网络

卷积神经网络（Convolutional Neural Network,CNN）是深度学习研究的重要方向,因其模型复杂且训练困难,所以设计更好的CNN训练方法一直是研究热点。针对训练好的CNN模型,分析了其参数权值对训练结果的影响,确认权值越大的连接参数对模型性能的影响也越大,且整个模型的性能主要由极少数的大权值参数决定。据此,提出了CNN的权值抑制训练方法（Weight Restrain of CNN,WR-CNN）,该方法调整了模型训练时的权值更新策略,设置一个与权值大小相关的抑制系数,用该系数调整反向传播时的权值增量幅度,达到控制大权值连接参数分布的目的。在不同实验条件下,该方法将CNN模型的错误率降低1.8%~5.0%,模型对大权值参数的敏感性明显降低,模型泛化能力和鲁棒性均得到改善,另外,该方法也可用于对已训练好的网络模型进行再优化。     

基于Cross-DeepFM的军事训练推荐模型

为了将推荐系统应用到军事训练领域,充分发挥军事训练大数据在个性化训练方面的价值,提出了一种基于深度学习的混合推荐模型Cross-DeepFM。首先采集和预处理真实军事训练数据,构建出自定义军事训练数据集;然后将深度残差神经网络、深度交叉网络和因子分解机相结合,设计了Cross-DeepFM模型结构并对模型细节进行分析;最后在自定义军事训练数据集上进行了实验与分析比较。实验结果表明,该模型与主流推荐模型相比具有更高的准确度,可有效完成军事训练个性化推荐任务。     

基于CUDA的GMM模型快速训练方法及应用

由于能够很好地近似描述任何分布,混合高斯模型(GMM)在模式在识别领域得到了广泛的应用.GMM模型参数通常使用迭代的期望最大化(EM)算法训练获得,当训练数据量非常庞大及模型混合数很大时,需要花费很长的训练时间.NVIDIA公司推出的统一计算设备架构(Computed unified device architecture,CUDA)技术通过在图形处理单元(GPU)并发执行多个线程能够实现大规模并行快速计算.本文提出一种基于CUDA,适用于特大数据量的GMM模型快速训练方法,包括用于模型初始化的K-means算法的快速实现方法,以及用于模型参数估计的EM算法的快速实现方法.文中还将这种训练方法应用到语种GMM模型训练中.实验结果表明,与Intel DualCore PentiumⅣ3.0 GHz CPU的一个单核相比,在NVIDIA GTS250 GPU上语种GMM模型训练速度提高了26倍左右.     

基于深度强化学习的机械臂控制快速训练方法

人工智能在机器人控制中得到广泛应用,机器人控制算法也逐渐从模型驱动转变为数据驱动。深度强化学习算法可在复杂环境中感知并决策,能够解决高维度和连续状态空间下的机械臂控制问题。然而,目前深度强化学习中数据驱动的训练过程非常依赖计算机GPU算力,且训练时间成本较大。提出基于深度强化学习的先简化模型（2D模型）再复杂模型（3D模型）的机械臂控制快速训练方法。采用深度确定性策略梯度算法代替机械臂传统控制算法中的逆运动学解算方法,直接通过数据驱动的训练过程控制机械臂末端到达目标位置,从而减小训练时间成本。同时,对于状态向量和奖励函数形式,使用不同的设置方式。将最终训练得到的算法模型在真实机械臂上进行实现和验证,结果表明,其控制效果达到了分拣物品的应用要求,相比于直接在3D模型中的训练,能够缩短近52%的平均训练时长。     

面向模型并行训练的模型拆分策略自动生成方法

随着训练数据规模的增大以及训练模型的日趋复杂,深度神经网络的训练成本越来越高,对计算平台提出了更高的算力需求,模型训练并行化成为增强其应用时效性的迫切需求。近年来基于分布式训练的AI加速器（如FPGA、TPU、AI芯片等）层出不穷,为深度神经网络并行训练提供了硬件基础。为了充分利用各种硬件资源,研究人员需要在集合了多种不同算力、不同硬件架构AI加速器的计算平台上进行神经网络的模型并行训练,因此,如何高效利用各种AI加速器计算资源,并实现训练任务在多种加速器上的负载均衡,一直是研究人员关心的热点问题。提出了一种面向模型并行训练的模型拆分策略自动生成方法,该方法能够基于静态的网络模型自动生成模型拆分策略,实现网络层在不同AI加速器上的任务分配。基于该方法自动生成的模型分配策略,能够高效利用单个计算平台上的所有计算资源,并保证模型训练任务在各设备之间的负载均衡,与目前使用的人工拆分策略相比,具有更高的时效性,节省拆分策略生成时间100倍以上,且降低了由于人为因素带来的不确定性。     

基于模拟目标的测量雷达实战化训练方法研究

针对精密测量雷达训练时,由于缺少训练合作目标,导致训练的针对性差,有效性不好等实际问题,结合测量雷达实际应用的特点和规律,提出了采用计算机仿真技术构建训练合作目标的运动轨迹模型、RCS(目标的雷达散射截面积)特性模型,并利用测量雷达目标模拟器在测量雷达上实现基于模拟目标的测量雷达实战化训练方法;经在某型测量雷达上实际应用进行验证,结果表明方法可行,利用本方法使训练更贴近实战,训练的针对性、有效性得到很大提高.     

计算机专业模拟实训课程的实践与探讨

目前高校实训课程缺乏通用模式的现状,我们在计算机应用系统开发课程上进行校内模拟实训的探索实验。在总结近3年实践成果的基础上,文章提出"校内模拟实训+企业实训体验"的新型实训培养体系;该实训模式可确保学生在企业实训前有充分的适应过程,有利于高校培养具有创新能力的工程技术人才。校内模拟实训具有以高校为主、实训质量可控、教学方式多样化、可按班教学等优势。