基于随机博弈与A3C深度强化学习的网络防御策略优选

网络资源的有限性和攻防对抗的动态性导致最优防御策略难以选取,将深度强化学习引入攻防随机博弈建模领域,通过构建网络攻防actor策略网络和critic价值网络,结合随机博弈模型构建了网络攻防博弈决策模型总体结构,在此基础上引入异步优势演员评论家算法(asynchronous advantage actor-critic,A3C)智能体学习框架设计了防御策略选取算法;针对现有方法未考虑攻击方群体间的共谋攻击,引入群智能体性格特征,建立合作系数μ来刻画攻击者之间的合作对攻防策略收益的影响,进而得出对防御策略选取的影响,构建的博弈决策模型更符合攻防实际情况。实验结果表明,该方法的策略求解速度要优于现有方法,同时由于考虑了攻击合作关系,能够用于分析攻击者群体间合作关系对防御者决策的影响,防御策略选取更有针对性,期望防御收益更高。

人工神经元网络模型预测3D打印部件力学性能的研究

熔融沉积成型(FDM)是一种高效的增材制造技术。将响应面模型与人工神经元网络(ANN)模型相结合,研究了FDM工艺的喷嘴温度、层高和层积角度对尼龙12(PA12)丝材制造部件力学性能的影响。当喷嘴温度、层高和层积角度分别在220~260℃、0.2~0.4 mm、0°~90°之间变化时,部件拉伸强度和缺口冲击强度分别在35.69~60.89 MPa和5.48~19.83 kJ/m^(2)之间。喷嘴温度、层高、层积角度以及层积角度的二阶效应是影响部件拉伸强度的显著因素;喷嘴温度、层积角度以及层积角度的二阶效应是影响缺口冲击强度的显著因素。ANN模型预测拉伸强度和缺口冲击强度的最优结构分别是3-10-5-1和3-25-24-1,预测的拉伸强度和缺口冲击强度均方误差函数(MSE)最低分别为2.54×10^(-4)和2.07×10^(-4),回归系数均在0.97以上。与响应面的二次回归模型相比,ANN模型预测的拉伸强度和缺口冲击强度与实验值的标准偏差分别为0.46和0.32,远低于二次回归模型的2.43和1.58,更适合于优化非线性的FDM工艺。

基于回归分析和GA-BP神经网络算法的3D打印件弯曲性能预测

为进一步探究熔融沉积成型(FDM)3D打印参数和制件弯曲性能之间的关系,创建合理的FDM 3D打印制件弯曲强度预测模型。根据正交试验L_(16)(4^(5))的设计原则和神经网络算法模型的构建要求,按照不同分层高度、填充密度、打印温度、打印速度以及外壳厚度五种因素,制备25组试验试样,并进行弯曲性能检测。随后通过建立GA-BP神经网络模型、传统BP神经网络模型以及多元回归方程模型,分别对FDM 3D打印制件弯曲性能进行预测,并将预测数据与试验测试数据进行对比。通过对比发现,GA-BP神经网络模型预测数据与试验测试数据更为接近,其平均误差为3.71%,且误差值整体波动最小,BP神经网络模型与多元回归方程模型预测精度相差不大,BP神经网络模型预测平均误差为8.05%,多元回归方程模型预测平均误差为9.07%,但多元回归方程误差值整体波动最大。因此,采用GA遗传算法优化后的BP神经网络模型在进行FDM 3D打印制件弯曲性能预测方面具有更高的精度和更良好的稳定性。

基于3D卷积神经网络的膏体屈服应力预测

膏体流变性能是膏体充填技术重要指标,是金属矿膏体充填工艺流程的重要工程参数.本文提出一种基于3D卷积神经网络的膏体屈服应力预测方法,通过制定图像采集标准并研发图像采集装置采集图像数据集.经Sobel算子实现膏体边缘检测、全图缩小等预处理,得到膏体图像数据集.采用十折交叉验证方法划分数据集,避免因单次随机划分造成的偶然误差.以膏体图像–屈服应力数据集为基础,利用3D卷积神经网络模型提取膏体纹理特征和时序信息等,又通过引入直方图均衡化算法的图像增强策略减少环境因素干扰,提高模型稳健性.利用预处理后的数据集在3D卷积神经网络模型上做训练和测试,得到模型损失值曲线图和混淆矩阵.将屈服应力模型预测结果进行分析,又引入卷积注意力机制嵌入到卷积神经网络实现模型优化,并对模型参数进行调整,模型预测平均准确率从93.26%提升至98.19%,论证了基于3D卷积神经网络的膏体屈服应力预测方法可行性.经图像增强处理的数据集应用到各模型中,模型预测平均准确率均提升3%以上.相比传统膏体流变测量方式,解决了传统膏体屈服应力测量操作复杂、外部因素扰动大、工程现场难以开展等问题.

ZIF-8@ZIF-67衍生的Co_(3)O_(4)-GN-CNT网络用作高性能锂离子电池负极

Co_(3)O_(4)由于较高的理论容量近年来被视为锂离子电池新型负极材料的热门候选之一,然而其较差的电导率和循环性能制约了其进一步发展。以ZIF-8@ZIF-67为自模板,三聚氰胺和g-C_(3)N_(4)为碳源,通过碳化和氧化处理制备了碳纳米管和石墨烯作为导电桥梁和外壳的Co_(3)O_(4)/C三维导电网络。颗粒纳米化的策略和锌的高温挥发造孔使其在0.5、2 A/g的电流密度下循环200、800圈后仍具有1 139.7、1 002.1 mAh/g的比容量,从0.2 A/g逐渐增大充放电的电流密度至10 A/g又恢复到0.2 A/g后比容量仍有初始容量的94.9%。该网络结构和同类材料相比表现出较为优异的循环和倍率性能。

基于MobileNetV3网络的龋病和根尖周炎根尖片的诊断

目的研究深度学习技术智能诊断龋齿和根尖周炎的效果,初步探讨深度学习在口腔疾病诊断中的应用价值。方法以2298张包含健康牙齿、龋病、根尖周炎的根尖片数据集为研究对象,随机划分为1573张训练集图像,233张验证集图像以及492张测试集图像。通过多种神经网络对比验证,选择性能较好的MobileNetV3网络模型应用于牙病诊断,并通过调整网络超参数优化模型。采用精确率、准确率、召回率和F1分数评估模型识别龋齿和根尖周炎的能力,并使用类激活热力图对网络模型性能进行可视化分析。结果基于MobileNetV3网络模型的牙齿病变检测算法对健康牙齿、龋病和根尖周炎进行分类的精确率、召回率和准确率分别为99.42%、99.73%和99.60%,F1分数为99.57%,达到了较为理想的智能诊断效果。可视化类激活热力图也显示出网络模型能够较为准确地提取牙科病变的特征。结论基于MobileNetV3网络模型的牙齿病变检测算法能够排除图像质量和人为因素的干扰,具有较高的诊断准确率,可满足口腔医学教学和临床应用需求。

神经网络-遗传算法对杏鲍菇粉3D打印的建模与优化

【目的】食品3D打印技术是食品领域具有发展前景的新技术,但是打印过程影响因素多,存在打印参数确定困难、打印精度预测能力差等问题。寻找有效建模方法,对杏鲍菇粉3D打印参数进行寻优,以确定最佳3D打印条件。【方法】本研究采用杏鲍菇粉和刺槐豆胶为3D打印原料,以单因素试验为基础,通过中心组合试验设计,研究喷嘴直径、打印高度、喷嘴移动速度和填充率4个关键的工艺参数对杏鲍菇粉3D打印精度的影响,并在此基础上采用响应面法和神经网络-遗传算法分别建模分析,确定3D打印的工艺参数。【结果】单因素试验及中心组合试验结果表明,影响3D打印精度的主要因素从大到小顺序为填充率、喷嘴直径、喷嘴移动速度、打印高度。响应面法和神经网络-遗传算法均可用于杏鲍菇粉3D打印参数优化,但是优化效果不同。响应面法的决定系数R^(2)值、均方根误差、相对误差、预测最优值分别为0.8817、0.2314、72.73%、0.148;神经网络-遗传算法的决定系数R^(2)值、均方根误差、相对误差、预测最优值分别为0.9389、0.2269、33.85%、0.215。比较模型参数可得,神经网络-遗传算法的决定系数R^(2)值较高,均方根误差、相对误差较低,比响应面法拟合能力更好,同时其预测最优值较高,具有更好的预测能力。神经网络-遗传算法比响应面法更适合于杏鲍菇粉3D打印参数工艺的优化。采用神经网络-遗传算法获得以杏鲍菇为原料的3D打印最佳工艺参数条件为:喷嘴直径1.2 mm、打印高度1.1 mm、喷嘴移动速度24 mm·s^(-1)、填充率84%。经过试验验证,神经网络-遗传算法确定的最优参数打印样品偏差为0.325,优于响应面的实际打印偏差0.550。【结论】本研究结果表明神经网络-遗传算法可以有效确定3D打印过程最优工艺参数,准确预测食品3D打印产品的精度,可作为农产品及食品个性化3D打印工艺参数优化的一种有效便捷方法。

HetGNN-3D:基于异构图神经网络的3D目标检测优化模型

3D感知是自动驾驶场景的核心问题,传感器融合可以综合利用激光雷达和摄像机的优点以达到更高的3D目标检测准确率.传感器融合涉及点云到图像对准问题,预先对传感器标定可以得到点到图像位置的投影关系,然而这种对准方式受传感器相对位置偏移与采集时间偏移影响而在干扰下对模型产生负面影响.针对该问题,本文把场景中实体在各个传感器下的不同表达作为不同对象,以对象为节点建立包含两类节点与三类边的异构图描述该场景,并提出了基于该异构图的3D目标检测优化模型HetGNN-3D.该模型通过图结构捕获对象间潜在联系并找到点云对象节点与图像对象节点间对应关系,从而减弱干扰带来的影响.HetGNN-3D包含图初始化、消息传递、图读出三大模块.图初始化模块使用基于点云的3D目标检测模型的输出和基于图像的2D目标检测模型的输出建立对象级异构图.消息传递模块针对异构图特性分类聚合与更新消息.图读出包含用于对象关系预测的边读出与属于同一实体的对象子图读出,然后基于对象子图得到3D目标检测结果.在nuScenes数据集的实验表明,HetGNN-3D有效融合点云信息与图像信息优化了3D目标检测结果,此外,基于对象级异构图的边关系预测使融合过程与预先标定得到的传感器映射矩阵解耦合,从而提升了融合模型的容错性与鲁棒性.

CTCS-3线路GSM-R网络运维质量评价体系研究

针对高速铁路GSM-R网络承载行车通信业务的特点,分析CTCS-3线路GSM-R网络运维质量评价思路,提出CTCS-3线路GSM-R网络运维质量评价体系,通过GSM-R网络运行数据进行计算得出评价结果,综合反映出CTCS-3线路GSM-R网络运维质量状况。

3D UNeXt:轻量级快速脑提取网络

为了解决现有脑提取网络结构复杂、参数量大且推理速度不高的问题,受UNeXt启发,提出一种基于3D卷积、3D多层感知机(multilayer perception,MLP)和多尺度特征融合的轻量级快速脑提取网络3D UNeXt,极大地减少了参数和浮点运算量,取得了令人满意的结果。3D UNeXt以U-Net为基本架构,在编码阶段使用3D卷积模块获取局部特征;在瓶颈阶段通过3D MLP模块获取全局特征和特征之间的远程依赖;在解码阶段借助多尺度特征融合模块高效融合浅层特征和深层特征。特别地,3D MLP模块在三个不同特征轴向进行线性移位操作,以获取不同维度特征的全局感受野并建立它们之间的远程依赖。在IBSR、NFBS和HTU-BrainMask三个数据集上进行实验,以和先进网络进行对比。实验结果表明,3D UNeXt在网络参数、浮点运算量、推理精度和速度等方面显著优于现有模型。

改进的DDeepLabV3+语义分割网络

针对语义分割网络在移动智能化终端上存在参数量大、分割精度不足的问题,提出一种改进的DDeepLabV3+网络算法。首先,采用深度可分离的MobileNet结构作为网络的骨干部分,降低网络的参数量和复杂度,从而有效减少了运行时间。其次,引入网络的低级特征,实现多尺度信息融合,减少网络下采样引起的空间信息损失。最后,结合注意力机制设计网络ASPP结构,增强特征提取在实验中的利用。优化后的网络结构在保持较高分类准确性的前提下,计算时间显著减少。网络的平均交并比在Cityscapes和Camvid数据集中分别提升了2.37%和2.13%。

直写3D打印TiC网络陶瓷/高铬铸铁复合材料的制备及性能研究

采用浆料直写3D打印技术制备了TiC网络陶瓷,并结合无压浸渗制备了TiC网络陶瓷/高铬铸铁复合材料。采用扫描电子显微镜对TiC网络陶瓷预制体与浸渗后的组织进行了观察,采用EDS对界面元素分布进行了分析,并对复合材料的硬度、抗压强度和耐磨性进行了测定。结果表明:复合材料中TiC线条与高铬铸铁线条在空间上形成了三维互穿网络结构,实现了空间韧化的效果,提高了复合材料的整体力学性能;随着复合材料中TiC线条体积分数的增加,硬度随之增加,抗压强度与耐磨性都表现为先增后减,在Ti C体积分数50%时达到最佳值。

基于改进3D卷积神经网络的疼痛检测

在临床实践中,精确评估疼痛对于疼痛管理和诊断至关重要.但传统的评估方法主观性高且依赖医生经验,迫切需要更可靠客观的替代方法.利用深度学习的方法实现基于面部表情的疼痛检测研究近年已取得显著进展,但复杂的结构和高计算成本制约了其实际应用.因此,本文提出了一个改进的3D卷积神经网络,采用轻量级的3D卷积神经网络L3D作为骨干网络,并结合改进的SE注意力机制,把多个不同尺度的特征进行融合,捕捉疼痛序列中具有较强辨别能力的时空特征.在UNBC-McMaster和BioVid数据集上进行评估,与最新方法相比,该方法在疼痛检测性能以及计算复杂度上取得了优势.

云存储环境下基于AsamonS3的网络存储系统设计与实现

文章基于AsamonS3存储服务设计了一款网络存储系统,介绍了该系统的总体结构及业务逻辑层功能模块设计思路,给出了传输服务、keep-liveserver服务、存储客户端的实现方法,旨在为云存储环境下网络存储系统的优化设计提供参考。

基于粒子群算法优化小波神经网络的BDS-3钟差预报研究

针对目前对于BDS-3钟差预报研究较少、BDS-3钟差预报模型不足的问题,提出利用粒子群算法(Particle Swarm Optimization,PSO)优化小波神经网络(Wavelet Neural Network,WNN)的BDS-3钟差预报模型,粒子群算法可以有效解决小波神经网络的权值和阈值的选择问题。该模型符合BDS-3钟差数据的特点,并且可以充分发挥粒子群算法优化的小波神经网络在非线性数据预报方面的优势。同时,利用IGS数据构建粒子群算法优化的小波神经网络BDS-3钟差预报模型,通过和GM(1,1)钟差预报模型、小波神经网络预报模型进行对比,说明了本研究的粒子群算法优化小波神经网络BDS-3预报模型具有较高的预报精度、模型稳定性更好、预报使用时间更少。由此证明,利用粒子群算法优化小波神经网络模型进行BDS-3钟差预报是具有可行性的。

采用带注意力机制3D U-Net网络的地质模型参数化技术

针对卷积神经网络增强的主成分分析技术(CNN-PCA)这种地质模型参数化技术在油藏复杂地质特征刻画精度和泛化能力方面存在的问题,不使用预训练好的C3D视频动作分析模型来提取三维模型风格特征,而使用新的损失函数并引入一种带注意力机制的3D U-Net网络来补全主成分分析方法(PCA)降维过程中丢失的地质模型细节信息,并以一个复合河道砂体油藏为例进行了应用效果分析。研究表明,与CNN-PCA技术相比,采用带注意力机制的3DU-Net网络能够更好地补全PCA降维过程中丢失的地质模型细节信息,在反映原始地质模型的流动特性方面具有更好的效果,并能改善油藏历史拟合的技术效果。

陶瓷浆料3D打印机挤压力模糊神经网络PID稳定控制研究

针对在微流挤出陶瓷浆料3D打印机作业过程中挤压力稳定控制的需求,根据打印机挤压力控制系统非线性、时变性的特点,总结了现有挤压力稳定控制策略的优缺点,并在模糊PID (proportion-integral-derivative,比例-积分-微分)控制器中嵌入神经网络结构,提出了挤压力模糊神经网络PID稳定控制策略。该策略基于六层模糊神经网络,以挤压力偏差值e和偏差值变化率ec为输入,PID控制器控制参数为输出,完成正向模糊控制过程,并基于神经网络的自学习优势实现反向传播及在线更新神经网络权值,以实现打印过程中挤压力的精准自适应调节。挤压力控制Simulink仿真、挤压力控制实验及坯体打印实验表明:相较于传统PID控制策略,采用模糊神经网络PID控制策略可使超调量减小20.9%,挤压力提前90 s达到稳定状态,压力峰值减小12 N,压力谷值增大18 N;相较于采用模糊PID控制策略,超调量减小1.73%,挤压力提前56 s达到稳定状态,压力峰值减小4 N,压力谷值增大8 N;模糊神经网络PID控制策略具有一定的优越性,可使打印过程中挤压力的控制精度更高,稳定速度更快,超调量更小,所打印坯体的整体形貌质量更优,也可使控制系统的鲁棒性更好。研究结果为其他工业设备的PID控制、智能控制提供了新的思路和方法。

基于多流融合网络的3D骨架人体行为识别

当前大多基于卷积神经网络的3D骨架人体行为识别模型没有充分挖掘骨架序列所蕴含的几何特征,为了弥补这方面的不足,文章在AIF-CNN模型的基础上进行改进,提出多流融合网络模型(MS-CNN)。在此模型中,新增一种几何特征(kernel特征)作为输入,起到了丰富原始特征的作用;新增多运动特征,使模型学习到更加健壮的全局运动信息。最后,在NTU RGB+D 60数据集上进行消融实验,分别在NTU RGB+D 60数据集、NTU RGB+D 120数据集上,将MS-CNN模型与19、8个行为识别模型进行对比实验。消融实验结果表明:MS-CNN模型采用joint特征与kernel特征融合,其识别准确率比与core特征融合的高;随着多运动特征的增多,MS-CNN模型的识别准确率有所提高。对比实验结果表明:MS-CNN模型在2个评估策略下的识别准确率超过了大部分对比模型(包括基准AIF-CNN模型)。

基于YOLOv3神经网络的城镇建筑参数获取及震害预测

随着经济社会的发展,城镇区域建筑的数量和结构类型在更新换代,抗震性能需进一步评价,而城镇建筑信息的高效获取是震害预测及抗震性能评估的前提。为提高建筑物信息获取方式的效率,该研究采用YOLOv3神经网络从建筑图像中识别建筑物参数,包括确定YOLOv3神经网络的训练参数,选取建筑图片进行YOLOv3神经网络训练,验证识别结果与实地调研数据的一致性;在此基础上,采用震害类比预测法对城镇建筑进行震害预测获得福州市某区域群体建筑震害矩阵。结果表明:建筑图片的训练结果较好,建筑参数识别结果和实际调研数据一致,该方法可实现城镇区域建筑信息的有效提取及群体建筑震害的准确预测。

基于3D-ResNet双流网络的VR病评估模型

为了准确地评估VR视频引起不适的程度,提出基于3D双流卷积神经网络的VR病评估模型.模仿人类视觉系统的2条通路,建立外观流和运动流2个子网络;将2D-ResNet50模型改为3D模型,增加一个深度通道,用以学习视频中的时序信息.加入3D-CBAM注意力模块提高了各帧通道之间的空间关联,增强关键信息,去除冗余信息.采用后端融合的方法,实现2个子网络结果的融合.在公开视频数据集上进行实验验证,结果表明,通过3D-CBAM注意力模块引入注意力机制,使得外观流和运动流网络的VR病评估精度分别提升了1.7%和3.6%,与现有文献相比,融合的双流网络模型的精度得到了较大的提升,精度达到93.7%.