试析局域环境下计算机网络线路循环单元控制技术

局域网的发展还存在一些问题,设计并应用计算机网络线路循环单元控制技术,为局域网在不同技术领域的发展提供路径。主要有建立防火墙、对网络信息进行入侵检测和执行循环单元控制系统三个步骤,并针对设计的技术进行仿真实验,证明了局域环境下计算机网络线路循环单元控制技术较传统的技术有较高的有效性。

融合多粒度信息的用户画像生成方法

现有用户画像方法缺乏不同粒度文本信息表示,且特征提取阶段存在噪声,导致构建画像不够准确。针对以上问题,提出一种融合多粒度信息的用户画像生成方法(user profile based on multi-granularity information fusion,UP-MGIF)。首先,该方法在嵌入层融合字粒度、词粒度表示向量以扩充特征内容;其次,在改进双向门控循环单元网络基础上,结合降噪自编码器和注意力机制设计一种特征提取混合模型Bi-GRU-DAE-Attention,实现特征降噪和语义增强;最后,将鲁棒性强的特征向量输入到分类器中实现用户画像生成。实验表明,该用户画像生成方法在医疗和互联网两个画像数据集上的分类准确率高于其他基线方法,并通过消融实验验证了各个模块的有效性。

AP1000核电厂叶片可调式循环水泵结构原理及特点分析

主要介绍AP100机组循环水泵概况,着重论述了循环水泵叶片角度调节机构、调节原理。分析了可调叶片式循环水泵优点及缺点。AP1000核电机组是三代核电机组之一,循环水泵的选取是全新的,与CPR以及EPR机组电站几乎没有太多的参考性,笔者通过对AP1000机组循泵的介绍,力求为后续类似机组的循泵配置和应用积累更多经验。

基于组合模型的城市轨道站点短时客流分类预测

轨道交通客流预测是轨道交通线网规划的重要内容,是确定轨道交通系统的线网规模、设置轨道站点及布设线路基础。不同类型的轨道站点在城市中的功能定位和布局要求等方面均存在差异,进而导致站点的进出客流量呈现显著的时空分布不均衡性。为了挖掘各类型站点的客流变化规律,将站点自身特征和周边环境特征组成向量因子,运用K-means聚类方法对站点进行分类。在此基础上,将影响乘客出行的多源数据作为输入特征,分别构建了随机森林(RF)模型、门控制循环单元(GRU)模型以及RF-GRU组合模型,从而进行站点短时客流分类预测。利用杭州地铁站自动检票系统(AFC)采集的刷卡客流数据,对所构建的预测模型的有效性进行检验。研究结果表明:利用7个刻画站点自身特征和周边环境特征的参数作为聚类因子,并结合站点客流时间分布数据,可将杭州市地铁站点分为就业导向型车站、职住混合型车站和住宅偏远型车站;采用平均绝对误差以及均方根误差作为评价指标,参数化模型(ARIMA),非参数化模型(SVR),深度学习模型(LSTM,GRU,SAEs和GCN),组合模型(DCRNN,STGCN,STHGCN和DSTHGCN)的预测误差依次降低,其中RF-GRU组合模型的预测精度优于其他的组合模型;对站点进行分类之后,单一模型和组合模型预测结果的精度均有提高。

基于数据处理与若干群体算法优化的GRU/LSTM水质时间序列预测

为提高水质时间序列预测精度,提出一种基于小波包变换(WPT)和变色龙优化算法(CSA)、猎豹优化(CO)算法和山瞪羚优化(MGO)算法的优化门限循环控制单元(GRU)、长短期记忆神经网络(LSTM)的预测模型。首先利用WPT对pH值、DO、COD_(Mn)、NH_(3)-N时间序列进行平稳化处理,得到若干个规律性较强的子序列分量;其次简要介绍了CSA、CO、MGO算法原理,利用CSA、CO、MGO分别寻优GRU、LSTM超参数,建立WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型;最后利用所建立的模型对pH值及DO、COD_(Mn)、NH_(3)-N浓度各分量进行预测和重构,并建立WPT-GRU、WPT-LSTM和WPT-CSA-SVM、WPT-CO-SVM、WPT-MGO-SVM模型作对比分析模型,以云南省昆明市观音山断面为例,通过pH值及DO、COD_(Mn)、NH_(3)-N浓度预测对模型进行了验证。结果表明:WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型对实例pH值及DO、COD_(Mn)、NH_(3)-N浓度的预测精度优于其他对比模型,具有较好的预测效果,其中尤以WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU模型的预测精度最高;CSA、CO、MGO能有效调优GRU、LSTM超参数,显著提高GRU、LSTM预测性能;所构建的6种模型预测精度高且计算规模小,是有效的水质时间序列预测模型,可为相关水质预测研究提供参考。

基于深度学习神经网络超参数优化的入库径流预测方法研究——以云南省暮底河水库为例

准确的入库日径流预测在水库优化调度中发挥着重要作用.为提高日径流预测精度,提出了基于小波包变换(WPT)并结合了白鲨优化(WSO)算法的门限循环控制单元(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)日径流时间序列预测模型,以云南省暮底河水库2018—2020年入库日径流时间序列预测为例对各模型进行检验.首先利用WPT将日径流时序数据分解为若干子序列分量;其次引入WSO对GRU、LSTM、CNN超参数进行调优,建立WPT-WSO-GRU、WPT-WSO-LSTM、WPT-WSO-CNN模型;最后利用所建立的模型对各子序列分量进行预测及加和重构,并构建WPT-GRU、WPT-LSTM、WPT-CNN及基于BP神经网络的WPT-WSO-BP、WPT-BP作对比分析模型.结果表明:WPT-WSO-GRU、WPT-WSO-LSTM、WPT-WSO-CNN模型对实例日径流预测的平均绝对百分比误差EMAP分别为3.67%、5.52%、8.98%,平均绝对误差EMA分别为0.120、0.155、0.329 m^(3)/s,确定性系数DC分别为0.996 2、0.995 7、0.974 0 s,预报合格率RQ分别为98.1%、96.4%、89.6%,预测效果优于对应未经WSO调优的WPT-GRU、WPT-LSTM、WPT-CNN模型及WPT-WSO-BP、WPT-BP模型,其中WPT-WSO-GRU模型具有更高的预测精度和更好的泛化能力,WPT-WSO-LSTM模型次之.WSO能有效调优GRU、LSTM、CNN超参数,提高GRU、LSTM、CNN预测性能.WPT-WSO-GRU、WPT-WSO-LSTM模型在入库日径流时间序列预测研究中具有较好的应用前景.

融合残差网络的CR-BiGRU入侵检测模型

针对当前网络攻击的复杂性和多样性,传统模型提取流量特征不足且准确率较低的问题,提出一种融合残差网络改进的CR-BiGRU混合模型的网络入侵检测方法.首先将数据集进行归一化以及独热编码处理,然后利用基于残差网络的卷积神经网络提取空间特征,最后使用双向门控神经网络提取时间特征,完成模型的训练并实现异常网络的入侵检测.为表明模型的适用性,基于数据集NSL-KDD和UNSW-NB15进行对比分析实验,结果表明,该方法基于上述数据集准确率分别达99.40%和83.79%,明显优于经典网络入侵检测算法,能有效提升检测网络入侵的精度,从而更好保证网络数据的通信安全.

融合双通道语义特征的情感分析研究

现有大多数深度学习模型结构单一,通常会降低文本语义特征提取能力。为此,提出一种融合双通道语义特征(FDSF)的情感分析研究模型。首先,采用BERT预训练语言模型获取文本的动态特征向量表示。然后,将BiG-RU-Attention通道提取的全局语义信息经注意力动态权重调整后,与CNN通道提取的局部语义信息进行特征向量融合。最后,将融合特征经过全连接层与Softmax函数,输出最终情感极性。在ChineseNLPcorpus的online_shopping_10_cats、中科院谭松波学者整理的数据集上与现有主流情感分析方法进行比较实验,结果表明,FDSF模型在F1值与准确率方面均最优,证明了该模型在情感分析任务中的有效性和可行性。

基于CNN⁃GRU的智慧校园网络入侵远程检测方法

为增大最优距离阈值的计算结果,实现对入侵信息参量的远程检测,提出基于CNN⁃GRU的智慧校园网络入侵远程检测方法。以CNN⁃GRU网络框架为基础,设置循环控制单元,并联合已获取数据信息参量,求解损失函数表达式,完成基于CNN⁃GRU的检测原理分析。在入侵信息参量的数据集合中,选择最为适宜的数值指标,并根据其传输行为特征,计算寻优参数的具体数值,完成智慧校园网络入侵远程检测方法的设计。对比实验结果表明,与机器学习型检测方法相比,在CNN⁃GRU网络作用下,待检入侵信息参量的最优距离阈值指标计算数值更大,可以在远程条件下实现对智慧校园网络入侵行为的准确检测。

融入语言模型和注意力机制的临床电子病历命名实体识别

临床电子病历命名实体识别(Clinical Named Entity Recognition,CNER)的主要任务是对给定的一组电子病历文档进行识别并抽取出与医学临床相关的命名实体,然后将它们归类到预先定义好的类别中,如疾病、症状、检查等实体。命名实体识别任务通常被看作一个序列标注问题。目前,深度学习方法已经被广泛应用于该任务并取得了非常好的效果。但其中大部分方法未能有效利用大量的未标注数据;并且目前使用的特征相对简单,未能深入捕捉病历文本自身的特征。针对这两个问题,文中提出一种融入语言模型和注意力机制的深度学习方法。该方法首先从未标注的临床医疗数据中训练字符向量和语言模型,然后利用标注数据来训练标注模型。具体地,将句子的向量表示送入一个双向门控循环网络(Bidirectional Gated Recurrent Units,BiGRU)和预训练好的语言模型,并将两部分的输出进行拼接。之后,将前一层的拼接向量输入另一个BiGRU和多头注意力(Multi-head Attention)模块。最后,将BiGRU和多头注意力模块的输出进行拼接并输入条件随机场(Conditional Randoin Field,CRF),预测全局最优的标签序列。通过利用语言模型特征和多头注意力机制,该方法在CCKS-2017 Shared Task2标准数据集上取得了良好的结果(F1值为91.34%)。

融入自注意力机制的深度学习情感分析方法

文本情感极性分析是自然语言处理的热点领域,近年来基于中文语料的情感分析方法受到了学术界的广泛关注。目前大部分基于词向量的循环神经网络与卷积神经网络模型对于文本特征的提取和保留能力不足,为此文中引入了多层自注意力机制,提出了一种结合双向门控循环单元(BGRU)和多粒度卷积神经网络的中文情感极性分析方法。该方法首先使用BGRU获取文本的序列化特征信息,然后使用自注意力机制进行初步特征筛选,将处理后的特征信息导入含有不同卷积核的卷积神经网络;再使用自注意力机制对获得的局部特征进行动态权重的调整,注重关键特征的抽取;最后经Softmax获得文本情感极性。实验结果证明,模型在两种中文语料数据集上都体现了较好的分析处理性能,其中在ChineseNLPcorpus的online;hopping;0;ats数据集上取得了92.94%的情感分类准确性,在中科院谭松波学者整理的酒店评论数据集上取得了92.75%的情感分类准确度,相比目前的主流方法,其性能均有显著的提升。

基于GRU的多模态麻醉深度评估方法研究

常见的麻醉深度评估法普遍存在一定局限性,本研究提出一种基于GRU的多模态麻醉深度评估方法。采集20例临床数据进行验证分析,发现通过GRU网络后输出的数值与BIS值存在较小差异和较高的关度,具有较好的麻醉深度评估价值。

基于BO-GRU的混凝土坝变形预测模型

针对混凝土坝变形具有较强的非线性特点、目前大坝变形预测模型出现参数过多及易陷入局部最优等问题,提出了一种深度学习中的门控制循环单元(GRU)模型,并结合贝叶斯优化算法(BO)对门控制循环单元的超参数进行优化,建立BO-GRU模型应用于混凝土坝变形预测。为检验模型的可行性,以实测变形监测数据为基础,并与极限学习机、相关向量机和基于遗传算法优化的支持向量机等模型预测结果进行对比。结果表明:该模型的泛化能力强、运行效率高,能有效运用于混凝土坝的变形预测。

基于BERT的双通道神经网络模型文本情感分析研究

针对当前情感分析任务中使用Word2Vec、GloVe等模型生成的文本词向量,无法有效解决多义词表征、经典神经网络模型无法充分提取文本语义特征等问题,本文提出基于BERT的双通道神经网络模型文本情感分析方法。该方法采用BERT模型生成词向量,BERT模型对下游分类任务进行微调的过程中生成文本词向量的动态表征。然后,将词向量输入由CNN与BiGRU构建的双通道模型进行特征提取,并行获取文本的局部与全局语义特征,并通过注意力机制为输出特征分配相应的权重分值,突出文本的情感极性。最后将双通道输出特征融合进行情感分类。在酒店评论数据集上进行实验,结果表明本文模型与文本情感分析的基线模型相比,在准确率与F;分值上分别提高了3.7%和5.1%。

改进EEMD-GRU混合模型在径流预报中的应用

为解决径流预测模型存在的预测精确度低、稳定性差、延时高等问题,结合门控制循环单元神经网络(gated recurrent unit,GRU),集合经验模态分解(ensemble empirical mode decomposition,EEMD)的各自优点,提出一种基于改进EEMD方法的深度学习模型(EEMD-GRU)。该模型首先以智能算法对径流信号进行边界拓延,以解决EEMD边界效应。然后利用改进EEMD方法将径流信号分解为若干稳态分量,将各分量作为GRU模型的输入并对其进行预测。实验结果表明,与结合了经验模态分解的支持向量回归模型相比,并行EEMDGRU径流预测模型的预测精准度、可信度和效率分别提高82.50%、144.67%和95.49%。基于EEMD-GRU的最优运算结果表明,该方法可进一步减少区域防洪的经济损失,提高灾害监管的工作效率。

基于BERT-BiGRU模型的文本分类研究

文本分类是自然语言处理的典型应用,目前文本分类最常用的是深度学习的分类方法。针对中文文本数据具有多种特性,例如隐喻表达、语义多义性、语法特异性等,在文本分类中进行研究。提出基于编码器-解码器的双向编码表示法-双向门控制循环单元(bidirectional encoder representations from transformers-bidirectional gate recurrent unit,BERT-BiGRU)模型结构,使用BERT模型代替传统的Word2vec模型表示词向量,根据上下文信息计算字的表示,在融合上下文信息的同时还能根据字的多义性进行调整,增强了字的语义表示。在BERT模型后面增加了BiGRU,将训练后的词向量作为Bi GRU的输入进行训练,该模型可以同时从两个方向对文本信息进行特征提取,使模型具有更好的文本表示信息能力,达到更精确的文本分类效果。使用提出的BERT-BiGRU模型进行文本分类,最终准确率达到0.93,召回率达到0.94,综合评价数值F1达到0.93。通过与其他模型的试验结果对比,发现BERT-BiGRU模型在中文文本分类任务中有良好的性能。

基于ALBERT-BIGRU的情感分析模型

针对预训练模型BRET所面临的模型复杂、参数规模大带来的训练难度提升问题,提出一种基于ALBERT(A Little BERT)的情感分析模型ALBERT-BiGRU-attention-CRF。在online_shopping_10_cats网络购物评论数据集上取得了93.58%的F1值,同传统BiGRU-CRF等情感分析模型相比均有所提升,同BERT模型相比在P值上提升0.61%,且缩短将近一半运行速度时间。实验结果最终表明该模型在缩减模型参数需求,增加运行效率的同时能有效保留类似BERT模型的模型表现。

融合残差网络与自注意力机制的心律失常分类

在心血管疾病的诊断中,心电信号的分析一直起到至关重要的作用。目前如何利用算法有效识别出信号中的异常心拍,仍然是心电信号分析领域中的难点。本文将深度残差网络与自注意力机制相结合,提出了一种能够自动识别出异常心拍的分类模型,该模型首先基于残差结构设计了18层卷积神经网络,用来充分提取信号中的局部特征,之后再结合双向门控循环单元,用于提高网络对于时序特征的挖掘能力,最后引入自注意力机制为提取到的每一个特征赋予区分化的权重,协助模型在训练的过程中更有效地关注重要特征,以此来获得较高的分类精度。本研究采用多种方式进行数据增强,缓解了由于数据不平衡问题对模型效果带来的影响。本研究实验数据来源于麻省理工学院与贝斯以色列医院(MIT-BIH)构建的心律失常数据库,最终结果表明,研究提出的模型在原始数据集上达到了98.33%的总体准确率,在优化后的数据集中达到了99.12%的总体准确率,证明了该模型在心电信号分类方面拥有良好的效果,具备应用到便携式心电检测设备的潜在价值。

多源数据驱动CNN-GRU模型的公交客流量分类预测

为精准分析公交线路与站点不同客流的出行特征及时变差异性,结合深度学习理论,提出了一种基于卷积神经网络(CNN)与门控制循环单元(GRU)组合的公交客流分类预测模型;融合匹配公交一卡通刷卡、公交车GPS轨迹、线路和站点基础信息、气象等多源数据,实现公交客流数据重构;采用K-Medians算法将乘客分为通勤类和非通勤类;以乘客类型、历史客流量、时段、高/平峰、星期、降水量、重大活动等因素为输入向量,分别建立CNN与GRU单一模型,并利用均方误差、均方根误差、平均绝对误差为评价指标,开展预测;针对单一模型不适用多特征时间序列预测等问题,分别构建了由CNN和GRU组合的线路客流和断面客流预测模型;以北京市特15路公交为例,预测工作日与非工作日场景下的线路及断面的分类客流。分析结果表明:对于通勤类和非通勤类线路及断面客流,组合模型的均方误差相比单一模型平均降低了57.932、13.106和33.987,均方根误差平均降低了1.862、1.058和1.538,平均绝对误差平均降低了1.399、0.487和0.613,可见,多源数据驱动下的CNN-GRU组合模型具有良好的预测性能。