带宽异构网络下的精确修复再生码数据修复方案

再生码技术以高容错性、低冗余开销等优点在数据存储领域得到了广泛应用,但基于再生码的冗余技术在修复失效数据时需从其他帮助节点下载多个编码块。考虑到节点间链路带宽的异构性,在实际网络中链路可用带宽容量变化很大,网络流量最小化并不一定意味着数据修复时间最小化,并且现有针对带宽异构网络下的再生码数据修复方案难以支持精确地修复再生码。由于精确修复再生码具有特定的数学结构,其并行修复难以实现,因此提出一个在带宽异构网络下实现精确修复再生码的数据修复方案ERC-TREE,此方案通过构建一棵最优树来有效利用帮助节点之间的可用带宽,从而实现失效节点数据的精确修复。仿真实验结果表明,在带宽异构网络下采用树型结构修复对精确修复再生码具有可行性。在带宽差异很大的情况下,ERC-TREE的数据修复时间相比星型结构的修复时间减少78%。

故障树和模糊贝叶斯网络在管廊运维风险评估中的应用研究

地下综合管廊是城市的生命线,一旦出现问题就会对人们生命财产安全造成巨大损害。为了系统地分析管廊运维风险,建立了基于模糊贝叶斯网络的风险评估框架。首先,通过分析管廊运维风险源与风险形成的原因以确定风险事件和风险类别;其次,建立管廊运维风险故障树来梳理风险因素之间的逻辑关系,将故障树映射为贝叶斯网络;最后,结合专家模糊评价,构建地下综合管廊运维风险评估模型。案例分析结果显示:中间事件“火灾、爆炸”与“危害气体浓度过高”的发生概率较高。敏感性分析结果显示:“运维人员操作和维护不当”是导致管廊运维风险发生的根本事件,因此需要制定严格管理措施及规范,加强对运维人员的素质培训,以降低管廊运维过程中各种风险的发生概率。

集合空间关键字内聚组查询方法

给定一个道路网络和社交网络,集合空间关键字查询的目的是找到一组兴趣点,该组兴趣点的文本信息包含所有查询关键字,与查询的位置较近且彼此之间的距离较小。内聚组查询的目的是找到在地理位置和社交关系上紧密联系的一组用户;而集合空间关键字内聚组查询的目的是找到满足查询要求的一对最佳匹配的兴趣点集合和用户集合。针对这一问题,提出一种新的集合空间关键字内聚组查询处理模式。首先通过快速贪心查询过程获得候选兴趣点集合,然后使用core-tree结构存储(k,c)-core核心分解的结果,从而提高内聚组查询效率,并且保证查询结果能够同时满足用户之间的社会关系约束和兴趣点之间的空间位置约束。通过在真实数据集上开展实验,结果表明提出的方法比枚举方法的查询效率快1~2个数量级,并且具有较高查询准确性。

基于贝叶斯网络的拉线塔安全性评估方法

针对拉线塔安全性的影响因素众多,安全评估受主观性影响较大的问题,提出一种基于贝叶斯网络的输电拉线塔安全性评估方法。该方法根据故障树进行构建贝叶斯网络模型,利用拉线塔实际检测数据获取根节点故障状态及其概率,克服了根节点故障概率难以获取的问题。基于贝叶斯网络因果推理,实现拉线塔故障概率计算、致灾因子识别以及故障诊断,实现对拉线塔安全性的分析。通过实例分析表明:基于贝叶斯网络的拉线塔安全性评估方法克服了传统综合评价法主观性强的问题,评估结果与运行情况的一致性较强,可作为拉线塔安全评估的决策工具。

基于SECS/GEM协议的芯片烘箱设备智能故障诊断算法设计

针对芯片烘箱设备故障排查困难,提出了一种改进型贝叶斯网络故障诊断算法。利用SECS/GEM通信协议从设备端获取故障报警数据,建立芯片烘箱设备故障树。将故障树映射为贝叶斯网络,通过对贝叶斯网络反向推理计算得到可用于指导维修工作的诊断决策树。将历史故障样本数据代入算法模型中进行验证分析,验证结果表明,按照诊断决策树进行故障诊断能够将诊断误差率控制在5%左右,满足企业用户要求,具有较高的应用价值。

基于故障树和贝叶斯网络的管廊运维风险评估

城市地下综合管廊在运维过程中事故时有发生,为了量化管廊运维风险并分析关键风险因素,提出一种基于故障树和模糊贝叶斯网络的城市地下综合管廊运维风险评估方法。在综合考虑管廊风险因素的基础上构建故障树模型,将其映射为贝叶斯网络。基于ALARP准则划分风险因素状态等级,根据模糊数和模糊子集计算底事件的发生概率,利用最大似然估计法求解中间事件的条件概率,构建管廊运维风险贝叶斯网络模型,精准评估城市地下综合管廊运维风险。结果表明:所评估的管廊运维过程风险等级为High的概率为28%,接近30%的风险阈值,因此需要及时对管廊风险进行管控。该方法能够科学、合理地评价风险水平并确定关键因素,可为管廊运维安全保障和管理提供参考。

基于机器学习耦合模型预测FDM零件的表面粗糙度

熔融沉积工艺(FDM)制造的零件表面粗糙度高,不仅影响了零件外观,还降低了性能。采用响应面实验设计,研究了层高(A)、填充密度(B)、喷嘴温度(C)、床层温度(D)和打印速度(E)对聚乳酸(PLA)零件表面粗糙度的影响。同时,将遗传算法(GA)与决策树(DT)、人工神经元网络(ANN)两种机器学习模型相结合,预测了零件的表面粗糙度。结果表明,A、B、C和E是显著影响零件表面粗糙度的主效应,A×B、A×C、A×E、B×C、B×E、C×E是影响显著的交互效应。GA+DT耦合模型预测PLA零件表面粗糙度的准确性更高,预测值与实验值的相关系数(R2)、均方误差(MSE)和平均绝对误差(MAE)分别为0.952、0.132和0.234,优于GA+ANN的0.823、1.561和1.759。GA+DT模型的预测值与实验值的Pearson相关系数为0.984,而GA+ANN模型仅为0.903,这表明GA+DT模型在预测PLA零件表面粗糙度时准确度更高。

基于差分隐私的路网环境skyline查询

路网中的skyline查询在智慧交通、兴趣点发现和位置服务等领域具有重要的应用价值,但存在查询效率较低、未考虑查询结果的隐私性等问题。有鉴于此,文中提出了一种基于差分隐私的路网环境下skyline查询方法。首先,针对路网环境下的初始数据集数据量大和数据复杂的特点,对数据集进行预处理,利用基于距离属性划分的skyline层和路网Voronoi图的性质提出了3个剪枝规则,基于剪枝规则给出了路网环境下的数据集剪枝算法,从而有效地过滤掉大量冗余数据;其次,针对过滤后的数据集,利用网格索引的存储方式来节省存储空间,并设计了基于网格索引的skyline扩展树,基于扩展树和相应的剪枝规则提出了查询全局候选skyline点集的算法;最后,针对查询结果集,利用差分隐私预算分配模型来分配隐私预算,并基于信息散度进行结果集发布,有效提高了数据信息的隐私性。实验结果表明:所提出的查询方法的准确率在99%以上;其在数据集规模较大情况下的查询效率相较于传统skyline查询方法提升10%以上;在总差分隐私预算为0.01、0.10、0.50和1.00时,所提出的隐私预算分配方法的相对误差均低于等差分配和等比分配方法。

基于GA-BP神经网络的新疆南疆核桃树生长模型研究

文章提出了一种利用遗传算法优化BP神经网络的核桃树生长模型来预测核桃树的树高、胸径的方法,通过优化BP神经网络的权值和阈值建立GA-BP模型,与多元线性回归模型的预测结果进行比较。结果表明:采用遗传算法优化后的模型具有更高的预测精度,对核桃树生长预测具有指导意义。

基于神经监督决策树算法的多感知GIS局部放电识别

为充分表现并利用GIS缺陷的物理联系引导故障诊断,提高GIS局部放电故障诊断方法的可靠性与可解释性,该文提出神经监督决策树算法(neural supervision decision tree,NSDT)实现GIS局部放电高准确率下的可解释故障诊断。将卷积神经网络最终线性层替换为层次结构,构建诱导层。使用树监督损失函数优化节点代表向量,并通过调整softmax函数抑制层次损失。构建监督层,通过原始神经网络输出向量对诱导层输出进行监督修正,在保留可解释性的基础上,提高识别准确率。通过110 kV声光电多感知GIS平台收集导杆尖端、外壳尖端、高压端沿面3种典型单源缺陷局放数据,并组成3种双源缺陷,测试NSDT方法性能表现。试验结果表明,NSDT多级神经决策结构能够准确地识别GIS局部放电类型,相较于卷积神经网络(convolutional neural network,CNN)等传统深度神经网络识别方法,识别可靠性更高,决策信息更加丰富,可解释性更强。

基于生成对抗网络的树种识别方法

【目的】利用卷积神经网络模型进行图像自动识别时,为防止模型过拟合通常需要大量训练样本。本研究为提高树种识别准确率,在原有叶片图像基础上进行图像样本扩充来保证训练质量,提出一种融合生成对抗网络与卷积神经网络的树种识别方法。【方法】在Pytorch框架下,采集10种常见树种(山杨、梣叶槭、榆、刺槐、紫丁香、杜仲、火炬树、山荆子、水曲柳、红端木)叶片图像作为研究对象。首先,采用均值滤波去噪和尺寸归一化对图像进行预处理。其次,以生成对抗网络生成的图像扩充数据集,其中,以深度卷积生成对抗网络(DCGAN)模型为基础并对其进行改进,建立残差条件深度卷积生成对抗网络(RC-DCGAN)模型,将随机噪声和类别标签作为生成器的输入,以控制样本生成过程;在生成器中嵌入残差结构,使生成模型学习更多特征信息,以提高生成图像质量。然后,将原始图像和扩充图像作为卷积神经网络(CNN)的训练集,一方面,使用RC-DCGAN模型和旋转、镜像、改变对比度等传统图像扩充方法,扩充图像11400幅;另一方面,将原始图像与生成图像、原始图像与传统扩充图像,分别输入至CNN中进行训练,并在原始图像的每个类别中随机挑选50幅对模型进行测试,以验证生成对抗网络对提升识别准确率的可行性。最后,确定适合试验要求的CNN分类模型,并与AlexNet模型、VGG-16模型、VGG-19模型、ResNet18模型的识别效果进行对比,以检验本研究方法的可行性。【结果】RC-DCGAN模型比DCGAN模型生成的图像质量更高,贴合真实图像;利用生成对抗网络扩充图像的方法与ResNet30树种识别模型,训练准确率为99.03%,平均验证识别准确率为97.20%;而在相同树种识别模型下,传统图像扩充方法的识别率为95.50%;在相同数据集下,AlexNet模型、VGG-16模型、VGG-19模型、ResNet18模型所获得的识别率分别为86.52%、87.57%、91.43%、93.25%,均低于本研究模型的识别率。【结论】联合生成对抗网络和卷积神经网络的方法对本研究10种树种叶片图像的识别准确率最高,且克服了使用传统图像处理扩充方法使模型泛化能力下降的问题,说明利用生成对抗网络对图像扩充的方法具有可行性和有效性,可为相关研究工作提供借鉴。

无线传感器网络强化学习增强路由研究

探讨了在无线网络树型路由中寻找最优父节点的经典问题,分析了影响树型路由决策规则的多个指标,如接收信号强度的加权平均值、缓冲区占用率和功耗比。提出了一种基于强化学习增强树路由协议和强化学习算法在无线传感器网络中应用的系统模型,并详细说明了所提出的基于树的路由协议的基本操作,为循环检测父节点更新了算法;为了在复杂的场景中做出自适应决策,定义了一个状态空间、动作集和激励函数。通过试错找到激励最高的最佳父节点;并通过模拟比较研究,验证了父节点选择方案在性能指标(即端到端延迟、可靠性和能量消耗)之间进行合理权衡。

基于贝叶斯网络的高校突发传染病疫情情景演化分析

针对高校如何科学有效地应对突发传染病疫情的问题,从湖北省武汉市各高校官方网站筛选100份文本资料,运用扎根理论将其整理为193个概念和117个范畴,构建高校突发传染病疫情的情景要素。建立高校突发传染病疫情的事故树,梳理情景演化逻辑。结合专家打分法和数据分析法,建立包含19个节点的高校突发传染病疫情的情景演化贝叶斯网络。结果表明:疫区管控,大规模接种疫苗和病患统一管理是新增病例数量下降的关键因素;提供充足物资与宣传防控知识对人员心理问题有较大影响;在病毒突变的情况下,未采取任何措施新增病例数量下降概率仅21%,而采取常态化疫情防控情况下可达86.7%。

基于优先级诊断树的工控网络入侵数据关联挖掘方法

研究基于优先级诊断树的工控网络入侵数据关联挖掘方法,提高工控网络入侵数据挖掘能力。采用网格搜索与模拟退火算法相结合的方法得出SVM提取器最优参数,通过SVM提取器提取工控网络入侵数据特征,运用粗糙集约简工控网络入侵数据特征属性,降低工控网络入侵挖掘的数据样本冗余特征属性。将约简的特征作为优先级诊断树的输入,依据工控网络入侵数据关联挖掘准则,使用优先级诊断树实现工控网络入侵数据关联挖掘。实验结果表明,该方法平均误报率为1.38%,检测率大于90%,挖掘时间低于3.6 s,在-6~26 dB归一化空间谱范围内,均能有效地实现工控网络入侵信号数据挖掘且检测效果最优。

一种面向关系抽取的表填充依赖特征学习方法

基于表填充的关系抽取方法利用深度神经网络将句子映射到二维抽象表示,忽略了句子中不同跨度之间的语义结构,很难获取到句子中的长距离语义依赖。针对表填充方法的这一不足之处,提出了一个结合句法依存树的表填充关系抽取模型。该模型通过双仿射将句子映射到二维抽象表示。利用句子的句法依存树初始化语义依赖邻接矩阵,利用邻接矩阵学习二维表示中单词与单词之间的句法依赖特征。使用门控循环单元提取特征对句子的二维表示进行更新,从而在句子二维抽象表示中获取跨度之间的语义依赖关系和句子的结构特征。实验结果表明提出的模型可以有效获取句子中的长距离语义依赖特征,通过学习跨度的语义依赖信息和句子的语法结构特征来提升关系抽取的性能。

电力通信网络智能运维故障诊断系统研究

当前,电力通信网络需要进一步提高对网络节点的感知能力,从而加快网络的故障运维效率。设计了智能运维故障诊断系统,以监测网络中节点状态、实时感知网络节点的运行参数,并实现故障诊断输出运维策略。系统的网络感知模块中加入了扩频调制技术,使模块能够感知到更大范围内的网络节点状态,提高了模块的通信范围和抗干扰能力。故障诊断模型中融合了生成对抗网络和决策树算法,通过各网络故障数据的拟合得到大量可靠数据集,输入最优特征组合以完成故障检测。试验结果显示,系统故障诊断模型的故障诊断率最高为99.8%,损失值最低为0.03。该研究确保了自动化诊断和检测的精确性。

ADAFT:SDN大规模流表的适应性深度聚合存储架构

为解决软件定义网络(SDN)数据平面中的三态内容可寻址存储器(TCAM)资源紧张问题,提出了一种基于内容表项树的SDN流表深度聚合方法,进而构建一种SDN大规模流表的适应性深度聚合存储架构ADAFT。该架构放宽了聚合表项之间的汉明距离要求,构建内容表项树聚合动作集不同的流表项,显著提高了流表聚合程度。设计了一种TCAM装载率感知的内容表项树动态限高机制,以降低流表查找开销。同时,提出了一种TCAM装载率感知的表项聚合适应性选择策略,以均衡流表聚合程度和查找开销。实验结果表明,ADAFT架构的流表压缩率明显高于现有方法,最高可达65.74%。

基于客户消费习惯的贝叶斯网络的分类算法

面对大量用户的通信消费数据,如何对其进行挖掘从而获得有价值的信息,对客户进行分类,并制定不同的服务策略,是当前通信企业面临的一个普遍问题。本文介绍了几种常用的文本分类算法,通过分析用户的消费行为数据,选取了朴素贝叶斯分类预测算法、贝叶斯网络分类预测算法和决策树分类预测算法对用户进行分类,实验结果表明贝叶斯网络分类预测算法对于用户通信消费数据具有较好的分类效果。

住院老年患者轻度认知功能障碍风险预测模型的构建

目的 探讨住院老年患者轻度认知功能障碍(mild cognitive impairment,MCI)的影响因素,构建并比较多组MCI相对风险预测模型。方法 采用方便抽样法,选择2023年1月至2023年9月在新疆医科大学第一附属医院老年医学科住院的老年患者,构建Logistic回归预测模型、决策树预测模型、神经网络预测模型并分析MCI的影响因素,采用受试者工作特征曲线(receiver operating characteristic,ROC)下面积(area under curve,AUC)比较三组预测模型的效能。结果 共纳入住院老年患者992例,MCI检出率为21.17%。多因素Logistic回归模型、决策树模型、神经网络模型分析结果均显示年龄、脑血管病、文化程度为MCI的主要影响因素,多因素Logistic回归模型和神经网络模型还显示日常生活能力也是MCI的影响因素。多因素Logistic回归预测模型预测正确率为89.1%,ROC曲线下面积AUC为0.933[95%CI(0.916,0.950)],灵敏度为0.881,特异度为0.852,约登指数为0.733。决策树预测模型预测正确率为86.1%,AUC为0.908[95%CI(0.888,0.927)],灵敏度为0.919,特异度为0.753,约登指数为0.672。神经网络预测模型预测正确率为88.7%,AUC为0.933[95%CI(0.915,0.950)],灵敏度为0.876,特异度为0.861,约登指数为0.737。三组模型预测结果均>70%,预测效能较好。结论 年龄增加,受教育年限短,患有脑血管病,日常生活能力下降会增加老年患者发生MCI的风险。多因素Logistic回归、决策树、神经网络多组模型可从不同层面挖掘MCI的影响因素,多模型的有效结合能更充分的了解不同因素之间的相互作用,为MCI的早期筛查和干预提供参考。

基于GBDT-LSTM的闽江流域水质预测

闽江作为福建省最大的河流,其生态保护对维护全省水生态环境而言意义重大。为进一步利用水质评价和预测方法对水质状况进行有效分析,选取闽江流域2017年1月-2023年8月共20处水质监测站数据作为研究对象,采用水质综合指数法对各站点水质状态进行判断;比较LSTM模型和GBDT-LSTM模型的拟合结果,并对各指标数据进行预测。结果表明,1)闽江流域各监测点除总氮外的水质指标均呈现较好趋势,各监测点的总氮浓度存在差异,整体情况较差,其中位于三明和南平市的河段由于当地重工业发达,导致水体中的硝态氮不断增加,进而致使河段内总氮浓度过高。2)流域水质的WQI值呈现逐年上升的趋势,水质状况普遍处于中等及以上水平,仅有少数监测点的水质状况处于很差状态,从中上游携带的泥沙等固体的堆积导致了连江琯头的水质情况较差;沙县斑竹溪渡口由于位于三明和南平的交界处,且沿岸分布较多重工业城市,故水质状态略差;相较于南平和三明的大型重工业企业,位于古田县的监测点以农业、轻工业为主,对水质指标的影响相对较小,水质状况因此较好。3)采用GBDT对变异程度较高的各水质指标在预测模型中的重要性进行排序,发现GBDT-LSTM混合模型的拟合效果相较于LSTM模型更好,更有利于对水质状况进行精确地预测。4)水体中总氮、高锰酸盐指数等含量的不断增加主要源于大量的工业废水,建议加强对临近闽江流域高污染高排放企业的控制,科学合理地实现工业污染排放和污染物容量在时空上的合理分配。