深度学习策略下缓慢循环异味检测方法

缓慢循环是一种Android特有代码异味,对Android应用程序的可维护性产生负面影响.针对传统基于静态程序分析方法误检率较高的问题,本文提出基于深度学习的检测方法.首先,使用代码文本信息作为模型输入的特征集.然后,使用两种深度学习模型进行异味检测.此外,为了快速、准确获得模型所需的大量样本数据,提出了一种基于开源Android项目构造正负样本的方法并实现工具ASSD.最后,使用开源Android数据集对提出的方法进行实验验证.实验结果表明,本文方法优于现有基于程序静态分析的检测方法,其中检测效果最好的是CNN模型,其F1值平均提高了28.7%.此外,本文方法优于基于机器学习的检测方法,相对于检测效果最好的随机森林模型,CNN模型的F1值平均提高了9.43%.

教学过程当中的混沌性

近半世纪以来,科学家发现许多自然现象即使可化为单纯的数学公式,但是其行径却无法加以预测。一九六零年,美国数学家Stephen Smale发现,某些物体的行径经过某种规则性的变化之后。

仿真对混沌学学习的重要作用

混沌理论是当今世界最伟大的理论之一。它是社会科学与自然科学最完美结合的理论。它研究如何把复杂的非稳定事件控制到稳定状态的方法,它研究世界如何在不稳定的环境中稳定发展的问题。混沌方法对于处理复杂多变、动荡不定的重大事件有特殊功效。

基于输出控制的混沌同步保密通信系统

该文提出一种基于混沌系统输出线性化的反馈控制方法,将混沌系统的非线性部分线性化,从而将复杂的非线性混沌系统的同步问题转化为简单的线性混沌系统的稳定性问题,然后通过极点配置理论,用线性化的方法同步两个非线性混沌系统。基于这种同步方法设计出混沌保密通信系统,系统的一条通道用来传输输出信号,另一条通道传输通过遮掩和调制隐藏后的信息信号。仿真结果表明这种保密通信系统是有效的。

基于异步深度强化学习的城市智能交通控制方法

本文针对城市智能交通信号控制领域存在的控制效果差,算法收敛速度慢等问题,提出了一种基于异步优势行动者-评论者算法的深度强化学习的城市智能交通控制算法。首先抽象出交通路口的特征,输入到由神经网络构成的智能体,通过多个智能体异步学习,解决了传统方法控制效果不理想、训练耗时过长的问题。通过在开源交通模拟软件sumo上进行仿真,对比固定时间和传统方法控制的交通路口信号灯,不同的交通流量情况下的交通路口通行效率都有所提高。实验证明本文提出的方法可以有效解决城市交通路口信号灯控制问题。

一种结构化道路建模方法

在智能交通研究中,交通场景准确地仿真建模对于后期利用场景进行设计和算法的研究有着非常重要的影响。本文总结了交通建模的普遍特点,提出了一种结构化的道路建模方法。该方法把实际交通场景映射到数学空间,使用函数表示交通场景,结合空间坐标实现道路场景的仿真建模。实验结果显示,可以使用该仿真环境获取模拟监控指标和目标数据,且数据分布合理,能够较好的模拟实际场景。