一种新型多载波传输方式的研究

传统正交频分复用(OFDM)系统利用各个子载波之间的正交性来区分各路信号,且各个子载波之间的最小频率间隔在信号频谱上满足奈奎斯特准则,若进一步减小最小频率间隔,子载波之间正交性遭到破坏,会引入相当严重的载波间干扰。针对子载波频率间隔小于OFDM信号最小频率间隔的情况,提出将各个子载波进行Gram-Schmidt正交化转化为相互正交的波形,这样在加性高斯白噪声信道上传输,所占的频谱宽度比传统OFDM信号要窄,即频谱效率提高,并且误码性能不会恶化。信息论中脏纸编码对这种信号处理方法提供了理论依据,仿真结果也验证了上述方法的正确性。

一种基于N-Gram技术的中文文献自动分类方法

本文介绍一种基于n gram技术的、与语言无关的文献分类方法K meansaxiales (KMA) ,及其在中文文献自动分类中的应用。这种方法将文献转换成由n gram(n个连续的字符 )频次构成的向量。为压缩存储空间、提高处理速度 ,我们运用哈希函数将n gram映射为哈希码 ,对文献的分析实际上以哈希码频次为基础运行。采用KMA算法 ,我们对一个中文数据库进行了自动分类的实验研究 ,在比较实验结果的基础上 ,我们对KMA算法初始参数的选择进行了初步探讨。

基于格拉姆角场和迁移深度残差神经网络的滚动轴承故障诊断

针对应用传统卷积神经网络进行故障诊断时存在的过拟合现象及传统灰度图编码存在的时间信息损失等问题,提出一种基于格拉姆角场图像编码和迁移深度残差神经网络相结合的滚动轴承故障诊断方法。依据格拉姆角场图像编码方法对时间序列编码映射的唯一性,将原始振动信号转化为格拉姆角差场图和格拉姆角和场图,并将在ImageNet上预训练好的ResNet18模型参数,迁移到以格拉姆角场图作为输入的ResNet18中,进行不同故障模式下格拉姆角场图的特征提取和分类,从而达到故障诊断的目的。分析结果表明,所提方法相比于传统灰度图编码,更能突出不同故障模式的内在特征,与传统卷积神经网络模型相比,提出的方法具有更高的识别精度,达到99.30%,且具有更快的收敛速度和更强的鲁棒性。

基于GAF-CNN的弓网电弧识别方法研究

由于高速铁路接触网会产生弓网电弧对弓网系统有危害,为了减少弓网损害。提出一种电流时间序列编码技术,即格拉姆角求和/差分场(GASF/GADF)。由于不同受流状态的电流信号不同,其时间序列编码形成的图像也不同,这使得计算机视觉技术可以用于时间序列分类,用来识别弓网电弧。共进行了5组不同条件下的弓网受流实验,测量得到不同条件下弓网系统中的电流数据,并将弓网实验得到的电流数据的状态分为正常受流状态和电弧受流状态。通过构建神经网络,提取电弧电流信号,以格拉姆角场(GAF)图像的形式直观展示了卷积神经网络(CNN)对弓网电弧数据的抽象特征提取情况。实验结果表明,该方法可在不同条件下准确识别弓网电弧避免视频图像背景变化的问题为弓网电弧故障识别提供一种思路。

基于API调用序列的Android恶意代码检测方法研究

目前Android恶意代码泛滥,而传统的静态检测方法虽无需执行代码、效率高,但无法应对经过加固保护的恶意软件,以及被混淆的代码.因此,提出一种基于动态API调用序列的Android恶意代码检测方法.通过Xposed框架构建监控模块,将函数调用作为检测对象,直接对Android系统敏感API调用进行监控.随后,将收集到的函数调用序列作为特征,采用主题模型对其进行建模以及构建分类器,并且利用N-gram扩大模型的单词空间,提高模型的预测能力以及语义表达能力.最后通过机器学习的方法,对数据集进行分类,从而达到检测的目的.实验表明:提出的方法可以有效地检测出恶意应用的行为,并且有较高的检测精度.

外国人学汉字速成法

汉字是汉语的根基,学汉语必须先学"汉字(Sinograms)"。在初级阶段需学会1 000个最常用汉字的字形、字音、字义。汉字是一套"积木(toy-bricks)"系统,每个积木块是个"字元(gram-element)"。外国学生可暂时先不学"写字"而只学"打字"。熟练掌握"汉字数码输入法",牢记每个字的"字码"后,学生很容易地用简单的数码"打"出自己所需的字,就会产生一种自豪感,并确信汉字真好学。

基于词嵌入的源码相似度研究

源码相似性度量是代码推荐、缺陷监测、代码搜索等很多软件工程领域任务的基础工作。传统的源码相似性度量方法主要利用统计方法从代码的结构属性、文本特性两方面进行度量,缺乏对代码的语义相似性研究。为解决此类问题,在词嵌入基础上提出结合TF-IDF和Word2vec的向量空间模型,利用向量间距离衡量代码间的相似性,融合代码的语义信息和统计信息。实验结果表明,相比于传统基于统计的方法,该模型效果提高了15%。

二维直方图的HEVC帧内快速深度决策算法

针对高效率视频编码(HEVC)帧内预测高额的计算复杂度,提出一种基于二维直方图的快速深度决策算法.首先,对当前最大编码单元(LCU)采用3×3矩阵进行滤波;然后,分别统计原始LCU以及滤波后LCU的像素分布,生成二维灰度直方图.通过该二维直方图所表征的纹理特征,进行深度的自适应选择,减少不必要的深度计算.实验结果表明:同原始HM10.1相比,文中提出的算法可以节省编码时间21.6%,同时保证视频质量几乎不变.

基于字符熵的JavaScript代码混淆自动检测方法

首先综述JavaScript代码混淆的各种技术和方法。在分析JavaScript代码混淆特征的基础上,提出一种基于字符熵和Ngram方法相结合的快速自动检测方法。实验表明,N-gram方法取不同N时的字符串熵对代码是否混淆均具有明显的区分能力。通过大量随机爬取的JS代码分析测试,该方法可快速完成JavaScript代码混淆的自动检测,有助于更深入分析Java Script恶意代码。

基于N-gram算法的恶意程序检测系统研究与设计

文章针对恶意程序检测中难以检测未知恶意程序等问题,提出了一种提取恶意程序语义特征的方法。该方法使用N-gram算法对提取的Android应用程序的权限和API特征建立语义特征序列,并对特征序列进行筛选处理,获得了更具代表性的行为特征序列。首先,为了增加特征的有效性,经验丰富的恶意程序分析专家为每个Android SDK中的API函数添加相应的权重,并使用出现频次和权重值重新计算N-gram序列中每个元素的特征值,从而构建了改进的N-gram序列模型。然后,使用多种机器学习算法进行分类检测,验证其有效性。实验结果表明,提取的特征及改进的N-gram算法可以有效检测Android平台上的恶意程序。

基于N-gram的VB源代码抄袭检测方法

为了有效地抑制VB程序代码抄袭现象,提出一个基于N-gram的VB源代码抄袭检测方法,利用N-gram来表示VB代码文件,以提高检测准确率。同时采用基于Fork-Join框架的并行计算技术来提高算法效率。通过与MOSS系统的对比实验,证明基于N-gram的VB源代码抄袭检测方法检测准确率高于MOSS系统,并具有处理大规模数据的能力。

基于深度置信网络的恶意代码检测方法研究

随着互联网的普及、信息技术的飞速发展,信息安全的问题也日益严重,恶意代码是其中主要威胁之一。当前恶意代码呈现出数量巨大,技术不断更新的现状,恶意代码检测技术面临严峻挑战。因此,文中提出了基于指令序列特征和深度置信网络的恶意代码检测方法,它包括三个部分:样本预处理模块、特征构造与约简模块以及深度置信网络分类模块。数据预处理模块使用PEID、VMUNPACKER对恶意代码样本进行查壳、脱壳处理并用IDApro对样本进行反汇编获取操作码;特征提取模块使用n-gram窗口滑动获取特征并采用信息增益的方法对特征进行选择;深度置信网络模块使用深度置信网络(DBN)在训练集上进行训练生成深度学习网络,再使用训练好的网络对样本进行分类与检测。实验结果表明,该方法相较于传统的恶意代码检测方法,检测速度和效率有较大的提高。

基于Gram-Schmidt正交化法的串行干扰消除算法

基于Gram-Schmidt正交化法,提出了一种改进的串行干扰消除算法.不同于传统的串行干扰消除算法,该算法运用Gram-Schmidt正交化法,通过扩频序列获取正交序列作为最优解扩码,使得检测器每一级最强用户的解扩码与其他用户的扩频码所张的子空间正交,从而实现对多址干扰的完全抑制.给出了具有幅度失配的系统误码率近似公式,讨论了幅度失配对检测性能的影响.仿真结果表明,改进算法能有效抑制CDMA系统中的多址干扰,改善系统性能.

基于多特征融合的BiLSTM恶意代码分类

随着恶意代码的不断进化,传统的静态检测与动态检测方法已无法应对新兴的恶意代码。因此,将恶意代码pe文件反编译生成.bytes文件与.asm文件。利用汇编文件提取的N-Gram指令特征以及二进制文件灰度化提取的纹理特征,将以上两种特征结合,作为新的特征,输入到随机森林选择器中来实现恶意代码的分类。此外,还提出一种基于BiLSTM双向长短期时记忆网络的分类方法。实验结果显示,在相同算法前提下,多特征融合的分类准确率要高于单一特征分类准确率;BiLSTM模型对恶意代码的分类准确率要高于随机森林等传统模型的分类准确率。

一种基于操作码N-gram特征的代码混淆技术识别模型

针对代码混淆领域忽略代码混淆技术隐蔽性的安全问题,提出一种基于操作码n-gram特征的代码混淆技术识别模型。通过提取反编译二进制文件程序操作码,生成程序n-gram特征并筛选后输入机器学习分类算法训练,构建识别混淆程序的二分类模型与识别混淆技术的多分类模型。基于多来源第三方数据集与两种先进混淆工具验证该识别模型,使用10维特征识别两类混淆工具的混淆程序,平均识别准确率分别为100%、99.6%;使用30维特征识别5层以上混淆组合技术,平均识别准确率为98.8%。实验结果表明提出的代码混淆技术识别模型相较其他识别模型准确率更高,且对不同混淆工具有一定泛化能力,揭示了当前主流代码混淆技术的隐蔽性风险。

基于N-gram特征的网络恶意代码分析方法

由于传统的网络恶意代码分析方法,在进行网络恶意代码分析时无法对网络恶意代码字节特征进行归一化处理,因此网络恶意代码误报率高,无法实现对网络恶意代码的精准分析。针对这一问题,提出基于N-gram特征的网络恶意代码分析方法。建立网络恶意代码N-gram特征列表,通过网络恶意代码空间特征填充曲线映射,分析网络恶意代码。对比实验结果表明,设计的分析方法网络恶意代码误报率远低于传统方法,证明设计的分析方法分析能力更强,可以实现对网络恶意代码的精准分析。

基于Skip-Gram的恶意软件家族检测方法

随着恶意代码可视化技术的发展,恶意代码的识别准确率有着明显提升,但仍存在部分变种恶意代码无法识别的问题。基于此,本文提出一种基于Skip-Gram模型的恶意代码灰度化改进方法,并构建了恶意代码分类模型。在模型构建中,首先,将恶意软件提取十六进制Bytes文件采用跳字模型对文件字符进行向量化处理并完善数据特征信息;接着,利用完善后的数据矩阵得到恶意代码的灰度图像;最后,采用VGG16神经网络模型进行训练分析,以期提高恶意代码的识别率。实验结果表明,在同等条件下,传统单通道可视化的恶意代码识别模型准确率为92.17%,本文提出的可视化方法模型准确率为97.31%。

基于融合注意力的卷积神经网络滚动轴承故障诊断模型

滚动轴承在工作中面临着高速运行、工况变化大等挑战,其振动信号具有复杂的形态成分,为了增强捕捉轴承故障信号的特征信息的能力,提出一种融合注意力机制和卷积神经网络的轴承故障诊断模型。首先,用格拉姆角场图像编码技术(GAF)将轴承振动信号转化为二维图像,再将这些二维图像输入融合注意力机制的卷积神经网络(GAF-CNN-SA)自动进行故障特征提取及分类。试验和对比结果表明,本文所提出的故障诊断模型能够针对不同种负载条件下的不同故障位置进行有效识别,并且在轴承故障诊断方面的效果优于其他智能算法。

革兰氏阳性菌非编码小RNA的研究进展

sRNA(非编码小RNA)通过碱基配对的方式与靶mRNA结合,抑制或激活转录过程、调节蛋白质的表达,以核酸的形式发挥其生物学功能。随着RNA深度测序(RNAseq)技术、生物信息学预测以及实验分析手段的日渐发展和完善,数以百计的sRNA被发现并得到验证。作为转录后调控因子,sRNA因在诸多生理过程中起到了关键的调节作用而得到了广泛的关注。以革兰氏阳性菌为切入点,总结了近年来sRNA的筛选、鉴定和功能研究等方面取得的进展,梳理分析了sRNA调控与毒力因子、群体感应、铁代谢和双组分系统等之间的内在联系,并展望了sRNA未来的研究方向。

对外国人学汉语汉字速成法的构想

汉字是汉语的根基,学汉语必须先学"汉字(Sinograms)"。在初级阶段需学会"一千最常用汉字"的字形、字音、字义。汉字是一套"积木(toy-bricks)"系统,每个积木块是个"字元(gram-element)"。外国学生可暂时先不学"写字"而只学"打字",熟练掌握"汉字数码输入法",牢记每个字的"字码"。学生很容易地用简单的数码"打"出自己所需的字,就产生一种自豪感,并确信"汉字真好学"。用这种速成法学汉字能提高学生学习汉语的兴趣,令其学习过程像是"学生主动、充满欢乐"的电子游戏。