基于去噪扩散概率模型的网络流量入侵检测方法研究

互联网、物联网技术的迅猛发展,保障网络系统的安全性成为一项紧迫的任务.然而,传统的入侵检测模型在面对复杂网络环境中的稀有类攻击流量时存在局限性,不同种类网络流量的数据不平衡性会影响模型整体的分类性能.针对以上问题,提出基于去噪扩散概率模型的网络流量入侵检测方法——DDPM_1DCNN_BiLSTM,使用去噪扩散概率模型生成稀有类攻击流量数据进行样本扩充,使用融合自注意力机制的1DCNN_BiLSTM模型进行特征的提取与流量检测.实验使用不平衡入侵检测数据集NSL-KDD,将1DCNN_BiLSTM与包括randomforest,decisiontree等现有常见分类模型分别在原始训练集与平衡化数据集上训练,并使用训练后的模型对同一测试集分类.实验结果表明,由平衡化数据集训练出的各种现有分类模型相较于由原始不平衡数据集训练出的模型,前者在测试集中表现的效果更好,并且所提方法相较于常见的入侵检测方法具有更高的准确率与F1分数,证明了所提方法对提高稀有类攻击流量检出率与入侵检测综合能力的有效性.

基于扩散概率模型的非均一地震数据插值方法

【目的】能源勘探领域长期面临非均一地震数据插值的难题。由于检波器无法精确放置在理论网格点,现有均一插值技术常导致结果存在偏差和细节失真。【方法】为解决此问题,提出一种基于扩散概率模型的非均一插值新方法。扩散概率模型是一种新兴的生成式深度学习模型,分为扩散和生成两个过程。在扩散过程中,对完整地震数据迭代施加噪声,训练神经网络的去噪能力;在生成过程中,使用神经网络对噪声数据迭代去噪,得到重构数据。利用插值算子计算迭代数据与采集数据的偏差,作为神经网络的额外输入,提高扩散概率模型的非均一插值能力。在数值实验部分,使用二维合成数据集与实际数据集对非均一采样进行了测试,并使用均一插值模型与所提模型进行比较。【结果和结论】结果表明:该方法显著提升了扩散概率模型对非均一采样的处理能力,在合成数据与实际数据测试中,信噪比大约提高了7 dB,有效提高了深度学习方法对非均一插值的精度,为非均一地震数据插值算法提供了新的思路。

去噪扩散概率模型在人工智能医疗器械影像数据增广中的应用

医疗器械影像数据增广是一种通过生成新的数据样本来扩展现有数据集的方法,对提高人工智能(AI)医疗器械相关模型性能和临床应用效果具有重要意义。传统的数据增广方法通常受限于生成样本质量、真实感和多样性。去噪扩散概率模型(DDPM)是一种基于噪声扩散过程的生成模型,其主要思想是通过将目标分布的采样过程建模为从噪声分布中逐步去噪的过程,从而生成具有高质量的样本。综述DDPM基本原理和工作机制,分析该方法在AI医疗器械数据增广中的应用场景,探讨其优势、挑战和未来发展方向,为AI医疗器械数据增广领域提供参考。

影响力扩散概率模型及其用于意见领袖发现研究

作为意见领袖识别基础的影响力扩散模型IDM存在两个缺陷:(1)由回复链结构断层或者帖子内容间接传播引起的影响力传递中断;(2)由灌水所导致的虚假影响力传递.为解决上述问题,文中提出了一种新的影响力扩散概率模型IDPM,进而建立了网络意见领袖筛选模型.该模型在相同兴趣空间上定义单个关键词语传播概率影响力,在帖子影响力定义中引入了有效关键词语概念,避免了上述缺陷;同时,在用户影响力计算时给每个帖子一个影响因子,用以整合其它有用信息,使模型具有开放性和包容性特点.在2010年12月到2011年5月网易社会新闻版块评论数据上的实验表明,文中方法是有效的,其平均精确率相对IDM模型提高了59.8%.

基于粗糙集的去噪扩散概率方法

基于非Markov链去噪扩散隐式模型(DDIM),提出一种粗糙集的去噪扩散概率方法,用粗糙集理论对采样的原序列等价划分,在原序列上构建子序列的上下近似集和粗糙度,当粗糙度最小时获取非Markov链去噪扩散隐式模型的有效子序列.利用去噪扩散概率模型(DDPM)和DDIM进行对比实验,实验结果表明,该方法获取的序列是有效子序列,且在该序列上的采样效率优于DDPM.

生成扩散模型研究综述

扩散模型在生成模型领域具有高质量的样本生成能力,一经推出就不断地刷新图像生成评价指标FID分数的记录,成为了该领域的研究热点,而此类相关综述在国内还鲜有介绍。因此,文中对相关扩散生成模型的研究进行汇总与分析。首先,对去噪扩散概率模型、基于分数的扩散生成模型和随机微分方程的扩散生成模型这3类通用模型的特点和原理进行了论述,就每一类基本扩散模型中以优化模型内部算法、高效采样为改进目标的相关衍生模型进行分析。其次,对当下扩散模型在计算机视觉、自然语言处理、时间序列、多模态和跨学科领域等方面的应用进行总结。最后,基于上述论述,分别就目前扩散生成模型存在的采样步骤多、采样时间长等局限性提出了相关建议,并结合前述研究对未来扩散生成模型的发展方向进行了研判。

基于条件扩散隐式模型单幅图像去雨

雨水天气会对图像造成干扰并增加图像处理的难度。为消除雨水对图像造成的影响,提出一种基于条件扩散隐式模型的图像去雨方法。该方法采用基于SR3的全卷积网络架构,使用U-Net结构的变体,并用BigGAN的残差块替换了传统的残差块,去掉自注意力机制、位置编码和群组归一化,实现了条件扩散模型支持任意大小图像的输入,且不受图像分辨率的影响。同时,引入确定性加速采样,用子序列时间步来加速生成过程,提高图像恢复速率。通过对图像进行重叠分块处理,将子块分次调入内存处理,减少资源消耗,提高算法的适用性,使用平滑噪声估计引导去噪过程,使生成图像获得更高的保真度。在合成数据集和真实数据集上进行测试,定性和定量结果表明,该方法在峰值信噪比和结构相似性方面均有提升,图像细节信息保留更加完全且去雨后的视觉效果更佳。

基于扩散模型的高阶拓扑绝缘体实时设计

作为一种全新的波控工具,高阶拓扑绝缘体可以将能量鲁棒高效地局域化在低维空间,且对缺陷不敏感.在光子和声子系统中,高阶拓扑绝缘体的快速设计仍然是一项挑战.采用移动可变形孔洞法显式描述C4v对称的单胞构型,并结合能带理论和对称指标刻画其性能(拓扑性质和非平凡带隙宽度).在此基础上,构建了包含几何参数、无量纲化带隙宽度与拓扑性质指标的高阶拓扑绝缘体数据集,并提出了一种基于去噪扩散概率模型(denoising diffusion probabilistic model,DDPM)的实时设计框架.相比采用其他生成式模型的设计框架,DDPM有效避免了训练不稳定和生成保真度低等问题.该框架可以精准且快速地按目标需求或最大化带隙宽度逆向设计力学高阶拓扑绝缘体,在单机上生成所需设计的平均相对误差在3.5%以内,平均耗时仅需0.01 s,相比传统逆向设计方法效率提升6~7个数量级.通过使用Wasserstein距离度量逆向设计样本的多样性,该框架相较基于深度学习代理模型的优化设计结果,表现出更高的生成结果多样性.此外,所得设计具有显式描述的几何信息,可以直接与CAD/CAE软件结合,避免了隐式描述算法中的后处理步骤.这种基于DDPM的实时设计框架可扩展应用于多物理场拓扑材料和其他类型超材料的逆向设计,并为构建声子和光子拓扑材料的数据库提供了基础.

电致发光缺陷图像非均衡样本生成与评估

太阳能电池板缺陷降低了光电转换效率和使用寿命,因此必须进行缺陷检测。YOLO和GoogleNet等深度学习模型提高了准确性,但数据集的缺陷样本不平衡会影响模型的准确度。为解决此问题,本文提出了改进的扩散概率模型。该模型使用sigmoid方案更新加噪策略,生成缺陷数据中的黑斑片,并通过目视判断和目标检测算法评价生成图像质量。实验结果显示,与传统数据增广、DCGAN和DDPM等方法相比,SIG-DDPM在生成图像质量方面更出色。经过目视判断和目标检测算法的测试,生成的黑斑电池片图像接近真实图像,说明了该方法的有效性。

铁路运输阻断SARS疫情系统对策研究

通过讨论铁路客运过程中SARS疫情扩散特点,分析其特有的通道效应、跨越效应以及控制点效应,建立基于模糊决策理论的与疫区具有强关联性区域的铁路运输SARS疫情扩散概率模型,提出以铁路运输通道为控制单元的疫情分级控制策略,并在此基础上讨论铁路运输SARS疫情控制预案。

意见领袖识别中的文本倾向性研究

由于网络用户讨论的主题变化频繁,因此在进行倾向性判定时,难以预先构造出满足各种情况的训练语料。针对上述问题,提出了一种意见领袖识别中的文本倾向性判定方法,进而建立考虑回复帖子倾向性的意见领袖发现模型。该模型建立在影响力扩散概率模型(IDPM)上,模型中引入了考虑帖子倾向性的有效系数。实验表明,该方法是有效的,其前50个的平均精确率相对分别提高了10.97%和5.45%。

基于数据增广的区域供热系统热力站负荷预测模型准确率提升方法研究

开展了热力站数据生成模型研究,基于生成对抗网络和去噪扩散概率模型建立了数据生成模型,通过学习气象、室温、热力站运行数据的联合分布,对原始训练数据进行增广,为预测模型训练提供充足的数据支撑,从而提高预测模型的准确率。在北京市某热力站进行了验证和实际测试,结果表明:该方法可以将热力站一次侧电动调节阀开度和二次网供水温度的预测误差分别降低约7%和11%;同时,应用准确率提升后的负荷预测值进行供热量调节得到的预计室温与室温目标值之间的偏差可进一步降低5.44%。基于生成对抗网络的生成模型能够扩展预测模型的预测范围,基于去噪扩散概率模型的生成模型能够在原预测范围内提高预测模型的准确率。本文研究可为进一步提高区域供热系统热力站负荷预测能力与按需精准调控水平提供支撑。

融合SKNet与MobilenetV3的芒果叶片病虫害分类方法

【目的】针对芒果叶片病虫害缺少数据集和识别准确率低的问题,筛选构建芒果叶片病虫害分类模型,以提高芒果叶病虫害分类准确率。【方法】提出使用去噪扩散模型进行病虫害数据增强,同时联合SKNet与MobilenetV3模型的芒果叶片病虫害分类方法。首先使用去噪扩散模型对数据集进行扩充,再采用多尺度结构相似性指标对生成的病虫害图像与拍摄的病虫害图像之间的相似程度进行评估,接着对DDIM与DCGAN网络训练和生成效果进行比对。在MobilenetV3模型中,将SE注意力模块替换为SKNet模块进行构建网络模型。【结果】使用DDIM生成的所有类型的病虫害图像与拍摄的病虫害图像的MS-SSIM指标均大于0.63,且都高于DCGAN。相较于其他注意力模块,联合SKNet与MobilenetV3的分类效果最佳,在98%以上。对添加CA、CBAM、ECA注意力模块进行平滑类激活图可视化,对比其他注意力模块,使用SKNet注意力分布区域更为集中在病虫害叶片上。【结论】该方法在病虫害叶片检测上具有良好的应用前景,能提升病虫害识别效率与精度,减少检测成本,同时可应用于移动式或者嵌入式设备。