基于孤立森林算法的弹性光网络异常流量自动识别方法

弹性光网络流量传输受到时间波动导致异常,为了提高网络传输稳定性,提出基于孤立森林算法的弹性光网络异常流量自动识别算法。根据流量的异常分布特征和正常数据的差异性进行波谱密度检测,构建弹性光网络流量的谱特征提取模型,通过低通滤波器卷积向量重组,实现对异常流量的谱特征筛选,采用孤立森林算法实现对网络流量异常检测的自适应寻优控制,结合多维空间结构重组方法实现对弹性光网络异常流量检测和识别。结果表明,漏检率及误检率较低,分别为3.16%,1.03%。检测用时较少,仅用16秒。在进行检测时,外部入侵率未超过1%,抗扰性较强。

基于改进实数编码遗传算法的神经网络超参数优化

针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。

基于变分模态分解和改进灰狼算法优化深度置信网络的自动转换开关故障识别

自动转换开关(ATSE)是保证系统连续供电的设备,对其进行健康监测和故障诊断对系统的稳定运行具有重要意义。为了实现对ATSE的非侵入式故障识别,该文提出一种基于电流信号变分模态分解(VMD)的特征提取和改进灰狼算法(IGWO)优化深度置信网络(DBN)相结合的故障诊断方法。该方法首先利用样本熵确定VMD分解次数并对故障电流进行分解;其次对分解后得到的本征模态函数进行小波包能量的提取,并利用IGWO对DBN网络结构参数进行优化;最后通过DBN将电流能量特征与ATSE的故障类型建立起映射关系从而完成最终的故障识别。所提IGWO采用了分段调节与非线性递减的衰减因子相结合的策略,以平衡算法全局搜索和局部搜索能力;并采用莱维飞行更新探狼的移动位置,来避免算法陷入早熟收敛。实验结果表明,该算法不仅能显著提高前期对参数寻优的训练速度,后续泛化实验的故障分类准确率也有98.78%的良好表现。

改进流向算法的无线传感器网络覆盖优化

针对标准流向算法易陷入局部最优和收敛精度低等问题,提出一种融合莱维(Levy)飞行和入侵杂草策略的改进流向算法.首先,该算法在选择水流流向时引入Levy飞行机制,使水流沿最优水流位置方向做Levy飞行运动,避免陷入局部最优;其次,利用入侵杂草策略,对每一代水流进行繁殖、空间扩散和竞争操作,增加水流的多样性,扩大搜索范围,提高全局寻优能力.最后,将改进流向算法应用于无线传感器网络覆盖优化中,并与标准流向算法及其他改进算法进行实验对比.仿真结果表明,相比标准流向算法及其他改进算法,所提改进流向算法的覆盖性能有大幅提升,覆盖率可达98.52%,可实现更均匀的节点分布和更低的部署成本.

改进群体智能算法的无线传感器网络覆盖优化

为解决无线传感器网络(Wireless Sensor Networks,WSN)节点分布不均和随机部署中的低覆盖率问题,该文提出一种改进群体智能算法的无线传感器网络覆盖优化算法,即改进的黑猩猩优化和哈里斯鹰优化的混合优化算法(Improved Chimp Optimization and Harris Hawk Optimization Algorithm,ICHHO).该算法首先对黑猩猩优化算法(Chimpanzee Optimization Algorithm,ChOA)进行改进,使用Levy Flight来改善其探索阶段,然后设计一个更新的公式来计算猎物逃逸能量,作为开发和探索之间的选择因素.传感器节点随机部署后,将ICHHO在传感器节点上执行,按照改进策略更新个体位置信息,计算相应的适应程度,找到最优传感器位置,并根据传感器概率模型确定网络最优覆盖率.仿真结果验证了ICHHO对于解决WSN覆盖问题的适用性,与其他优化算法的对比结果显示,ICHHO在提高覆盖率方面优于其他算法.

基于改进松鼠搜索算法优化神经网络的数控机床进给系统热误差预测

为探究数控机床进给系统中各因素对热误差的影响规律,建立精准的热误差预测模型。在进给速度为10 m/min、环境温度20℃的条件下进行进给系统热误差测量实验,获得进给系统关键点的温升及热误差。为提高预测精度,采用Tent混沌改进松鼠搜索算法,并利用改进的算法对神经网络进行优化,建立热误差预测模型。利用热误差测量实验获得的数据进行验证,结果表明改进前的神经网络预测误差为12.23%,改进后的模型预测误差为8.92%,精度有较大提升。利用预测模型针对不同进给速度下相同位置处热误差进行分析,结果表明,进给系统中关键测温点的温度和丝杠各点的热误差随着进给速度的增加而增加。因此提出的预测模型可实现进给系统热误差的准确预测,为误差补偿提供理论依据。

基于回填算法的网络空间安全态势动态感知方法

为了提升网络空间安全水平,提出了基于回填算法的网络空间安全态势动态感知方法。在回填算法中引入最早截止时限优先算法与最大权重优先算法,以提升资源利用率。利用改进的黑猩猩算法优化回填算法权重,为网络空间安全态势动态感知任务分配资源。以分配的安全态势动态感知任务资源为数据样本,通过广义径向基函数神经网络输出网络空间安全态势动态感知结果。实验结果表明,该方法可有效降低安全态势动态感知任务资源分配的截止时限错失率,提升网络资源利用率;在不同类型的网络攻击下,该方法可有效地动态感知网络空间安全态势;在不同的认证方式下,该方法的平均相对误差较低。

基于改进Markov算法的电力线载波通信网络安全态势感知仿真研究

针对电力线载波通信网络安全态势感知单位运算时间较长且误差较大等问题,基于改进Markov算法研究一种新型通信网络安全态势感知方法。采用分区采集与降维运算数据预处理,去除电力线载波信号干扰因素。利用隶属关联矩阵挖掘网络安全要素特征,构建层次化Markov网络安全态势感知模型。利用BW算法寻找目标参数最优解,来确定感知目标点位置,缩短挖掘时间,提高感知精准度。经过试验验证,所提方法单位感知时间只有60~90 ms,多组并行感知均方误差不超过2%,表明所提方法能够满足电力线载波通信网络安全态势感知应用需求。

基于卷积神经网络的纸张表面缺陷智能检测算法研究

针对纸张缺陷检测领域中如何有效提升缺陷特征提取能力、提高检测精度以及减少小目标缺陷漏检的难题,创新性地提出了一种基于改进Faster R-CNN算法的检测方法。该方法通过采用ResNet-50代替传统的VGG16作为特征提取的骨干网络,有效地增强了对纸张缺陷特征的捕获能力;进一步引入CBAM模块,实现了对空间及通道注意力的双重优化,显著提升了缺陷检测的准确度。此外,通过将ROI-Pooling技术升级为ROI-Align技术,本方法进一步增强了模型对纸张缺陷检测的泛化性能。经验证,该改进算法在常见纸张缺陷检测方面的平均精度达到了98%,不仅显著提高了检测精度,还有效减少了小目标缺陷的漏检,降低了错误检测率,为纸张缺陷检测技术的发展提供了新的思路和方法。

基于BP神经网络算法的异步电机故障诊断系统研究

为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE值更低,仅为0.009163,优化后的诊断预测结果与目标值几乎没有差别。基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。

融合时间和知识信息的生成对抗网络序列推荐算法

序列推荐作为一种常用的推荐系统技术,通过对用户的历史交互序列进行建模来预测下一个可能交互的项目。现有的序列推荐方法主要利用用户交互序列和上下文信息进行推荐,忽略了序列中交互项目之间的时间间隔信息,交互项目之间的组合依赖以及上下文信息中存在噪声的问题,导致推荐结果受限。针对以上问题,提出一种基于生成对抗网络的序列推荐模型TKWGAN,该模型包含一个生成器和一个判别器。生成器结合了用户历史交互序列和各项目之间的时间间隔信息对用户偏好进行建模并生成预测,判别器则引入了知识图谱信息对项目进行语义扩充,从而能更准确地对生成器的预测进行合理性判断。针对用户交互序列和知识图谱信息中可能存在噪声的问题,提出一种基于小波变换的多核卷积神经网络来构造判别器,以更全面、准确地捕获用户的潜在兴趣,提高推荐的准确性。在MovieLens-1M、Amazon Books和Yelp2018这3个公开数据集上的实验结果表明,与8个序列化推荐算法相比,提出的TKWGAN模型在命中率(HR@N)和归一化折损累计增益(NDCG@N)指标上均有显著提升。

基于改进StackCNN网络和集成学习的脑电信号视觉分类算法

针对直接使用图像诱发的脑电信号进行视觉分类的现有研究少,并且视觉分类的平均准确率低等问题,设计了一种卷积神经网络(CNN)和集成学习相结合的方法,用于学习脑电信号相关的视觉特征表示。通过在StackCNN网络中加入K-max池化方法,解决在提取脑电特征时信息丢失的问题,并结合Bagging算法增强网络的泛化能力,该方法称为StackCNN-B。采用基于残差神经网络(ResNet)回归对图像进行分类,验证StackCNN-B方法在图像分类上的性能。消融实验及与现有研究对比实验的结果表明:所提方法识别准确率较高,在学习脑电信号的视觉特征表示上的平均准确率达到99.78%,在图像分类上的平均准确率达到96.45%,与Bi-LSTM-AttGW方法相比,平均提高了0.28百分点和2.97百分点。研究结果验证了脑电信号可以有效地解码与视觉识别相关的人类大脑活动,也表明所提出StackCNN-B模型的优越性。

递归型数据中心网络上g-额外连通度及容错单播算法研究

数据中心网络的研究是近几年兴起的热点。与传统的树型数据中心网络相比,递归型数据中心网络具有更好的容错性和可扩展性。部署于n-口交换机上的k-维递归型完全图网络可以表示为Xk,n,σ表示图中任意顶点与同维度其他子图相连接的边数。在实际情况中,网络的额外连通度相较于传统的连通度能够更准确地衡量一个网络的容错性。证明当k≥3,n≥3,σ∈{1,n-1}且0≤g≤2时,Xk,n的g-额外连通度为(g+1)(kσ-1)+n,这一结果接近于其连通度的g+1倍。进一步,提出基于该情形下的容错单播算法,并证明了该算法的时间复杂度和在最坏情况下Xk,n中任意两点间构造出路径长度的上界。通过模拟仿真实验,验证了该算法在执行效率上优于广度优先和深度优先搜索算法,且算法具有较好的容错性。

增强多层网络心理地图保持效果的力引导布局算法

为了增强多层网络可视化中网络布局的心理地图保持效果,减轻读者在跨层分析任务中的认知负担,提出一种应用于切片式多层网络可视化的力引导布局算法.首先计算节点副本间的单向吸引系数;然后根据单向吸引系数和各节点副本的当前位置计算各节点副本的理想位置及距离差;最后结合距离差损失项、KK算法能量函数和节点副本间距损失项构建损失函数并优化得到布局方案.通过在10个公开数据集,包括7个社交网络数据集、3个遗传网络数据集上,与同类型算法对比在心理地图保持指标,即节点移动总距离上的表现的结果表明,所提算法能够显著增强多层网络布局的心理地图保持效果.

融合神经网络和优化算法的网络安全态势评估及预测模型研究

针对网络安全防护,提出一种融合神经网络与优化算法的态势评估模型。利用深度神经网络进行网络态势评估模型构建,并通过长短时记忆构建网络态势预测模型,利用遗传算法实现模型参数调优。结果表明,评估模型的平均误差率相比于浅层神经网络模型降低了3.88%。因此,研究设计的基于优化深层神经网络与长短时记忆网络的态势感知模型,具有较好的评估预测性能。

面向车载时间敏感网络的流量调度策略及改进算法研究

本文面向汽车电子电气架构中的时间敏感网络(TSN)流量调度问题开展研究。针对实际应用需求,提出一种车载TSN网络拓扑建立方法。针对网络中多类型信息流调度问题,提出一种基于时间感知整形器(TAS)机制的流量调度策略并建立相应的数学模型,在降低网络总延时的同时,兼顾高优先级信息流的时间敏感性和低优先级信息流的数据完整性。为解决模型中信息流转发过程复杂导致求解效率不稳定和流量调度方案众多导致寻优困难的问题,提出一种改进的遗传算法(IGA),从设置自适应交叉概率公式、引入禁忌搜索变异、多种群联合3个方面进行了优化。实验结果表明,本文所提出的算法在端到端延时优化方面提升了43.47%,在生成方案稳定性方面提升了76.96%,该算法可得到低延时、高可靠的车载TSN流量调度方案。本文的研究成果为智能网联汽车领域的研究和车载网络通信算法的优化提供了思路。

基于改进天牛须群落的卫星光网络路由算法

针对当前卫星光网络路由算法波长利用率低,通信成功率低,导致路由效率低下的问题,提出一种改进天牛须群落的卫星光网络路由算法(BS-ACRWA)。该方法使用波长矩阵乘的形式生成与当前卫星节点相邻节点的波长冲突度,求得最大公有波长数,同时考虑时延和卫星节点负载状态构建约束优化模型,降低无效路由的次数。在路由阶段对天牛须群落算法进行改进,引入蚁群算法信息素机制,在搜索方向上充分考虑卫星之间链路有限的特性,对搜索方向进行更新,提高算法效率。仿真结果表明:与SARWA算法、CL-ACRWA算法和Dijkstra算法相比,BS-ACRWA算法将波长利用率提高了0.05、0.11、0.23,同时在平均时延、丢包率、阻塞率、路由成功率等方面具有更好的性能。

基于改进烟花算法的无线传感器网络覆盖优化策略

为优化无线传感器网络覆盖范围,提出了一种基于改进烟花算法的无线传感器网络覆盖优化策略。首先,通过概率感知模型和目标函数建立了网络覆盖策略。其次,引入拉丁超立方抽样方法和多重扰动对传统烟花算法进行改进,避免算法进行局部最优和过早收敛。最后,为验证所提算法的优化性能,与常规优化算法进行了对比。实验结果表明:所提算法能有效逃离局部最优,在三种不同场景下,网络覆盖率分别达到了94.82%、98.23%和96.59%,其性能明显优于其他对比算法。

混合灰狼-自适应蝴蝶算法下的多目标无线传感器网络覆盖研究

为提高无线传感器网络的覆盖率、减少二次部署中节点移动的能量消耗以及减少牵涉节点数目,提出了一种混合灰狼-自适应蝴蝶算法.首先,通过将灰狼算法与蝴蝶算法融合寻找最优解,在种群间优化中加入种群内部优化,提升算法的寻优能力,提高算法收敛速度;其次,在蝴蝶算法中改进自适应开关概率,根据当前迭代情况决定寻优方式,加快搜索速度;最后,在算法中融入反馈机制,引入随机蝴蝶进行漫步,防止陷入局部最优.从最优覆盖、最小冗余、最低能量消耗3个方向综合考量,建立函数模型,进行覆盖优化.实验结果表明,与其他6种算法相比,本文算法在多种场景下,有效地提高覆盖率,降低节点冗余,减少节点使用数目,降低能量消耗.

基于改进K-means数据聚类算法的网络入侵检测

随着入侵手段的不断更新和升级,传统入侵检测方法准确率下降、检测时间延长,无法满足网络防御要求。为此,提出一种经过改进K均值(K-means)数据聚类算法,以应对不断升级的网络入侵行为。先以防火墙日志为基础转换数值,然后基于粒子群算法求取最优初始聚类中心,实现K-means数据聚类算法的改进;最后以计算得出的特征值为输入项,实现对网络入侵行为的精准检测。结果表明:K-means算法改进后较改进前的戴维森堡丁指数更小,均低于0.6,达到了改进目的。改进K-means算法各样本的准确率均高于90%,相对更高,检测时间均低于10 s,相对更少,说明该方法能够以高效率完成更准确的网络入侵检测。