基于BiLSTM-Attention的F_(10.7)指数预测模型与中国自主数据集的应用

F_(10.7)指数是太阳活动的重要指标,准确预测F_(10.7)指数有助于预防和缓解太阳活动对无线电通信、导航和卫星通信等领域的影响.基于F_(10.7)射电流量的特性,在双向长短时记忆网络(Bidirectional Long Short-Term Memory Network,BiLSTM)基础上融入注意力机制(Attention),提出了一种基于BiLSTM-Attention的F_(10.7)预报模型.在加拿大DRAO数据集上其平均绝对误差(MAE)为5.38,平均绝对百分比误差(MAPE)控制在5%以内,相关系数(R)高达0.987,与其他RNN模型相比拥有优越的预测性能.针对中国廊坊L&S望远镜观测的F_(10.7)数据集,提出了一种转换平均校准(Conversion Average Calibration,CAC)方法进行数据预处理,处理后的数据与DRAO数据集具有较高的相关性.基于该数据集对比分析了RNN系列模型的预报效果,实验结果表明,BiLSTM-Attention和BiLSTM两种模型在预测F_(10.7)指数方面具有较好的优势,表现出较好的预测性能和稳定性.

人脸视频伪造检测技术进展与趋势

伪造与伪造检测之间作为动态的攻防关系,一方的进步会促使另一方进行技术上的迭代和升级。然而,随着AIGC技术的快速发展,逼真的伪造人脸视频可以欺骗人类视觉感知,人脸视频伪造检测技术已经落后于人脸视频伪造技术,伪造检测技术难以适应复杂的伪造场景,导致视频内容安全防护受到了重大挑战。因此,对于人脸视频伪造数据的检测,在国家和社会安全等方面具有重要的研究和应用价值,近年来已成为亟待研究的热点问题。在此背景下,通过探索评测基准客观量化、基准数据动态更新、应对新型伪造检测、伪造检测自主进化等方面的技术攻关,可以为人脸视频防伪领域提供新视角和发展方向,促进防伪检测技术的进一步发展。

基于结构性质保持和相关性学习的多标记分类算法

现有的多标记学习技术大多只考虑了相关性学习问题而忽略了数据因变换而引起的结构性质不一致问题,导致原始特征数据的结构性质因映射变换发生改变,从而影响了模型的分类性能。为了解决这一问题,提出了基于结构性质保持和相关性学习的多标记分类算法。首先,构造了线性映射函数以实现特征空间与标记空间的映射;然后借鉴图正则化思想,引入基于特征数据的结构性质保持策略以降低特征数据因线性变换引起的结构性质差异;最后,针对标记数据引入基于标记对的相关性学习策略进一步优化算法参数,以提高模型的分类性能。在不同规模的标准数据集上进行测试,结果表明所提算法与一些流行的多标记分类算法相比具有更优的分类性能,验证了所提算法的有效性。