一种自相似网络流量生成器的设计与实现

为了满足网络设备性能测试的需要,流量生成器应能够产生近似真实网络特性的网络流量.针对现有的流量产生方案的速度限制和精确性不足的问题,设计了一种高效的自相似网络流量生成器.根据多个独立的ON/OFF模型叠加的方式实时产生自相似流量时间序列,并完全利用FPGA硬件资源实现了流量生成器的结构设计.该生成器可实现"Gb/s"的数据速率,且速度可扩展性高.通过流量统计特性分析,该网络流量生成器生成的流量表现出较准确的自相似性,能够较好地反映真实的网络流量.

重质油高温快速热解自动反应网络的动力学建模

重质油高温快速热解过程模型对提高产品收率、附加值及降低能耗具有重要意义。利用自动反应网络生成器RMG(reaction mechanism generator)构建重质油高温快速热解的机理模型。选择了分步构建方法,最终合并的模型包含230种物质和1468个反应。采用高频炉对二十烷、十氢萘、乙苯和不同质量比例混合物(二十烷、乙苯和十氢萘)进行快速热解实验验证,结果表明:机理模型可准确模拟出重质油高温快速热解主要气体产物生成结果,当重质油中链烷烃含量较多时和芳烃含量较多时,分别控制温度在1300℃左右和800℃左右有利于乙烯的生产。

基于PGN-CL的文本摘要生成模型

基于Seq2Seq框架的生成式文本摘要模型取得了不错的研究进展,但此类模型大多存在未登录词、生成文本重复、曝光偏差问题。为此,本文提出基于对抗性扰动对比学习的指针生成器网络PGN-CL来建模文本摘要生成过程,该模型以指针生成器网络PGN为基本架构,解决摘要模型存在的未登录词和生成文本重复的问题;采用对抗性扰动对比学习作为一种新的模型训练方式来解决曝光偏差问题。在PGN模型的训练过程中,通过向目标序列添加扰动并建立对比损失函数来生成对抗性正负样本,使负样本与目标序列在嵌入空间相似但语义差别很大,正样本与目标序列在语义空间很相近但嵌入空间差距较大,这些区分困难的正负样本可以引导PGN模型在特征空间更好地学习到正负样本的区分特征,获得更准确的摘要表示。在LCSTS数据集上的实验结果表明,提出的模型在ROUGE评价指标上的表现优于对比基线,证明了融合指针生成器网络和对抗性扰动对比学习对摘要质量提升的有效性。

融合小型深度生成模型的显著性检测

针对基于深度神经网络模型的显著性检测方法中存在的模型训练困难、模型参数量大以及检测速度慢等问题,本文提出了一种融合小型深度生成模型的显著性检测方法.方法以生成对抗网络为框架,设计了包含11个卷积模块和5个池化层的鉴别器网络以及不包含池化层,仅包含15个卷积模块和5个转置卷积模块的小型生成器网络.其中,小型生成器网络大小仅2.4M,参数量仅67万左右.将训练好的小型生成器用于显著性检测,并与LMB(融合背景块再选取过程的显著性检测)算法通过设计的融合算法进行融合,从而得到最终结果.通过大量的实验对比分析表明,提出的方法在F值和MAE(Mean Absolute Error)值上均取得大幅提升.

项目管理软件AHP嵌套——网络结构及其特性与功能的研究

由嵌套结构生成器和网络计划生成器构成的AHP嵌套——网络结构凝固了项目管理软件的核心技术,它集中体现了网络计划技术基础理论和项目管理软件开发理论的精髓.通过对BANT嵌套结构生成器与P3编码结构、BANT网络计划生成器与P3网络计划生成器功能的比较,通过BANT嵌套—网络结构与P3编码/横道图组合结构的比较,得到项目管理软件的嵌套——网络结构应该具备的基本特性与功能以及它必须是一个有机整体结构的结论.

一种遵循RichClub现象的网络拓扑模型

基于现有的AS网络拓扑生成模型,本文提出了一个遵循 Rich Club现象的新网络拓扑模型。该模型不仅保正反映AS网络的基本性质,还能满足AS网络所有的特性Rich Club现象。仿真结果表明,本文的模型和算法是有效的。

结合模仿对抗策略的深度强化学习鲁棒性增强方法

随着深度强化学习的广泛应用,其安全性问题日益凸显.本文面向深度强化学习的安全问题探索模型防御方法,提出了基于模仿对抗策略的鲁棒性增强方法,搭建对抗状态生成器并优化生成最优对抗策略,同时与深度强化学习智能体联合训练提高模型鲁棒性.具体地,创新性的搭建基于模仿学习的对抗状态生成器,旨在生成具有泛化性的对抗样本,同时结合深度强化学习模型的反馈来增强对抗状态的攻击能力,以此间接性增强干净模型对异常干扰的适应能力,然后动态生成对抗样本参与深度强化学习模型的训练从而增强模型的鲁棒性.进一步,通过大量实验对比了多种防御方法以及不同扰动样本比例的防御效果,同时验证面对白盒和黑盒对抗攻击的性能,最后分析了不同对抗样本比例对模型鲁棒性的影响.

面向法律文书的分段式摘要模型

是指对文本信息内容进行概括、提取主要内容进而形成摘要的过程。现有的文本摘要模型通常将内容选择和摘要生成独立分析,虽然能够有效提高句子压缩和融合的性能,但是在抽取过程中会丢失部分文本信息,导致准确率降低。基于预训练模型和Transformer结构的文档级句子编码器,提出一种结合内容抽取与摘要生成的分段式摘要模型。采用BERT模型对大量语料进行自监督学习,获得包含丰富语义信息的词表示。基于Transformer结构,通过全连接网络分类器将每个句子分成3类标签,抽取每句摘要对应的原文句子集合。利用指针生成器网络对原文句子集合进行压缩,将多个句子集合生成单句摘要,缩短输出序列和输入序列的长度。实验结果表明,相比直接生成摘要全文,该模型在生成句子上ROUGE-1、ROUGE-2和ROUGE-L的F1平均值提高了1.69个百分点,能够有效提高生成句子的准确率。

并行生成网络的红外—可见光图像转换

目的针对现有图像转换方法的深度学习模型中生成式网络(generator network)结构单一化问题,改进了条件生成式对抗网络(conditional generative adversarial network,CGAN)的结构,提出了一种融合残差网络(ResNet)和稠密网络(DenseNet)两种不同结构的并行生成器网络模型。方法构建残差、稠密生成器分支网络模型,输入红外图像,分别经过残差、稠密生成器分支网络各自生成可见光转换图像,并提出一种基于图像分割的线性插值算法,将各生成器分支网络的转换图像进行融合,获取最终的可见光转换图像;为防止小样本条件下的训练过程中出现过拟合,在判别器网络结构中插入dropout层;设计最优阈值分割目标函数,在并行生成器网络训练过程中获取最优融合参数。结果在公共红外—可见光数据集上测试,相较于现有图像转换深度学习模型Pix2Pix和Cycle GAN等,本文方法在性能指标均方误差(mean square error,MSE)和结构相似性(structural similarity index,SSIM)上均取得显著提高。结论并行生成器网络模型有效融合了各分支网络结构的优点,图像转换结果更加准确真实。

基于指针机制与门控卷积单元的抽象式文本摘要方法

为了提高生成摘要的连贯性和可读性,同时避免传统抽象式摘要方法的未登录词和生成摘要的自我重复问题。本文在注入注意力机制的序列到序列模型基础上,加入了指向生成器网络且在编码器和解码器之间加入了一个门控卷积单元。通过指针从原文中拷贝词,在正确复述原文信息的同时,使用生成器生成一些新的词,解决未登录的问题;通过门控卷积单元控制信息流,解决摘要重复问题。实验数据主要依赖于LCSTS中文摘要数据集。根据实验结果显示,该模型的ROUGE模型分数高于传统的Seq2seq模型,提高了文本摘要的质量。