基于混合深度学习模型的软件漏洞检测方法

为解决传统软件漏洞检测方法检测吞吐率低的问题,基于混合深度学习模型设计软件漏洞检测方法。通过确定软件漏洞检测关键点,提取软件漏洞中的关键点,处理软件漏洞检测数据,剔除与软件漏洞关键点无关的检测数据,基于混合深度学习模型向量化表达软件漏洞特征,运用混合深度学习模型的学习能力检测软件漏洞,实现基于混合深度学习模型软件漏洞检测。设计实例分析,结果表明,设计检测方法检测吞吐率均在3reqs/s以上,远高于对照组的检测吞吐率,能够解决传统软件漏洞检测方法检测吞吐率低的问题。

面向认知表现预测的时-空共变混合深度学习模型

认知表现预测已经成为当前大脑研究的重要课题.功能磁共振成像技术由于同时具有较好的时间和空间分辨率,有潜力为认知表现预测提供数据支持.为了解决基于功能磁共振成像数据对认知表现进行预测时大脑所具有的时-空共变难刻画问题,提出了一种新型基于大脑学习机制的时-空共变混合深度学习模型,即深度稀疏自编码器与循环全连接网络混合模型,以混合神经网络模型的损失函数误差作为认知表现预测能力的评价标准.在人类连接组项目数据集上的实验结果表明,提出的时-空共变混合模型能够有效和稳健地预测认知表现,并提取到与人脑学习、记忆相关的有意义的脑影像特征,从而为认知表现预测提供技术支持.

基于混合深度学习模型的网络服务软件漏洞挖掘方法

为了提高网络服务软件的可靠性,提出基于混合深度学习模型的网络服务软件漏洞挖掘方法.分析网络服务软件漏洞特征,采用模糊信息聚类方法进行软件漏洞特征聚类,建立嵌入式多任务调度模型,结合多层指标参量约束控制方法进行网络服务软件漏洞检测,采用混合深度学习模型实现网络服务软件漏洞挖掘优化.仿真结果表明,采用该方法进行网络服务软件漏洞挖掘的准确性较高,提高了网络服务软件的可靠性.

基于混合深度学习的压气机喘振快速诊断及自抗扰控制方法

[目的]为了提升压气机设备安全、稳定运行的水平,提出一种基于混合深度学习参数辨识的喘振状态快速诊断方法,以及一种用于实现压气机退喘的自抗扰控制策略。[方法]首先,采用长短期记忆神经网络(LSTM)处理压气机参数辨识输入输出数据的时序关系,并融入高斯过程回归(GPR)的区间概率估计能力,提出一种基于LSTM和GPR结合(LSTM-GPR)的混合深度学习参数辨识算法,进而实现对压气机喘振状态的快速诊断;然后,基于自抗扰控制方法对压气机的节流阀参数进行控制,通过控制量对压气机节流阀参数的补偿,实现对压气机喘振状态的准确控制。[结果]结果表明,混合深度学习参数辨识算法可以实现对压气机临界Greitzer参数的准确辨识,能快速、准确地判断出压气机是否处于喘振状态,并且基于自抗扰控制的控制策略,可以使压气机有效退出喘振状态,相比传统的PID控制和非线性反馈控制等控制方法,所提方法快速、有效,可保证压气机的工作范围。[结论]提出的参数辨识和自抗扰控制方法能够用于压气机的喘振诊断和主动控制,可提升压气机的安全性与稳定性。

基于新型混合深度学习的风电机组功率预测模型开发及应用

风电机组发电性能的预测对提高电网的可靠性、安全性以及运行管理水平起着至关重要的作用。考虑实际环境的复杂不确定性导致风力发电存在一定波动,提出了一种新的基于混合深度学习模型的风力发电机功率预测模型对风力发电性能进行预测。该混合模型通过耦合卷积层、门限循环单元层和全连通神经网络有效地提高了预测精度,其中卷积层从原始数据中自动学习复杂特征,门限循环单元层通过精简信息特征并传递到全连通神经网络进一步捕获特征关系,提高了模型预测的准确性。采用风电机组的SCADA数据对模型进行训练学习和对比实验。其中训练结果表明在预测测试数据时本文所提预测模型的预测值与实际值之间的平均绝对差为2.48,同时模型也没有出现过度拟合和拟合不足的问题。对比实验中,所提预测模型的平均绝对误差指数仅为2.32,小于其他文献所提的预测模型,表明了混合深度学习模型优于其他预测模型。最后通过实例验证了预测模型的有效性,提高了风电预测的准确度。

基于特征融合的中文文本情感分析方法

针对现有的中文文本情感分析方法不能从句法结构、上下文信息和局部语义特征等方面综合考量文本语义信息的问题,提出一种基于特征融合的中文文本情感分析方法.首先,采用Jieba分词工具对评论文本进行分词和词性标注,并采用词向量训练工具GloVe获取融入词性的预训练词向量;然后,将词向量分别作为引入Self-Attention的BiGRU和TextCNN的输入,使用引入Self-Attention的BiGRU从文本的句法结构和文本的上下文信息两个方面综合提取全局特征,使用TextCNN提取文本的局部语义特征;最后,将全局特征和局部语义特征进行融合,并使用Softmax进行文本情感分类.实验结果表明,本文方法可以有效提高文本情感分析的准确率.