基于时间序列网络相似度模型的港城协同时滞效应研究

在经济全球化的推动下,持续增长的国际贸易不仅促进了经济发展,也加强了国际贸易对港口的依赖性。如何科学、准确地衡量腹地经济发展与港口建设的时滞效应,是在城市经济发展中发挥港口及临港产业作用急需解决的问题。针对港城协同发展存在的时滞效应,基于时间序列网络相似度模型构建论证和设计时滞效应分析方法,并以上海港、宁波—舟山港和深圳港实证分析,通过构建2000~2020年腹地城市GDP和集装箱吞吐量时间序列网络,测度其网络相似度和时滞效应滞后期。研究表明:(1)时间序列网络相似度能够反映价值转化参数向量的映射关系。(2)中国三大集装箱港口腹地经济和集装箱吞吐量时间序列网络相似度均为1.00,网络结构呈现高度相似。(3)上海港、宁波—舟山港和深圳港的时间序列网络时滞效应的滞后期分别为4年、1年和4年,不同港口受到现实中政治、地理、经济等方面因素的影响,其港城协同时滞效应也有所差异。

基于序列生成对抗网络的智能模糊测试方法

漏洞的数量增长以及超危、高危等高度危害漏洞的大量出现使得网络安全形势面临着极大挑战,模糊测试作为主流的安全测试手段被广泛应用.测试用例生成作为核心步骤直接决定了模糊测试效果的优劣,然而传统的基于预先生成、随机生成以及变异策略的测试用例生成方法面临着覆盖面低、人工成本高、质量低下等瓶颈问题,如何生成高质量、高可用、完备的测试用例是智能模糊测试的难点问题.针对于此问题,提出一种基于序列生成对抗网络(SeqGAN)模型的智能模糊测试方法,结合强化学习的思想将测试用例生成抽象为普适的非定长离散型序列数据的学习和近似生成问题,创新性地在生成器部分增加可配置的嵌入层来规范生成,并采用动态权重调整的方式从真实性和多样性2个维度设计奖励函数,最终实现自动化、智能化地构造全面、完备、可用的测试用例集,以达到灵活、高效的智能模糊测试的目标.从有效性和通用性2个层面分别对所提方案进行了验证,在4种不同测试目标下平均95%以上的测试用例通过率以及平均10%的目标缺陷检测能力充分证明了方案的通用性,在4种不同方案对比下98%的测试用例通过率、9%的目标缺陷检测能力以及单位时间内2万条可用测试用例的生成能力充分证明了方案的有效性.

面向基因调控网络的基因关联分析算法

基因调控网络是基于微阵列基因表达数据,对基因之间表达关系依赖程度的一种仿真或重建。从基因表达数据挖掘基因之间存在的一定程度因果关系,对重构基因调控网络具有十分重要的意义。提出一种基于频繁原子序列关联熵的基因关联分析算法,通过基因关联熵有效识别基因之间的因果关系,并采用启发式搜索策略构建基因关联贝叶斯调控网络(gene association based Bayesian regulatory,GABR)。与基因贝叶斯网络描述基因表达水平值之间依赖关系不同,GABR是一种基因序列贝叶斯网络,基因关联分析对象是生物组织样本的基因表达值排序并置换为基因列下标所形成的序列。算法的优势在于基因变量取值原子序列,该基因为原子序列的结果,基因关联熵以及条件概率分布的计算更符合基因表达数据分析的生物本质特征。ALARM网络模拟数据的实验结果表明,基因关联分析算法性能明显优于同类算法。在酵母菌微阵列基因数据GDS2267和小鼠胚胎基因GSE76118等GEO数据集进行实验,测试结果表明GABR方法重构的基因调控网络具有较高的有效性和鲁棒性。

基于序列卷积神经网络的移动通信网络数据异常识别方法

在移动通信网络中,正常数据通常远多于异常数据,导致数据集出现了严重的不平衡问题,降低了数据异常识别的准确性。为了克服这一局限,本研究提出了一种基于序列卷积神经网络的移动通信网络数据异常识别方法。采用K-means聚类算法聚类移动通信网络数据,以减少噪声影响、提高异常检测准确性和计算效率,并通过欧几里得距离计算相似度,优化聚类中心直至误差平方和最小化。构建序列卷积神经网络模型,利用其高效提取序列数据局部特征、捕捉时间依赖性及降低特征维度等优势,识别移动通信网络数据中的异常,通过卷积、池化和全连接层处理,结合Softmax激活函数实现准确分类。实验结果表明,文章方法的数据异常识别的准确性较高,异常数据结果与实际结果基本一致,最大识别误差仅为4条。

网络免费生物序列数据库在专利查新中的应用

随着现代生物技术的飞速发展 ,生物序列专利的申报量与日俱增 ,但同时专利查新的昂贵费用也给研究人员带来一定的负担。本文拟就如何有效利用 Internet上众多的免费生物序列数据库来辅助专利查新、降低查新费用进行一些探讨。

用于战术意图识别的动态序列贝叶斯网络

针对意图规划过程的层次性和序列性,提出了序列贝叶斯网络(series Bayesian network,SBN)模型,并将动态贝叶斯网络(dynamic Bayesian network,DBN)模型和SBN模型结合起来,构建了动态SBN(dynamic SBN,DSBN)模型进行规划识别,模型的DBN部分用于由特征序列推理元意图,SBN部分用于由序列意图逐层推理父意图。推导了模型的算法,分析了模型在规划识别问题中的表达和推理能力。实验表明,DSBN模型能够有效根据特征序列识别战术意图。

序列泛函网络模型及其学习算法与应用

通过对泛函网络的分析,提出了一种序列泛函网络模型及学习算法,而网络的泛函参数利用梯度下降法来进行学习.在此基础上,给出了9种典型泛函方程对应的序列泛函网络求解模型以及一种基于序列泛函网络学习算法的求解泛函方程方法.通过算例进行仿真实验,结果表明,该方法十分有效,具有收敛速度快、计算精度高、泛化性能好等特点,解决了传统的数值方法难以求解泛函方程这个问题.该方法可用于一般泛函方程求解问题.

网络告警序列中的频繁情景规则挖掘算法

网络告警序列中隐含着丰富的关于网络自身行为特征的模式知识,对其进行有效挖掘和利用将显著提高网络故障管理智能化程度.本文研究网络告警序列中的知识发现问题,提出并实现了一种基于滑动窗口的情景规则挖掘算法.

恒虚警下异常网络流量序列监测技术仿真分析

在对恒虚警下的异常网络流量序列进行监测时,由于网络流量的多样性,使得流量序列特征发生动态波动。传统的监测技术,主要通过对网络流量序列特征进行分类,完成局部监测,忽略了动态波动会使流量序列特征发生变化的因素,导致监测误差大、精度低的问题。提出一种恒虚警下基于信息熵的异常网络流量序列监测技术,通过局部干扰功率均值评估待检测网络单元,对参考单元样本求均值,估计待检单元的背景杂波功率获取门限值,并过滤网络中的背景杂波。依据概率统计理论给出信源信息熵的定义,采用指数平滑法对下一周期信息熵进行预测,利用指数递减的权值对网络流量历史序列进行分配,观察熵和预测熵的偏差判断网络流量序列是否出现异常。仿真结果表明,所提方法具有很高的监测精度。

交通网络建设序列的动态规划方法

交通网络建设序列优化是交通规划中一个重要问题。文章对交通网络设计及其建设序列问题的研究现状进行了分析。按照网络建设中规划者和用户间的关系,以交通网络建设序列下的各阶段系统总费用作为上层规划,以各阶段的交通流用户平衡模型作为下层规划,建立了双层规划模型。并依照问题的特点,采用动态规划的求解方法进行探讨,而下层模型则采用了基于路径搜索的GP算法进行求解。并针对网络规划算例进行了计算,针对固定和变动客流OD两种情况下的结果进行了分析。计算的结果表明,问题的双层规划模型和动态规划求解算法能够为路网规划决策提供支持。

时间序列神经网络动态建模研究

采用一种改进的时间序列神经网络用于过程系统的动态建模 .该网络将输入变量的时间序列数据作为网络输入 ,同时以系统的脉冲响应系数为时间序列输入数据的权值 ,赋予神经网络模型一定的物理意义 ,从而使神经网络模型获得更好的外延性 。

基于序列输入的神经网络模型算法及应用

为提高神经网络的逼近能力,提出一种基于序列输入的神经网络模型及算法。模型隐层为序列神经元,输出层为普通神经元。输入为多维离散序列,输出为普通实值向量。先将各维离散输入序列值按序逐点加权映射,再将这些映射结果加权聚合之后映射为隐层序列神经元的输出,最后计算网络输出。采用Levenberg-Marquardt算法设计了该模型学习算法。仿真结果表明,当输入节点和序列长度比较接近时,模型的逼近能力明显优于普通神经网络。

基于神经网络及时间序列混合模型的桥梁健康监测系统缺失数据填补

列举了实际桥梁健康监测系统中数据缺失的几种形式,根据桥梁健康监测系统中监测数据是时间序列集的特点,以及神经网络强大的映射能力,利用神经网络及时间序列混合模型的方法来填补缺失数据,并将该方法与时间序列法的填补结果进行对比,结果表明该方法处理缺失数据的误差较低。

基于时间序列多品种网络流的高铁车站站改期间行车组织优化研究

将高铁车站站场基本布局抽象为站场网络图,借助时间序列多品种网络流模式进行行车组织优化。基于行车进路规则构建生成进路数据集算法,将既有行车方案与构建的站改期间站场网络图融合,推断既有行车方案中到发线是否可用以及是否存在可用进路,据此将列车分为无需优化列车和需要优化列车两类。针对无需优化列车,构建计算公式和算法,推算到发线占用时间序列和咽喉占用时间序列。针对需要优化列车,构建算法并依据到发线和咽喉的占用时间序列,推断是否存在可用到发线以及是否同时存在可用进路,将需要优化列车分为可以优化列车和无法优化列车。通过构建可行股道推断算法以及可行股道进出站进路可用推断算法,形成行车组织优化方案。

序列卷积神经网络支持下线状地图目标的分段方法

依据形态特征差异实施分段处理是实现线状地图目标自适应综合的重要步骤。传统方法主要采用长度、角度、曲率等参量描述局部曲线段的几何形态变化,通过人工设置规则或常规机器学习方法建立模式判别模型。本文提出基于卷积神经网络的线状目标模式识别与分段方法。首先,以相邻坐标点构成的线元为基本单元,以线元端点横、纵坐标差为特征,将线状目标离散化为二维序列;然后,建立序列卷积神经网络进行线元特征序列学习与预测,实现线元层次的模式类型判别;最后,利用迭代融合方法将拓扑相邻且模式类型相同的线元合并,从而输出不同形态模式的分段结果。以1∶5万行政区界线和1∶25万山区道路数据开展试验,本文方法分段结果与人工分段结果的一致性比率分别达到91.25%和85.65%,相较传统方法有一定提升。同时,本文方法通过深度学习获取模式判别的深层次特征,能够有效避免人工选择特征带来的主观性影响,对不同尺度、不同类型的线状目标分段问题适应性更好。

多重序列突变网络系统分析与应用

为分析多重生物序列的突变结构,首先是要作它们的多重比对,在多重比对基础上可作出各序列的系统树与最小距离树,在最小距离树中如果把它们的弧用突变模结构来表示,那么我们称由此所产生的数学模型为多重序列突变网络系统(以下简称突变网络),突变网络分析的主要问题是如何确定各种不同类型突变的相互关系问题,一种最简单关系是二个突变的突变区域互不重叠,我们称之为正交化。因此突变网络分析的一个重要目的是对突变网络作正交化的简化,本文给出了突变网络正交化的基本定理,并以SARS病毒基因组为例,说明它们的突变网络系统模型与正交化运算,并由此得到SARS病毒从早期传播到爆发的基因突变过程的确定。

基于邻接网络的序列规则挖掘算法

给出一个新的序列规则挖掘算法 ,该算法在挖掘规则以前将数据库预先存贮为序列邻接网络 ,在序列邻接网络中每个项目集顶点都有一个域来记录它的支持度 .算法把频繁序列规则的发现问题转化为网络中的顶点搜索问题 ,大大提高了搜索过程的效率 .为了有效地解决网络生成过程中的序列支持度计算问题 。

基于时间序列神经网络的极值冰厚预测研究

将 L-M神经网络与时序分析方法相结合 ,提出一种用于年极值冰厚预测的新模型。算例中对鲅鱼圈和渤海四个区域年极值冰厚进行预测 ,表明用这种方法进行冰厚预测具有收敛速度快 ,精度高等优点。提供了一种新的冰载荷预测方法 ,为海洋平台的设计、设防、维护、维修提供基础。

基于时间序列神经网络的山核桃化学成分分析

利用果实化学成分含量与光谱的非线性模型,实现果实化学成分含量的快速无损鉴定,成为林业研究的热点之一。果实在生长发育过程中,化学成分的含量随时间的递增而不断增加,常规方法不能较好拟合和预测果实化学成分含量的变化。本研究提出一种基于时间梯度的神经网络方法(TSNN),以6个时间梯度山核桃果实蛋白质和脂肪含量的光谱和实测数据为研究对象,分别与偏最小二乘法(PLS)和人工神经网络(PLS-ANN)方法比较,检验TSNN方法的建模和预测效果。结果表明:TSNN方法对蛋白质含量的预测,均方根误差分别比PLS和PLS-ANN方法降低了18.82%和7.39%;TSNN方法对脂肪含量的预测,均方根误差分别比PLS和PLS-ANN方法降低了39.95%和35.02%。TSNN方法的校正相关系数平方(R_c^2)和预测相关系数平方(R_p^2)比PLS和PLS-ANN均有提升。因此,TSNN方法是一种比较准确实用的定量分析方法。

网络性能基准测试序列的边值生成法研究

边值分析是网络性能基准测试序列生成的一种重要方法。本文针对网络基准测试系统的特点 ,提出网络基准测试模型 ,并对模型中的实体与关系进行了抽象和描述 ;在此基础上分析模型中实体和关系属性的边值特性 。