大权值抑制策略用于训练卷积神经网络

卷积神经网络(Convolutional Neural Network,CNN)是深度学习研究的重要方向,因其模型复杂且训练困难,所以设计更好的CNN训练方法一直是研究热点。针对训练好的CNN模型,分析了其参数权值对训练结果的影响,确认权值越大的连接参数对模型性能的影响也越大,且整个模型的性能主要由极少数的大权值参数决定。据此,提出了CNN的权值抑制训练方法(Weight Restrain of CNN,WR-CNN),该方法调整了模型训练时的权值更新策略,设置一个与权值大小相关的抑制系数,用该系数调整反向传播时的权值增量幅度,达到控制大权值连接参数分布的目的。在不同实验条件下,该方法将CNN模型的错误率降低1.8%~5.0%,模型对大权值参数的敏感性明显降低,模型泛化能力和鲁棒性均得到改善,另外,该方法也可用于对已训练好的网络模型进行再优化。

基于IPSec的网络数据安全传输模型设计

面对以往使用的TCP/IP协议簇、SSL协议受到干扰数据影响,无法保证数据安全传输的问题,提出了基于IPSec的网络数据安全传输模型设计。根据IPSec工作原理,更新网络数据安全传输过程中的黑客入侵比例权值,克服因初始化权值参数过多而导致黑客入侵数据检测时间过长的问题。通过IPSec隧道模式转移的数据传输工作模式,保护传输数据安全,由此构建安全传输模型。加密初始密钥,使待接收的数据在安全缓存队列内。脱敏处理接收数据,完成网络数据安全传输。由实验结果可知,该模型在数据置乱情况下,最大传输误差为20 bit,具有安全传输效果。

基于移动性预测分簇算法的仿真设计

针对车联网的特点,结合节点间的节点相对移动性和节点的剩余生存时间,提出了簇头选择权值参数M来表示节点作为簇头的能力强弱,并基于这个参数设计出一种簇生成算法;该簇生成算法的主要思想是比较每个节点的M值,然后选出M值最小的节点成为簇头并生成簇,这样可以保证簇的稳定性;但是,当一个簇内成员个数过多过少时都会使簇的存在变得低效,针对这一现象,提出了簇合并和簇分裂机制;该机制可以在降低网络通信开销的同时,保证簇的稳定运行;仿真结果表明,此算法在车联网场景中性能良好,簇结构稳定,孤立节点数量较少,节点能够快速地进行信息交互并生成簇。

基于改进的AdaBoost算法的人脸检测与定位

针对传统AdaBoost算法在训练过程中出现的退化现象和检测率低的问题,提出了一种有效的解决方法。该方法在传统AdaBoost算法的基础上,对样本的权值参数和弱分类器的加权参数加以改进,有效地抑制了困难样本权值的过分增大,加强了分类器对样本的识别能力,并提高了系统的检测率。实验证明:使用该方法训练的级联人脸检测器具有良好的性能。

分级网络中基于链路可靠性的簇间路由算法

为减少分级Ad Hoc网络路由控制开销,降低洪泛信息冲撞概率和链路中断概率,提出一种基于链路可靠性的簇间路由选择算法,并给出实现步骤。在研究Ad Hoc分级结构网络特点和簇间路由特性的基础上,对影响簇间链路可靠性的多项因素进行分析,并定义相应的权值参数。将权值参数映射到蚁群算法的正反馈和启发信息的可变参数中,进而将蚁群算法应用于簇间路由发现机制。仿真结果证明,该算法可有效减少簇间路由的洪泛开销,提高路径寻优概率,从而增强簇间路由的可靠性。

基于改进关联规则算法的警情数据分析

针对传统Apriori算法挖掘警情数据的缺点,提出一种改进的Apriori算法。该算法首先在关联规则发现阶段引入权值参数,设计支持度阈值函数,以挖掘不常发生的重大案情发生规律;然后提出一种压缩矩阵优化算法,将数据压缩存储在只有0或1的矩阵中,并用2个数组来记录矩阵中每一行及每一列1的总数,可多次压缩矩阵,提升挖掘效率;最后将改进的算法用于实际的警情数据挖掘分析,给出关联规则挖掘结果。实验表明,改进算法不仅执行效率较传统算法有所提升,且针对警情数据的挖掘结果准确性也有所提高。

基于混合聚类优化协同过滤的Web服务推荐

为进一步提高QoS预测准确率,提出一种基于混合聚类优化协同过滤的Web服务推荐方法。采用一种新的混合聚类算法替代传统的top-k算法,结合三个阈值来确定目标用户及服务的相似邻居集合;将基于用户和基于项的皮尔逊相关系数预测方法进行加权结合,从而预测目标用户及服务的QoS值。在香港中文大学发布的真实Web服务QoS数据集WS-Dream上进行了实验,实验结果表明,稀疏度为30%时,所提方法的平均绝对误差和均方根误差均低于现有协同过滤推荐方法,显著提高了QoS值预测精度。