LSTM-SVM算法下软件潜在溢出漏洞检测仿真

软件潜在溢出漏洞是指软件中存在的安全漏洞,会导致软件运行过程中出现错误或性能下降等问题。为了准确检测出软件潜在溢出漏洞,提出一种基于LSTM-SVM的软件潜在溢出漏洞检测方法。将采集到的软件潜在溢出漏洞数据展开预处理,提取软件潜在溢出漏洞特征。考虑到软件潜在溢出漏洞的时序性和特征维度等,将长短期记忆(Long Short Term Memory,LSTM)和支持向量机(Support Vector Machine,SVM)两者有效结合,建立LSTM-SVM的软件潜在溢出漏洞检测模型,通过模型检测样本类型,实现软件潜在溢出漏洞检测。实验结果表明,所提方法有效提升软件潜在溢出漏洞检出率,降低误报率和漏报率,且检测时间低于70ms。

基于故障树和LSTM-SVM的稀土电解给料自动辅机故障诊断方法

稀土熔盐电解过程中电解给料自动辅机组件之间工作关联大,故障复杂多样,使用单一故障诊断方法效果不理想。针对这一问题,通过分析给料自动辅机组件之间的工作关系,提出基于故障树和LSTM-SVM的粉体下料设备故障诊断方法。首先搭建多层故障树,分析故障模式,然后根据故障树数据提取重要度较高的故障模式,建立长短期记忆神经网络故障诊断模型,故障定位后根据故障树分析结果所定义的权重大小输出诊断结果,并使用SVM对非故障异常工作状态进行分级。测试结果表明该模型具有较高的故障识别准确率。

基于1D-CNN-LSTM-SVM模型的脑电情绪识别研究

针对情绪识别方法存在特征信息提取不完备和分类模型自适应能力差等问题,提出一种基于一维信息的卷积神经网络(convolutional neural networks,CNN)、长短时记忆神经网络(long short-term memory,LSTM)和支持向量机(support vector machine,SVM)组合模型用于脑电信号(electroencephalogram,EEG)情绪分类。首先,将预处理后的脑电信号输入到1D-CNN-LSTM模型中进行深度特征提取;然后,将输出的多通道融合情感特征输入SVM而不是传统的Softmax进行分类;最后,在脑电情感数据集DEAP上进行情感识别验证,即在唤醒度-效价平面对高效价高唤醒度(HVHA)、高效价低唤醒度(HVLA)、低效价高唤醒度(LVHA)和低效价低唤醒度(LVLA)4个情绪区域进行分类。实验结果表明:1D-CNN-LSTM-SVM的平均准确率优于单独使用CNN算法或1D-CNN-LSTM,情绪识别准确率可达98.20%。该组合模型在执行情绪分类任务时具有良好的鲁棒性,验证了文中提出方法的可行性和有效性。

基于LSTM-SVM模型的恶意软件检测方法

为了提高Android恶意软件的检测精度,提出了一种基于LSTM-SVM(Long Short-Term Memory-Support Vector Machine)模型的Android恶意软件静态检测方法。通过反编译Android软件的APK(Android Package)文件,提取出采用权限、组件、意图3类信息构成XML特征;通过分析API(Application Programming Interface)调用情况构成API特征。考虑恶意软件运行的时序性、特征维度等,基于XML特征构建LSTM异常检测模型,基于API特征构建SVM异常检测模型,两个模型采用并联模式,基于概率差融合算法得到最终的检测结果。在CICAndMal2017数据集上的实验结果表明,本文方法的检测精度可以达到98%以上。

基于LSTM-SVM的卷对卷系统预测性维护模型

针对柔性材料卷对卷设备的性能衰退问题,提出了一种LSTM-SVM性能衰退预测模型。通过分析LSTM网络和SVM网络的数学原理,构建了LSTM-SVM网络模型,并根据实验对象及实验数据的特点,设置了性能衰退预测模型的关键参数。最后,将110组长度为1000个数据点的轴承振动数据作为输入来训练网络模型。通过实验发现,LSTM-SVM模型有效预测了卷对卷设备的性能衰退情况,成功划分了设备的健康状态,准确度为0.535,拟合情况良好,表明该模型在卷对卷设备性能衰退预测方面具有可行性。损失值在模型训练到第7次时收敛,其学习速率比一般的LSTM模型更快。结果表明,LSTM-SVM模型在处理大量数据方面比LSTM模型更具有优势。

基于LSTM-SVM模型和SNP遗传信息的帕金森疾病识别问题研究

帕金森病(Parkinson’s disease,PD)是仅次于阿茨海默病的第二大类神经系统变性疾病,常发于中老年人群,准确诊断PD具有重要意义。本文提出基于单核苷酸多态性(SNP)数据的LSTM-SVM模型用于诊断帕金森疾病,首先使用LSTM网络学习SNP数据的潜在表达特征并提取出关键特征;其次使用提取后的特征作为输入,使用SVM用于疾病诊断。将LSTM-SVM分别与其他经典模型比较,结果显示LSTM-SVM表现结果最好,准确率达到0.73.

一种智能化漏洞风险级别动态评估方法

网络安全所关注的重要内容之一就是漏洞的危害程度。目前已经有很多漏洞的评估算法,但是由于基于固化的公式计算处理手段,往往无法对漏洞的价值进行实时动态评估。通过分析当前漏洞评价方法存在的问题和不足,提出了基于双向LSTM和SVM的漏洞评分方法,包括数据预处理、特征选择、模型构建和实验验证。实验结果表明,基于BiLSTM-SVM的方法能够对漏洞进行准确的分类和预测,实现了对漏洞价值评价准确性的提高,为漏洞管理提供一种更加有效的动态评估方法。

基于SVM-LSTM-ATTE组合模型的高校录取分数线预测

高校录取分数线预测受到许多动态因素影响,传统的SVM算法在预测高校录取分数线方面存在难以衡量输入特征序列对目标特征的影响程度,而注意力机制可以动态分配权重给重要特征,且基于注意力机制的长短期记忆网络(LSTM-ATTE),在高校录取分数线方面有显著成效。综合考虑多种因素,利用SVM可以把高维空间中的非线性问题转化为线性问题,以及LSTM-ATTE能解决时间序列数据长期依赖的问题,提出将SVM模型与LSTM-ATTE方法相结合的组合模型,来构建高校录取分数线预测模型,并通过网格搜索寻找组成LSTM-ATTE最优参数组合。实验证明,本文提出的组合模型在误差范围为3分的情况下,相比于其他模型准确率最高提升了13%。

基于机器学习的通信电缆故障检测与定位方法

为解决传统的通信电缆故障检测与定位方法存在的灵敏性不足和智能化程度低等问题,提出基于机器学习的通信电缆故障检测与定位方法。首先,基于行波法检测原理搭建通信电缆故障仿真模型来采集实验数据样本;然后,提出基于粒子群优化-支持向量机(PSO-SVM)的通信电缆故障检测模型,其故障识别准确率达99.4%;接着,提出基于卷积神经网络-长短时记忆(CNN-LSTM)的通信电缆故障定位模型,该模型对故障点定位的平均绝对误差为0.334 9,均方根误差为0.320 8;最后,通过对比实验验证CNN-LSTM的网络准确率较单独使用CNN和LSTM模型分别提高了9.47%和6.2%。

基于CEEMDAN-SVM-LSTM的高炉煤气利用率组合预测

煤气利用率是高炉炉况稳定和耗能的重要指标之一。为提高煤气利用率的预测精度,提出一种基于CEEMDAN-SVM-LSTM的组合模型对其进行预测。首先利用CEEMDAN(自适应噪声完备集合经验模态分解)将煤气利用率时间序列分解成6个模态量和一个趋势分量,对煤气流利用率的发展进行解耦;然后用LSTM(长短时间记忆人工神经网络)和SVM(支持向量机)分别对分解的高频模态和低频模态进行预测,最后将模型组合建立原始煤气利用率的组合预测模型。结果表明该组合模型的MAE(平均绝对误差)、MAPE(平均绝对百分比误差)、RMSE(均方根误差)和MSE(均方误差)分别为0.14、3.5%、0.18、0.032。与单一的SVM模型和LSTM预测模型对比,组合模型的精度更高。

基于相似日聚类的超短期光伏功率组合预测模型

针对功率预测模型受光伏功率波动性影响导致预测精度低的问题,提出一种基于相似日聚类的光伏功率预测组合模型。首先,采取k-means聚类算法将原始功率数据按不同天气类型划分为晴天、雨天和多云3种相似日样本集,并利用变分模态分解(VMD)对相似日样本进行分解;其次,采用卷积神经网络优化支持向量机(CNN-SVM)和双向长短时记忆(BiLSTM)神经网络2个单模型分别对分解后的功率数据进行预测叠加并将预测结果进行加权组合,利用网格搜索(GS)算法寻找最优组合权重,提升组合预测模型性能;最后,以澳大利亚某光伏电站1年实测数据为例,验证所提出光伏功率预测模型的有效性。实验结果表明:无论何种天气类型,所提出模型均能很好地对光伏功率实现预测,具有较强的适应性。

时空大数据驱动的页岩气钻井成本动态建模与优化

当前我国的页岩气开发投资风险较高,成本是制约页岩气产业发展的关键因素,页岩气单井成本效益估算是页岩气区块开发经济性评价的基础,也是页岩气投资决策所必需的参考依据,对降低页岩气开发风险具有重要意义。针对当前页岩气钻井成本较高、影响因素复杂等问题,以页岩气钻井成本为研究对象,通过收集各类影响因素数据,包括工程参数数据、时间维度数据和空间维度数据等,采用多种机器学习算法进行综合分析建模。研究通过基于时序数据的LSTM模型和基于空间数据的SVM模型从不同数据视角分析钻井成本,并进行更准确的预测。通过Stacking方法融合与验证模型,并应用GBDT模型剖析了每个因素对钻井成本的影响程度,为成本优化提供了依据。研究结果表明:(1)采用多源数据进行综合分析可以更全面、准确地描述钻井成本的动态变化;(2)引入GBDT模型可以帮助决策者了解各个因素对成本的影响程度以制定更有效的优化策略;(3)使用LSTM模型和SVM模型分别对时间和空间因素进行建模可以提高成本预测的可靠性和准确性。结论认为,时空大数据驱动的页岩气钻井成本动态建模与优化方法在成本分析和优化方面具有一定的优势,为钻井成本控制和优化提供决策依据,并对大数据驱动决策支持的研究方向提供有益的启示。

LSTM多模态虚假评论检测

在线评论作为重要的用户反馈和产品推荐渠道,其真实性和可信度至关重要。但是,虚假评论的存在严重影响在线评论的可信度。本文针对在线评论数据集中的多模态融合问题与样本集不平衡的问题,以某电商平台上一款热销手机的评论数据为基础进行试验。结果表明,长短期记忆网络(LSTM)模型在处理多模态的虚假评论识别上有着非常显著的效果。本文的研究有效解决了多模态数据的融合问题,为多模态虚假评论的治理与防范提供了有益思路。训练后的长短期记忆网络模型能够很好地识别多模态虚假评论,识别精度和效果理想,为自动检测多模态虚假评论提供了实际基础。

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine,SVM)、监督学习与长短期记忆(long short term memory,LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation,NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识别出大数据中的异常驾驶行为并确定其种类。

基于机器学习模型理论的基坑沉降预测研究

基坑开挖引起的地面沉降是基坑工程中需要注意的关键性问题,其具有出现区域广泛、发生灾害后果恶劣等特点。为了对基坑沉降进行准确有效的预测,以杭州市某基坑为工程背景,分别采用LSTM(Long Short Term Memory)神经网络和SVM(Support Vector Machines)对基坑沉降建立了预测模型,并通过预测任务评价指标和散点图误差线来检验模型的预测精度。研究结果表明:LSTM模型相比SVM模型表现出了更高的预测精度,更适用于基坑沉降的预测问题,并可为施工现场提供可靠的理论参考。

基于LSTM的热力站短期热负荷预测研究

针对目前热负荷预测一些方法缺乏有效的实际数据现象,选用包头市某热力公司多年历史数据进行预测和仿真。通过分析影响热负荷预测的主要因素为建立在时间序列上的室外气温和风力因素,采用长短期记忆神经网络(Long Short-Term Memory Neural Network, LSTM)对区域供热系统一次侧热负荷预测进行研究。上述模型将下一时刻热负荷作为预测目标,通过未来24小时天气序列预测对应的热负荷值。同时,将所提出的LSTM模型与支持向量机(Support Vector Machine, SVM)预测模型进行对比实验,结果表明,所提方法在热负荷预测中具有更高的预测精度和稳定性,具有较大的实用价值。

基于时序动态分析的油井产量预测研究

针对目前常用的油井产量预测方法效果并不理想的问题,开展时间序列分析来进行油井产量动态预测研究。采用时间序列分析结合残差修正方法,建立具有时序动态分析能力的产量差分自动回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA),得出预测初始值与真实油井产量的残差;通过构建支持向量机(Support Vector Machine,SVM)时序预测模型进行残差修正,获得油井产量组合预测值;并将长短期记忆网络(Long Short-Term Memory,LSTM)模型与上述方法进行对比。实验表明,组合预测模型、LSTM模型的预测结果平均相对误差率分别为9.81%和32.44%。说明组合模型预测更精准,为油井产量的动态预测提供了一种有效方法,可作为油井在生产计划时的快速实时辅助依据,具有实用价值。

融合深度特征的Sword2vect商品在线评价情感分析

商品在线评论情感分析已经成为一个热门的研究话题。为了更好地解决情感分析中词语的上下文信息、深度信息和情感信息缺失问题,提出一种融合深度特征的Sword2vect情感分析方法。用情感得分加权word2vect词向量得到含有上下文和情感信息的Sword2vect;基于注意力的长短期记忆神经网络得到深度特征AttBilstm;融合深度特征的Sword2vect进行情感分析。在深度学习框架tensorflow进行实验并与已有的方法在准确率、召回率、F1等评价指标上进行比较,验证了该算法的有效性。

基于双层树状支持向量机的观点挖掘与倾向分析

本文通过进行大量预处理工作,将经过词袋模型和Word2Vec两种不同向量化方法处理后的文本数据分别输入到SVM和LSTM模型中,训练出可以识别文本情感倾向的模型。进而对新产生的评论进行分类。根据实际数据量的倾斜状况,基于传统机器学习算法支持向量机(SVM),本文提出双层支持向量机,采用2种不同的方法分别训练模型并预测。最后再使用深度学习算法长短时记忆模型(LSTM)再次训练并预测,并对这3种方法做出比较和总结。结果显示,双层SVM比单层SVM的准确度提高了8个百分点;而LSTM比单层SVM低了2个百分点,比双层SVM低了接近10个百分点。

基于LSTM和多特征组合的电影评论专业程度分类

社交网络上的电影评论通常既有专业评论家写的专业评论,也有普通观众写的非专业评论,区分网络电影评论是否为专业评论对于电影质量评估有着重要的价值。由于电影评论属于短文本,用词不规范,特征稀疏,因此传统的文本特征选择方法以及传统的分类模型并不能完全适用于电影评论专业程度的分类。为此,文中主要研究基于神经网络模型电影评论的专业程度分类,即判断其是专业评论还是非专业评论。首先通过基于神经网络的LSTM模型学习不同特征的表示,包括基于词的表示、基于词性的表示,以及基于依存关系的表示,然后通过融合不同特征表示来学习和捕捉有效的文本特征,从而帮助评论专业程度分类。该方法在美国著名的影评网站烂番茄网(Rotten Tomatoes)数据集上进行实验,实验结果表明,在融合了词性和依存关系特征的模型的分类正确率达到了88.30%,比仅使用词特征的基准模型提高了3.66%。这说明在模型中引入词性特征、依存关系特征能够有效提升评论专业程度分类的效果。