基于同态加密的卷积神经网络前向传播方法

现如今,利用云技术完成机器学习预测任务变得十分普遍。然而在云端处理数据存在用户隐私数据泄露的风险。利用同态加密特性,使用户数据在加密状态下完成预测任务,并将加密结果返回给用户,这样就可以解决上述的风险问题。根据上述思路,提出一种加密域下的卷积神经网络前向传播方法。该方法描述了用户加密数据输入到加密预测结果输出的过程。该方法充分结合全局平均池化解决了全连接层参数多、计算缓慢这一问题。实验结果表明,该方法能够大幅度减少模型参数以及加密预测时延,并且保持较好的加密预测准确率。

华南前汛期一次锋前暖区暴雨成因及中尺度对流系统分析

2020年3月27日华南地区发生一次典型的锋前暖区暴雨过程,过程持续超过15 h,出现中尺度对流系统MCS-A、MCS-B与MCS-C并产生多次分裂与重组。利用地面自动站数据、多普勒天气雷达资料、ECMWF-ERA5地面和高空再分析场资料,结合中尺度CMA-GD模式对此次暖区暴雨过程环流形势与中尺度对流系统组织特征和触发条件等方面进行分析。结果表明:(1)高低空环流包括500 hPa高空槽、200 hPa西风急流与锋前低槽等系统的有利配置且稳定少动是暖区暴雨长时间维持的重要原因。持续维持的低空急流为对流发生发展提供了有利的条件性不稳定和对流有效位能。(2)伴随自由对流高度降低与CIN抑制能量减小,贺州至怀集一带的关键区域1处对流在地面得以触发,而距离1处南向约80 km的关键区域2中1500 m高度处风速辐合与冷池作用使得对流发生。(3)MCS-A与MCS-B在关键区域1处触发,呈现前向与后向传播,MCS-C在关键区域2处触发后以后向传播为主。此外,MCS-B与MCS-C表现为多条平行排列的南北向短雨带并产生向东移动的“列车带效应”,而MCS-A与MCS-B则表现为多次分裂与重组后形成向东南移动的“列车带效应”。(4)中β尺度次级环流的上升支抬升西南暖湿气流,使其倾斜上升凝结潜热释放,造成后向传播对流系统的发生发展。同时由于强降水拖曳作用,850 hPa以下转下沉气流造成一定厚度的冷池后与暖湿入流叠加,触发新对流单体,也影响后向传播。(5)上游MCSs发生后在地面形成冷池出流,与暖湿气流辐合抬升,造成前端对流触发。

基于Echarts的神经网络教学系统设计与实现

神经网络作为人工智能的关键技术,获得了广泛的研究和应用。但神经网络运行过程的黑盒特性和复杂的内部结构,增加了神经网络的学习和研究成本。针对这一问题,文章基于Echarts可视化技术,设计并实现了一款神经网络教学系统。该系统支持可交互的网页界面,允许用户在线设计神经网络结构,并可以直观动态展示神经网络的前向传播和反向传播的过程以及神经元内部的计算细节。本系统可以将神经网络的内部结构和运行过程可视化、直观化和动态化,从而降低神经网络的学习门槛和理解难度。

结合优化小波变换和CNN的配电网故障诊断研究

本文提出一种结合优化小波变换和CNN卷积神经网络的故障诊断方法。首先对从配电网中获得的原始数据进行连续小波变换,得到时频矩阵,再由CNN卷积神经网络模型对故障进行类型判断和识别,从而实现配电网故障的诊断研究。

一次突发性暴雨的机理分析及短期预报思考

2015年9月4日白天,天津出现突发性暴雨过程,利用多种观测资料对此次过程进行分析,结果表明:偏南气流与高压底部东北风相遇,在蓟州山区以南形成辐合,触发雷暴发展;雷暴形成后,回波形成"后向传播"机制,配合中低空的南风脉动,在天津北部形成南北向的"列车效应",导致北部强降水的发生;上游的高空槽降水在近地面形成冷池,其向东辐散气流与偏东风相遇,在降水区下游触发新的雷暴,使得雨带快速东移,且当辐散气流与偏东风相遇后,出现小尺度辐合性气旋式环流,导致下游强降水增幅;当高空槽降水云团主体移过城区后,在γ中尺度辐合流场作用下,触发小尺度对流云团的生成和发展,影响天津城区再次出现强降水。在短期预报过程中,预报员在大尺度模式环境场分析的基础上,对于中尺度模式仅参考了其降水预报,而忽略了对中尺度环境场的分析,分析表明,虽然中尺度模式对此次过程的降水时段预报存在偏差,但其中尺度环境场预报,可以为此次暴雨过程在短期时效内(24h)的预报订正提供参考。

遗传算法在BP网络PID控制中的应用仿真

为了有效地克服BP网络存在的局限性,即控制效果严重依赖于权值矩阵初始值,对空调系统模型进行了多次仿真,结果权值矩阵初始值的优化点分布与取值区间具有相关性,即在特定优化区间内,满意的权值矩阵初始值数量较多。引用遗传算法全局搜索能力和过程流程图,并引入到BP网络PID控制之中,既利用了遗传算法的全局搜索能力进行权值矩阵区间优化,同时利用BP网络的局部搜索能力与实时处理能力,有效地解决了常规BP网络控制的局限性。仿真结果表明,混合算法优于常规BP网络整定PID控制方法,并可推广到其它BP网络应用领域。

基于改进卷积神经网络的网络入侵检测模型

针对基于深度学习的网络入侵检测技术存在检测效率低、模型训练易出现过拟合和泛化能力较弱的问题,提出一种基于改进卷积神经网络(ICNN)的入侵检测模型(IBIDM)。与传统“卷积池化全连接”层叠式网络设计方式不同,该模型采用跨层聚合网络的设计方式。首先,将预处理后的训练集数据作为输入数据前向传播并提取网络特征,对跨层聚合网络的输出数据执行合并操作;然后,根据分类结果计算训练误差并通过反向传播过程进行迭代优化至模型收敛;最后,利用训练好的分类器对测试数据集进行分类测试。实验结果表明,IBIDM具有较高的入侵检测准确率和真正率,且误报率较低。

BP神经网络模型在室内温度预测中的应用

随着技术发展,人们对环境的要求越来越高,良好的环境质量如适宜的温度关系到人们生活、生产活动的质量,所以对的环境温度的预测显得尤为重要。通过确定适当的BP神经网络结构,对已知的历史温度数据进行网络训练和学习,能够预测其后某时刻温度数值的结果。实验结果表明该模型对温度的变化趋势有较好的预测能力。

模拟神经网络传输的职业教育视频资源开发

面对职业教育视频资源在传输过程中网络结构和硬件资源占用关系这一问题,论文利用矩阵乘法改进了全连接深度神经网络(DNN)的矩阵计算形式,以此动态模拟职业教育视频资源传输状态。将矩阵乘法引入DNN前向传播过程使计算简化,以探究职业教育视频资源库作为硬件实现平台,基于乘累加器IP核与乘加器IP核设计了两种矩阵乘法计算架构,实现了模拟全连接DNN前向传播的职业教育视频资源传输计算过程,并对两种方案在实现不同结构的前向传播计算时的硬件资源占用情况进行对比,得出结论:在实现相同网络的视频资源传播计算情况下,乘累加器方案比乘加器方案消耗更少的硬件资源。

基于卷积神经网络的驾驶人行为识别方法研究

为探究汽车驾驶人非安全驾驶行为的识别问题,在简要分析现有驾驶人行为识别方法的基础上,提出一种基于卷积神经网络(CNN)的驾驶人行为识别方法,分析CNN前向传播与反向传播过程,给出处理驾驶人行为识别问题的CNN网络架构。结果表明:用该方法可识别,其平均识别率达97.13%,相对于传统提取方向梯度直方图特征(HOG),并用随机森林(RF)分类的算法,该方法的识别率平均提高了3.62%。

基于特征级联卷积网络的双目立体匹配

针对图像序列病态区域匹配歧义性以及稠密视差图连通性的问题,本文提出一种基于特征级联卷积神经网络的双目立体匹配计算方法.构造特征重用的全卷积密集块,利用“跳连接”机制将浅层提取的特征图级联到后续子层,对深层卷积丢失的局部特征信息进行补偿.引入指示函数划分一定大小的训练集,将其批量输入特征级联卷积网络模型进行前向传播,同时通过小批量梯度下降(Mini-Batch Gradient Descent,MBGD)策略更新初始权重和偏置参数.根据负连接神经元对网络模型的输出进行初始匹配代价计算,并利用十字交叉域代价聚合(Cross Based Cost Aggregation,CBCA)和半全局立体匹配(Semi-Global Matching,SGM)等算法对代价函数进行优化,求得精准稠密的视差图.分别采用Middlebury数据库提供的训练和测试立体图像集对本文方法和深度学习方法MC-CNN、CBMV、MC-CNN-WS等具有代表性方法进行对比测试.实验结果表明,本文方法具有较高的视差计算精度和鲁棒性,尤其对复杂场景、光照变化以及弱纹理等困难场景图像序列能有效提高匹配率和保持图像细节.

基于FPGA的卷积神经网络加速优化方法

利用当前方法对卷积神经网络进行加速优化处理时,没有分析卷积神经网络前向传播结构,导致卷积神经网络的资源浪费严重以及计算量过大,存在资源消耗率高和网络计算量大的问题,提出基于FPGA的卷积神经网络加速优化方法。构建卷积神经网络前向传播模型,分析了传播结构中卷积层、池化层、激活函数和填充的特点。根据分析结果利用FPGA构建加速器,通过卷积层并行加速可行性分析、基本模块设计、通道并行卷积层加速设计实现卷积神经网络的加速优化,利用流水线方法对卷积窗口进行操作,通过全并行乘法-加法树模块减少卷积神经网络的计算量。实验结果表明,所提方法的资源消耗率低、网络计算量小。

基于区块链技术的电力系统光传输网络异常节点入侵检测

传统检测方法不能循环检测网络各层内的异常节点信息,导致节点丢失率过高。为此,提出基于区块链技术的电力系统光传输网络异常节点入侵检测方法。依靠区块链技术获取光传输网络端到端之间具有时序性特征的节点信息,差异化正常节点与异常节点,计算节点异常分数,设置检测阈值,实现异常节点判断,有效降低节点丢失率。根据全连接循环神经网络,设计循环式的入侵检测模式。通过前向传播算法,对网络中的异常节点进行类别标签,并结合权值微调算法实现对电力系统光传输网络中异常节点的循环检测。试验结果表明,所提检测方法能够有效检测出不同类型的网络异常节点,且节点丢失率较低,最高值仅为3.06%。该方法可为电力系统网络安全保护问题提供参考依据。

基于TG–LSTM神经网络的非完整时间序列预测

针对传统模型对含数据缺失的非完整时间序列预测精度不高的问题,利用长短期记忆(LSTM)神经网络强大的时序建模能力,提出一种带时间门的长短期记忆(TG-LSTM)神经网络.首先,提出一种能同时对输入值在线估计和输出值实时预测的TG-LSTM单元结构;其次,基于TG-LSTM结构设计一种网络的前向传播算法,实现输入填补和输出预测同步进行;然后,建立TG-LSTM神经网络的学习算法来对输入填补和输出预测任务整体训练;最后,通过在Mackey-glass基准数据集,月平均气温数据集和污水处理出水氨氮预测中的实验结果表明:与传统方法相比,TG-LSTM神经网络模型能以更高精度对非完整时间序列进行填补和预测.

原油价格改进型神经网络预测方法

为了提高基于神经网络的国际原油价格预测性能,文章提出一种改进型变参数神经网络原油价格预测方法。该方法利用经验模式分解(EMD)对原油价格序列进行分解得到多个内蕴模式(IMF),对于每个IMF进行变参数的前向神经网络训练,将每个IMF下预测的结果进行综合,从而得到预测的原油价格。实证结果表明,相比已有的基于EMD和神经网络的预测方法,本方法的预测效果有一定的改善。

基于TensorFlow的卷积神经网络的研究与实现

本文基于TensorFlow设计一种卷积神经网络。通过介绍卷积神经网络的结构,研究卷积神经网络中的前向传播和反向传播算法,推导了前向传播和反向传播的数学公式,并利用TensorFlow实现一种卷积神经网络。在CIFAR10数据集上训练6000次的top1准确率为74.3%,验证了方法的有效性。

神经网络在股票预测中的应用

本文主要是通过神经网络的算法来解决股票预测中的一些问题,方便人们更好的购买适合的股票,起到更好理财的目的。在本次研究当中,作者着重向大家介绍如何利用神经网络及其具体的算法来起到股票预测的目的。在后期的研究当中,本文还会采用正则化来减少神经网络的复杂度,同时正则化的方法也大大减少了计算机的运算负担,结果表明此方法不仅可以使模型的方差降低,同时模型整体的预测精度也较高。

双流机场“7.21”暴雨微物理特征及触发维持机制分析

利用天气雷达、地面自动站和微波辐射仪等多种气象探测资料,对2017年7月发生在成都双流机场的一次暴雨过程进行了分析。结果表明:此次暴雨发生在弱天气系统强迫条件下,大气层结呈现弱对流抑制、低抬升凝结高度、中等对流有效位能,湿层深厚,低层较暖且低层无急流影响。短时强降水由中尺度系统直接产生,午夜前的初始对流由高压西北部偏南暖湿气流与山体下滑冷气流相互作用,结合山前强水平温度梯度产生,之后在冷池和边界层暖湿气流作用下生成新的对流。产生强降水的回波结构密实,暖云特征突出,属于热带低质心降水系统。对抬升凝结高度、自由对流高度、湿层厚度等的分析表明,水汽条件较为极端,但由于系统整体属于前向传播,无明显的"列车效应",限制了实际降水效率。

人工神经网络的设计方法

目前人工神经网络模型学习与训练时间长，收敛性难以保证，网络鲁棒性差，存在局部极小。尤其当网络规模增大时，上述缺点变得尤为严重。为克服上述缺陷，提出了一组新的方法，即利用训练样本集提供的全局知识，通过不同数学工具，设计网络的结构与参数。结果表明，这套方法可以达到很好的效果，是改进人工神经网络性能的一种有效途径。