基于局部扰动的时间序列预测对抗攻击

时间序列预测模型已广泛应用于日常生活中的各个行业,针对这些预测模型的对抗攻击关系到各行业数据的安全性.目前,时间序列的对抗攻击多在全局范围内进行大规模扰动,导致对抗样本易被感知.同时,对抗攻击的效果会随着扰动幅度的降低而明显下降.因此,如何在生成不易察觉的对抗样本的同时保持较好的攻击效果,是当前时间序列预测对抗攻击领域亟需解决的问题之一.首先提出一种基于滑动窗口的局部扰动策略,缩小对抗样本的扰动区间;其次,使用差分进化算法寻找最优攻击点位,并结合分段函数分割扰动区间,进一步降低扰动范围,完成半白盒攻击.和已有的对抗攻击方法在多个不同深度模型上的对比实验表明,所提出的方法能够生成不易感知的对抗样本,并有效改变模型的预测趋势,在股票交易、电力消耗、太阳黑子观测和气温预测这4个具有挑战性的任务中均取得了较好的攻击效果.

面向复杂时间序列的k近邻分类器

基于时序对齐的k近邻分类器是时间序列分类的基准算法.在实际应用中,同类复杂时间序列经常展现出不同的全局特性.由于传统时序对齐方法平等对待实例特征并忽略其局部辨别特性,因此难以准确、高效地处理此类具有挑战性的时间序列.为了有效对齐并分类复杂时间序列,提出了一种具有辨别性的局部加权动态时间扭曲方法,用于发现同类复杂时间序列的共同点以及异类序列间的不同点.同时,通过迭代学习时间序列对齐点的正例集与负例集,获取每条复杂时间序列中每个特征的辨别性权重.在多个人工和真实数据集上的实验结果表明了基于局部加权对齐策略的k近邻分类器所具有的可解释性与有效性,并将所提出方法扩展至多变量时间序列分类问题中.

一种基于Shapelets的懒惰式时间序列分类算法

近些年,时间序列分类问题研究受到了越来越多的关注.基于shapelets的时间序列分类技术是一种有效的方法.然而,其在提取最优shapelet的过程中要建立包含大量冗余元素的候选shapelets集合,一般所获得的shapelets只在平均意义上具有某种鉴别性;与此同时,普通模型往往忽略了待分类实例所具有的局部特征.为此,我们提出了一种依据待分类实例显著局部特征的懒惰式分类模型.这种模型为每个待分类实例构建各自的数据驱动的懒惰式shapelets分类模型,从而逐步缩小了与其分类相关的时间序列搜索空间,使得所获得的shapelets能够直接反映待分类实例的显著局部特征.实验结果表明该文提出的模型具有较高的准确率和更强的可解释性.

西湖龙井茶开采期影响因子及预报模型

基于西湖龙井茶主栽品种(龙井43和龙井群体种)开采期及气象资料,应用积温和逐步回归方法,分别构建西湖龙井茶的积温预报模型和逐步回归预报模型,并利用多元线性回归方法,对两个模型的预报结果进行集成,构建集合预报模型。结果表明:积温预报模型、逐步回归预报模型、集成预报模型均通过0.01水平的显著性检验;龙井43和龙井群体种的积温预报模型回代检验平均绝对误差(MAE)分别为3.6d和2.8d,2a试预报MAE分别为2.5d和1.0d;逐步回归预报模型的回代检验MAE分别为0.9d和1.4d,2a试预报MAE分别为1.6d和0.8d;集成预报模型的回代检验MAE分别为0.7d和1.1d,2a试预报MAE分别为1.3d和0.8d。3种预报模型对西湖龙井茶开采期预报均具有应用价值,集成预报模型较积温预报模型和逐步回归预报模型的预报效果更理想,具有实际生产指导作用。

基于ReliefF剪枝的多标记分类算法

多标记分类问题需要为每个实例分配多个标记.常见的多标记分类方法主要分为算法转换法和问题转换法两类.合理利用标记间的依赖关系是提升多标记分类性能的关键.在该文中,作者从不同的问题转化方法的角度,将标记间依赖关系的利用方法分为标记分组法和属性空间扩展法两种.作者发现,对于属性空间扩展法,普遍存在的难题在于如何对标记间的依赖关系进行准确度量,并选择合适的标记集合加入到属性空间中.在此基础上,作者提出了一种基于ReliefF剪枝的多标记分类算法(ReliefF based Stacking,RFS).算法从属性选择的角度,利用ReliefF方法对标记间的依赖关系进行度量,进而选择依赖关系较强的标记加入到原始属性空间中.在9个多标记基准数据集上的实验结果显示,RFS算法相较于当下流行的多标记分类算法具有较为明显的优势.

一种面向不平衡数据流的集成分类算法

大部分数据流算法都是基于类分布大致平衡这一假设的,然而在现实世界中数据流中类的分布往往是不平衡的.同时,数据流中目标概念可能会随着时间发生变化,即概念漂移.本文针对数据流中的概念漂移和类不平衡问题,提出了一种基于集成的不平衡数据流分类算法.在分类之前加入采样方法应对类不平衡问题,并采取有效的基分类器更新和加权策略应对概念漂移现象,从而提高分类器的性能.针对本文所提出的算法,和几种经典学习算法,在人工合成和真实数据集上进行了广泛的对比实验.实验结果表明本文所提出的算法,其整体分类性能优于其他算法,更能适应存在概念漂移和类不平衡的数据流环境.

一种时间序列鉴别性特征字典构建算法

时间序列数据广泛产生于科技和经济的多个领域.基于符号傅里叶近似(symbolic Fourier approximation)和滑动窗口的定长单词抽取算法是目前时间序列特征字典构建过程中最有效的特征生成算法之一,但是该算法在特征生成过程中不能根据不同滑动窗口长度动态地选择保留的最优傅里叶值的个数,而且特征字典构建过程中缺少从生成的海量特征中对鉴别性特征进行有效选择的算法.为此,提出一种鉴别性特征字典构建算法.首先,提出一种针对不同长度滑动窗口学习最优单词长度的基于Fourier近似的可变长度单词抽取方法;其次,构建了一种新的特征鉴别性评价指标,并依据其动态阈值对生成的特征进行选择.实验结果表明,基于构建的特征字典的逻辑回归模型不仅分类精度高,而且可以有效发现预测过程中的鉴别性特征.

基于链路效能社会DTN网络的路由算法

数据在网络中的传输需要网络协议的保障,同时网络协议的设计也需要结合通信的环境特征。TCP/IP协议设计的相关假设在有线网络或者节点间连接状况良好的无线网络中可以实现。在某些环境恶劣的受限通信场景中,TCP/IP协议体系难以完成数据传输的任务。为了满足多种需求、随时接入及不限地域的通信需要,引入容迟网络(DTN,Delay Tolerant Network)的概念。社会DTN网络通过无线连接,节点间的连接效能并不相同,对链路的性能进行评价,并作出定量分析,能够指导数据在网络中的传输。设计了基于链路效能的社会DTN网络路由算法——LABR。通过ONE平台仿真验证,对性能进行分析,并与现有路由算法进行对比。

鄂尔多斯盆地基底断裂多期演化及其主控因素分析——基于构造物理模拟实验

针对鄂尔多斯盆地基底断裂多期活化对上覆层系的影响,开展了基于伸展环境的基底断裂多期发育的构造物理模拟实验。实验结果表明:鄂尔多斯盆地基底断裂控制上覆盖层及滑脱层的断裂体系展布和活动。前寒武系同沉积时期,基底断裂具有生长正断裂的特征;寒武系以来非同沉积时期,基底断裂具有多期活动特征。基底断裂多期活动产生一系列切穿上覆岩层和滑脱层的正断层组合,导致盆地内部应力条件的差异,从而影响了油气分布。

阵列天线电磁-结构-热耦合理论:现在与未来

有源相控阵雷达作为支撑国家战略安全的核心装备,承担着国家战略反导、超视距探测、反隐身侦查、远程引导打击等重大任务,维护着我国的国土安全,更是我国大国地位的战略支柱.有源相控阵技术诞生于20世纪60年代的战火之中,军事上的迫切需要使其一经问世就引起了世界的轰动,它的出现甚至影响了世界军事的变革.相比于传统的单脉冲、脉冲多普勒等技术,它使雷达迈入了一个新时代,对雷达发展产生了深远和广泛的影响.有源相控阵雷达中每个天线单元都连接有对应的发射/接收组件,通过控制移相器改变天线孔径上的相位分布,实现天线不做机械转动而天线波束在空间进行快速电扫描.因此,相比于传统机械扫描雷达扫描惯性大、数据率有限、信息通道数少、不易满足自适应和多功能需求等缺点,有源相控阵雷达具备微秒时间内灵活且无惯性扫描、功能多、可靠性高、数据率大、雷达反射截面积低、自适应能力强、不易受到干扰等无可比拟的优势.随着现代国防的重大需求,雷达装备向着超视距、精准探测、极度隐身等方向持续发展,有源相控阵天线向着高频段、高增益、高指向精度、低副瓣电平等方向不断迈进,天线的高电磁指标对结构的刚度、轻量化、高效散热等设计参数提出了严苛的要求,天线内部各参数呈现高维度多场耦合关系,更容易受到战场恶劣环境的干扰而恶化天线的电性能,降低雷达的探测威力、制导精度与战场生存能力等.有源相控阵天线被誉为“三军之眼”,是涉及多学科交叉的典型装备,其结构、热、电磁之间存在的相互影响、相互制约的耦合关系定义为有源相控阵天线的机电热耦合问题.主要耦合问题有四点.其一,馈电误差影响天线电磁性能:有源相控阵天线馈电网络误差、辐射单元失效、热敏电子元器件(如发射/接收组件中的移相器)性能温漂、天线单元互耦等都会引起馈电电流的幅相误差,导致天线电磁性能恶化.其二,结构误差影响天线电磁性能:有源相控阵天线制造、装配存在随机误差,服役中振动、冲击、热功耗等导致阵面变形,最终引起辐射单元位置偏移,天线阵面电磁幅相分布发生变化,导致发射波束变化,最终使天线电性能受到严重影响.其三,热影响天线电磁性能:有源相控阵天线阵面上安装有成千上万的发射/接收组件,热功耗巨大,一方面会导致天线阵面的结构热变形,另一方面也会引起器件的性能下降,最终导致天线电磁性能的恶化.其四,结构、热与电磁性能耦合:三者中任一个变化,都会引起其他两个的变化.有源相控阵雷达在不同占空比工作模式下,其天线阵面电磁幅相会做出相应分布,导致热功耗随之变化,从而引起温度分布发生变化,进而影响天线阵面的结构热变形.因此有源相控阵天线的机电热耦合问题已成为制约其稳健发展,进一步提升性能的瓶颈问题.本文梳理了陆基、舰载、机载、弹载、星载不同平台上有源相控阵天线的发展动态,分析了各武器平台上有源相控阵天线的结构特点,归纳了“陆、海、空、天”不同战场环境的服役载荷对有源相控阵天线的影响,然后总结了天线结构误差、天线罩高温烧蚀、T/R组件馈电误差、天线单元失效等多重因素影响下有源相控阵天线机电热耦合机理分析与建模方法,机电热耦合技术在有源相控阵天线制造精度、高效散热以及轻量化综合优化、稀疏阵设计等领域的应用,以及服役环境下有源相控阵天线状态监测、位移场重构、电性能补偿等关键保障技术,最后探讨了机电热耦合技术的未来研究方向以及在不同研究领域的应用前景.

基于多尺度残差FCN的时间序列分类算法

时间序列数据广泛存在于我们的生活中,吸引了越来越多的学者对其进行深入的研究.时间序列分类是时间序列的一个重要研究领域,目前已有上百种分类算法被提出.这些方法大致分为基于距离的方法、基于特征的方法以及基于深度学习的方法.前两类方法需要手动处理特征和人为选择分类器,而大多数的深度学习方法属于端到端的方法,并且在时间序列分类问题中表现出不错的分类效果.但是,目前基于深度学习的方法很少能够针对时间序列数据中时间尺度选择的问题对网络进行改进,在网络结构方面,很少将网络进行融合,从而更好地发挥各自的优势.为了解决这两类问题,提出一种多尺度残差全卷积神经网络(MRes-FCN)结构,用来处理时间序列问题.该结构主要分为数据预处理阶段、全卷积网络与残差网络结合的阶段.为了评价该方法的性能,在UCR的85个公开数据集上进行了实验,与基于距离的方法、基于特征的方法和基于深度学习的方法分别进行了比较.实验结果表明:所提出的方法较其他方法而言具有很好的性能,在多个数据集上优于大多数方法.

不同造林密度对米老排人工林枝条发育的影响

[目的]探究不同造林密度对米老排枝条发育的影响规律,为米老排修枝培育无节良材提供理论依据。[方法]本研究以8年生米老排密度试验林为研究对象,通过调查一级枝条的数量、基径、长度、分枝角、分枝高和方位角等观测数据,分析5种造林密度对米老排林分9 m以下枝条发育以及空间分布的影响。[结果]表明:米老排枯枝层的高度随密度的增大而增高,枝条总量和枯枝数量受密度影响不显著,林分枯枝率随密度的增大而增大,活枝量与密度呈负相关;米老排树干9 m以下枝条基径、枝长和分枝角均随密度的增大而减小;水平方向上,同一密度,不同方位的枝条基径、枝长、分枝角和数量均随方位角的增大先减小后增大,在光照条件较好的方位区间(0～90°或316～360°)内达到最大值;垂直方向上,枝条基径、长度、数量随相对位置的升高先逐渐增大,之后无显著变化。[结论]造林密度对米老排枝条大小的影响显著,高密度(2 500株·hm^(-2))可以抑制枝条的生长;建议根据培育目的选择合适的造林密度,并采用目标材种培育技术,在幼龄期对优势木及亚优势木进行人工修枝,提高木材质量。

基于显露模式的数据流贝叶斯分类算法

基于模式的贝叶斯分类模型是解决数据挖掘领域分类问题的一种有效方法.然而,大多数基于模式的贝叶斯分类器只考虑模式在目标类数据集中的支持度,而忽略了模式在对立类数据集合中的支持度.此外,对于高速动态变化的无限数据流环境,在静态数据集下的基于模式的贝叶斯分类器就不能适用.为了解决这些问题,提出了基于显露模式的数据流贝叶斯分类模型EPDS(Bayesian classifier algorithm based on emerging pattern for data stream).该模型使用一个简单的混合森林结构来维护内存中事务的项集,并采用一种快速的模式抽取机制来提高算法速度.EPDS采用半懒惰式学习策略持续更新显露模式,并为待分类事务在每个类下建立局部分类模型.大量实验结果表明,该算法比其他数据流分类模型有较高的准确度.

基于卡方检验的Android恶意应用检测方法

移动终端爆发式增长造成了恶意应用的大量出现,给用户的隐私安全和财产安全带来了巨大的危害.为提高Android应用恶意性检测的准确性,本文将卡方检验与基尼不纯度增量相结合获取更有价值的特征属性;并改进朴素贝叶斯算法提高Android应用恶意性判断的准确性.实验结果表明:新的特征处理方法能够有效提高检测性能;同时,改进后的朴素贝叶斯算法相比原始算法而言准确率有较大的提升.

基于局部梯度和二进制模式的时间序列分类算法

时间序列分类问题是时间序列数据挖掘中的一项重要任务,近些年受到了越来越广泛的关注.该问题的一个重要组成部分就是时间序列间的相似性度量.在众多相似性度量算法中,动态时间规整是一种非常有效的算法,目前已经被广泛应用到视频、音频、手写体识别以及生物信息处理等众多领域.动态时间规整本质上是一种在边界及时间一致性约束下的点对点的匹配算法,能够获得两条序列间的全局最优匹配.但该算法存在一个明显的不足,即不一定能实现序列间的局部合理匹配.具体的讲,就是具有完全不同局部结构信息的时间点有可能被动态时间规整算法错误匹配.为了解决这个问题,提出了一种改进的基于局部梯度和二进制模式的动态时间规整算法LGBDTW(local gradient and binary pattern based dynamic time warping),通过考虑时间序列点的局部结构信息来强化传统动态时间规整算法.所提算法虽然实质上是一种动态时间规整算法,但它通过考虑序列点的局部梯度和二进制模式值来进行相似性加权度量,有效避免了具有相异局部结构的点匹配.为了进行全面比较,将所提出的算法应用到了最近邻分类算法的相似性度量中,并在多个UCR时间序列数据集上进行了测试.实验结果表明,所提出的方法能有效提高时间序列分类的准确率.此外,实例分析验证了所提出算法的可解释性.

一种水下低频声源系统的设计

水下声源系统是对水声装备进行测试或校准时常用的设备。本文提供了一套可远程水声遥控的低频水下声源系统的实现方案,具体给出了系统的硬件构成、遥控距离估算方法和遥控信号检测方法。通过高频水声应答器,本系统使用者可控制低频声源的开启和关闭。低频声源的发射频率和声源级大小能够在入水前由使用者根据实际需要自由配置。系统由高能锂电池提供电能,可在水下长时间工作。经测试,该低频声源系统的遥控功能正常,低频声源最大发射声源级可达175dB以上。

嵌入典型时间序列特征的随机Shapelet森林算法

近年来,时间序列分类问题的研究受到了广泛关注。先进的时间序列分类方法通常建立在良好的特征表示的基础之上。Shapelet是时间序列中具备鉴别性的子序列,可有效表达时间序列的局部形状特征。然而,高昂的计算成本大大限制了基于Shapelet的时间序列分类方法的实用性。除此之外,传统的Shapelet仅能描述欧氏距离度量下子序列的形状特征,因此极易受到噪声干扰并难以挖掘子序列中蕴含的其他类型的鉴别性信息。为应对上述问题,提出了一种新的时间序列分类算法——嵌入典型时间序列特征的随机Shapelet森林。该算法基于以下3个关键策略:1)随机选取Shapelet并限制Shapelet的作用范围以提高效率;2)在Shapelet中嵌入多个典型时间序列特征以提高算法对不同分类问题的适应性,并弥补随机选取Shapelet带来的精度损失;3)在新的特征表示的基础上构建随机森林分类器以确保算法的泛化能力。112个UCR时间序列数据集上的实验结果表明,本文算法的准确性超越了基于Shapelet精确搜索和Shapelet转换技术的STC算法,以及多个其他类型的先进时间序列分类算法。此外,广泛的实验对比验证了本文算法在效率上的显著优势。

时间序列可变尺度的时频特征求解及其分类

对于许多实际应用来说,获取多个不同窗口尺度上的模式,有助于发现时间序列的不同规律性特征.同时,通过对时间序列时域和频域两方面的分析,有助于挖掘更多的知识.提出了一种新的基于可变尺度的时域频域辨别性特征挖掘方法以及应用于分类的算法.主要采用了不同尺度窗口、符号聚合近似技术以及符号傅里叶近似技术等,以有效地发掘时间序列不同尺度时域频域模式;与此同时,使用统计学方法挖掘部分最具辨别性的特征用于时间序列分类,有效地降低了算法时间复杂度.在多个数据集上的对比实验结果,说明了该算法具有较高的准确率;在真实数据集上的解析,表明了该算法具有更强的可解释性.同时,该算法可扩展应用到多维时间序列分类问题中.

创新扩散视域下的网络口碑再生产研究:以蚂蜂窝网为例

互联网的发展深刻改变了旅游信息传播方式。本研究立足于创新扩散的视域,以蚂蜂窝旅行网为例,对网络口碑的形成及传播过程进行了考察。研究发现,由众多网友生成的口碑,在网络上快速传播,被游客接纳并影响到他们的行为选择。受众对于网络口碑并不仅仅只停留在接纳阶段,会结合已接纳的内容和行动实践中形成的观点,生成新的口碑并在网上发布。这一过程是个体在创新扩散过程中进行的"再生产"。"再生产"的凸显不仅意味着接纳不再是扩散的终点,而且对网络口碑的传播效果和模式也带来重要影响。

基于BP-遗传算法的集电极Cu-Al超声波焊接工艺研究

为提高汽车动力锂电池集电极的异种金属焊接质量,同时基于BP神经网络的非线性映射特点,选取焊接压力、焊接振幅和焊接能量三种焊接工艺参数作为超声波焊接的输入变量,对电动汽车动力锂电池集电极铜—铝异种金属间焊接进行工艺研究.将满足预测精度的BP神经网络与可进行全局寻优的遗传算法相结合,对关键的超声波焊接工艺组合参数计算优化.最后取得工艺参数的最优解焊接压力0.29 MPa、焊接振幅49μm和焊接能量731J进行验证,其测试抗剪载荷为1319 N,算法预测值与真实试验值的相对百分比误差为0.61%,误差满足要求.