基于PCA-BP神经网络的巷道通风摩擦阻力系数预测模型

根据实测巷道通风摩擦阻力系数数据的特点,建立了主成分分析PCA-BP神经网络预测模型。采用PCA法对影响巷道通风摩擦阻力系数的支护类型、断面形状、巷道宽、巷道高、支护部分周边长、巷道断面积和巷道长度7个因素进行降维。将降维后因素的贡献率进行排序筛选,得到3个主成分指标(F_(1)、F_(2)和F_(3)),作为BP神经网络输入层的神经元。利用实测数据对PCA-BP神经网络模型进行训练和测试,并将测试结果与支持向量机回归(SVM)模型和BP神经网络模型的测试结果进行对比,结果显示:全因素的BP神经网络预测模型和SVM预测模型的平均精度分别为92.9420%、93.0235%,而PCA-BP预测模型的平均精度达到了96.4325%。PCA-BP神经网络模型不但简化了网络结构,更提高了网络的泛化能力,使预测误差更小、精度更高,为更准确地获得巷道通风摩擦阻力系数提供了一种有效的方法。

基于改进PCA-BP神经网络模型的海宁市需水预测

需水预测是地区水资源规划中的重要部分,对于实现水资源合理有序开发,保障社会经济的可持续发展有重要的指导意义。采用改进PCA-BP神经网络模型对影响需水量的9个影响因子进行降维处理,并分别以海宁市2001~2014、2015~2020年数据作为训练样本和检验样本完成模型训练,其中,综合灰色预测模型GM(1,1)对降维后的影响因子独立预测,从而预测海宁市规划年需水量,并与传统定额法的需水预测结果进行对比分析。结果表明,人口、GDP、居民生活用水量、城镇公共用水量为影响海宁市需水量的主要因子;通过构建改进PCA-BP神经网络模型得到的2025、2030、2035年需水结果,比传统定额法更为真实、合理,进一步证实了预测模型的合理性,可为海宁市未来水资源规划提供指导。

基于Valued ERGMs模型的核心技术网络成长机制研究——以量子计算领域为例

对核心技术网络及其成长机制的研究有助于梳理核心技术之间的依赖和促进关系,为研究核心技术演化提供新的理论视角和方法。以技术演化相关理论为基础,归纳核心技术网络成长的影响因素,基于量子计算领域专利数据,识别以技术概念和技术关系为基础的量子计算领域核心技术网络,并基于Valued ERGMs模型构建核心技术网络成长机制模型。结果表明,技术要素中心性、专利技术研发能力、与TRIZ进化法则匹配程度以及技术要素同配性对核心技术网络成长具有正向促进作用;在技术路径方面,核心技术网络成长受到技术要素路径依赖性和技术突破的双重影响。最后,根据量子计算领域核心技术网络成长机制的实证研究结果,从技术研发层面、企业层面、政府层面为相关领域技术发展提出策略建议。

基于MSPA和MCR模型的庐山市生态网络构建

【目的】在生态环境形势严峻的背景下,构建生态网络是连接破碎化斑块间的重要纽带,是保障物种迁徙交流的有效途径。【方法】以庐山市为研究对象,以GIS技术为核心,利用MSPA法对庐山市进行景观格局分析,再运用景观连通性评价法选取重要生态源地;其次采用AHP分析法结合专家打分法建立阻力因子评价体系构建阻力面,再基于MCR模型完成庐山市生态网络的构建,运用重力模型选取重要潜在生态廊道,给出生态网络的优化对策,最后应用生态网络分析法,对出生态网络的可行性进行分析。【结果】1)庐山市10处重要生态源地的面积为37 946.52 hm^(2),庐山和鄱阳湖为两处大型生态源地;2)遴选出19条重要生态廊道长为297.05 km,主要分布于中部地区;3)构成生态廊道的景观三要素分别为林地、水系和耕地,廊道宽度设置为300 m;4)构建形成“两区两带三轴”的生态安全格局。【结论】研究区内中心城区及中南部地区斑块分布零碎,景观连通性差,缺少生物栖息活动的绿色空间,应大力改善两地的生态环境,生态绿廊由两地内部向外部空间延伸构建,最终绿廊绿道交织成网覆盖全域,新增3个生态核心节点和9条重要生态廊道后的网络连接指数明显提高,表明构建的庐山市生态网络可行性较强。研究结果对于庐山市的城市绿地系统规划、生态园林城市的建设和生物多样性保护具有一定的指导意义。

生成式大模型承载网络架构与关键技术探索

生成式大模型训练需要超大规模低时延、高带宽、高可用的网络承载底座。对生成式大模型下高性能网络基础设施的技术发展路线和实现方案进行了研究,认为商用部署时需针对不同训练阶段的工作负载和流量模式,开展定制化网络架构设计和传输协议优化。流控/拥塞控制技术、负载均衡技术、自动化运维技术和面向广域远程直接内存访问(RDMA)的确定性网络传输技术是未来的重点研究方向。

面向网络安全领域的大语言模型技术综述

近年来,随着大语言模型技术的迅速发展,其在医疗、法律等众多领域已经显现出应用潜力,同时为网络安全领域的发展提供了新的方向。文章首先综述了大语言模型的设计原理、训练机制及核心特性等基础理论,为读者提供了必要的背景知识。然后,深入探讨了大语言模型在识别和处置日益增长的网络威胁方面的作用,详细阐述了其在渗透测试、代码安全审查、社会工程学攻击以及网络安全专业知识评估方面的研究进展。最后,分析了该技术在安全性、成本和可解释性等方面的挑战并展望了未来的发展方向。

基于PSO-BP神经网络的磨机传动系统模型修正

针对磨机传动系统结构的复杂性、部件间约束条件的不确定性以及非线性等因素,提出了一种基于PSO-BP神经网络的有限元模型修正方法。通过改进BP神经网络逼近设计参数和特征量间的非线性映射关系,结合实际结构响应,利用神经网络的泛化特性,得到了模型设计参数值。修正后频率误差从最高18%降到4%左右,修正系数误差范围均在0.5%以内,明显提高了有限元模型精度;同时,又不需要大量迭代求解步骤,避开了传统反问题模型修正法的复杂非线性优化过程,提升了效率,验证了PSO-BP神经网络法应用于大型磨机传动系统上的可行性,为后续传动系统整体分析奠定了基础。

一种融合GA和LSTM的边坡变形预测优化网络模型及其应用

考虑到BP神经网络模型忽略边坡监测数据存在的时间相关性,以及LSTM模型由于超参数选择存在主观性而易陷入局部最优等问题,提出一种基于遗传算法和长短期记忆网络(GA-LSTM)相结合的边坡变形预测模型,以发挥遗传算法全局搜索能力和LSTM预测时序数据的优势。以海明矿业露天采场边坡为研究对象,分别采用BP神经网络模型、LSTM网络模型以及GA-LSTM网络模型对边坡监测点GNSS49变形进行预测分析,并对比各模型达到收敛条件的时间。结果表明,GA-LSTM模型与其他模型达到同一收敛条件的时间差异不大,GA-LSTM模型的拟合准确度在0.1~0.2 mm,是LSTM神经网络模型的5~7倍,是BP神经网络模型的10~20倍,具有较高的精度和稳定性,其预测值与实际监测数据基本一致,可为矿山边坡的安全生产、管理以及决策控制提供科学依据。

基于WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一,营养丰富,用途广泛,是一种谷物、蔬菜和水果功能兼具的食物,其蛋白质含量远高于其他块茎类食物,且富含优质的氨基酸。马铃薯生育期短,在湖北平原、丘陵地区冬种春收适宜发展早熟品种,对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此,马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题,利用鲸鱼算法(Whale optimization algorithm,WOA)对BP神经网络模型进行优化。同时,基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量,采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明:WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型,R2达到0.9764,预测值与试验值之间拟合程度较高,表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。

面向胜任网络安全岗位的全过程思政育人模型设计与实践

针对落实立德树人根本任务要求,提出一种面向胜任网络安全岗位的全过程思政育人模型,以CC2020胜任力模型为切入点,通过分析网络安全课程思政特征,阐述问题导向的思政育人途径以及基于证据的思政评价机制,以形成网络安全思政育人闭环。最后通过统计分析学生考核成绩和问卷调查结果,验证了该模型的可行性和推广应用价值。

基于大模型的提升数字素养的计算机网络课程实践教学模式

为引导学生合理使用智能工具辅助完成学习任务,提升其数字素养,通过分析知识转化对数字素养的重要影响,提出大模型环境下基于SECI知识转化模型的实践教学模式,以计算机网络课程的实验课为例,具体阐述课堂如何开展以“社会化—外显化—组合化—内隐化”为逻辑的知识转化模型,借助AICG等智能工具解决实验过程遇见的难题,将高度个人化的隐性知识升华为班级整体的知识体系,以提升学生的创新思维和数字素养水平。

基于长短时记忆网络的恒温水浴锅温度模型预测

【目的】由于恒温水浴锅温度系统存在强非线性及大滞后性,本研究提出一种基于长短时记忆网络的恒温水浴锅温度模型预测方法。【方法】首先,对采集到的数据进行标准化处理,寻找长短时记忆网络的最优结构及超参数,用来拟合出最佳的数据映射特征,并构建恒温水浴锅温度的动态数学模型。其次,通过模型对未来一段时间内的温度趋势进行预测。最后,使用本研究提出的方法与最小二乘法所预测的结果进行对比分析。【结果】本研究所提方法构建的模型的拟合度达到了98.2%,预测结果的MSE及MAE比最小二乘法模型分别降低了4.616、0.823。【结论】本研究所提方法具有更高的预测精度,对提高恒温水浴锅的生产效率及控制精度具有重要意义。

基于购买漏斗模型的多渠道网络广告效应研究

从企业发起渠道(firm-initiated contacts,FICs)和客户发起渠道(customer-initiated contacts,CICs)两方面,探讨了不同网络广告的短期及长期效应。通过对网络广告短期效应和长期效应的综合测评,以期为企业营销合理分配广告预算提供实践指导。实证研究发现,从短期来看,FICs品牌型广告的即时效应最大,从长期来看,FICs广告有着最强的长期累积效应,特别是短信广告。FICs广告的效应持续时间比CICs广告的效应持续时间更长。CICs品牌型搜索广告在首页访问阶段产生了更高的效应,CICs通用型搜索广告在主页访问和详情页访问阶段的效应较为相近,而FICs广告能更有效地吸引客户转到特定的产品详情页面。

基于多元语义特征和图卷积神经网络的短文本分类模型

在互联网和社交媒体迅猛发展的背景下,网络中出现了大量的短文本数据,这些数据在舆情监控、情感分析和新闻分类等自然语言处理领域展现出了非常高的经济和学术价值.但短文本数据固有的特征给短文本分类带来了不小的挑战,如文本稀疏和缺乏丰富的上下文语义等.针对这些问题,提出了一种结合多元语义特征和图卷积神经网络(GCN)的短文本分类模型,该模型通过哈尔滨工业大学的语言技术平台获取短文本的多种语义特征,并将这些语义特征同短文本一起构建一个多元异构图,然后将其作为GCN的输入,利用GCN学习短文本更深层特征,最后通过Softmax函数获取每个类别的概率分布,进而实现短文本分类.试验结果表明,本模型在短文本分类的F1评分上比传统单一模型提高了4%.

基于自适应RBF神经网络具有模型不确定性的四旋翼无人机指定时间预设性能控制方法

四旋翼无人机具有强耦合和欠驱动的特点,在飞行过程中很容易受到外界干扰,进而影响整个无人机系统的稳定性和精度。为此,提出了一种基于RBF神经网络的指定时间预设性能约束控制策略。首先,针对四旋翼无人机的不确定数学模型难以精确建立,并且在执行任务过程中存在外部未知扰动问题,提出了一种基于指定时间预设性能控制方法,将四旋翼无人机的轨迹跟踪问题转换为对位置子系统和姿态子系统的期望指令跟踪问题;其次,在设计控制器过程中,为了解决“微分爆炸”问题产生的滤波器误差,引入一种新型滤波误差补偿方法,通过RBF神经网络逼近外部未知扰动,并将预测结果补偿给控制器以提高轨迹跟踪的鲁棒性。最后,应用仿真模拟方法验证无人机控制系统稳定性和性能优势,通过飞行试验验证,微风聚拢环境下实际飞行轨迹与仿真模拟结果趋于一致,自主轨迹跟踪起降位置偏差小于1 cm,证明了所提出算法的有效性。

高斯混合模型与文本图卷积网络结合的虚假评论识别算法

针对文本图卷积网络(Text GCN)窗口边权阈值策略不足的问题,为了更精准地挖掘相关的词关联结构、提高预测精度,提出一种高斯混合模型(GMM)与Text GCN结合的虚假评论识别算法F-Text GCN。首先,利用GMM分离噪声边权分布的特性,提高虚假评论在训练数据上相对正常评论数不足的边信号强度;然后,考虑到信源的多样性,综合文档、词汇和评论以及非文本特征构造邻接矩阵;最后,通过Text GCN的谱分解提取邻接矩阵的虚假评论关联结构实施预测。根据国内某大型电商平台采集的126086条实际中文评论数据开展实证研究,实验结果表明,F-Text GCN识别虚假评论的F1值达到82.92%,与预训练表征模型BERT和文本卷积神经网络相比分别提升了10.46%和11.60%,相较于只使用评论文本信源的Text GCN模型F1值提升了2.94%;研究了高仿虚假评论的预测错误率,在支持向量机(SVM)作用后难识别的评论样本上尝试二次识别,F-Text GCN整体预测准确率可达94.71%,相较于Text GCN和SVM,在识别准确率上分别提升了2.91%和14.54%。研究发现,虚假评论的二阶图邻居结构显示出较强的干预消费者决策的词汇,这表明所提算法特别适用于提取用于虚假评论检测的长程词语搭配结构和全局句子特征模式变化的场景。

稀疏网络编码中秩分布分析模型研究

针对现有稀疏网络编码研究中线性相关概率性能指标精准度较低的问题,提出基于马尔可夫链的性能分析模型。对线性相关概率、秩的概率分布等性能指标及其复杂度进行分析,并通过该性能分析模型分析编码包传输后期的译码成功概率;基于吸收马尔可夫链计算编码包传输过程中的瞬态、吸收态以及各状态间的状态转移概率,并对状态转移概率中蒙特卡罗模拟误差较大的问题进行改进,由状态转移概率构建吸收马尔可夫链基本矩阵,得出信宿端收到非再生包的线性相关概率,进而推导出秩的概率分布和译码成功概率性能指标。仿真结果表明,在相同条件下所提模型性能指标精确度均优于对比模型,且能精确地评估信宿端解码矩阵秩的概率分布、译码成功概率等稀疏网络编码的译码行为。

考虑OD需求聚类的区域多层公路交通网络混合路径诱导模型

随着交通出行需求的快速增长,我国高速公路网络面临的运输压力日渐增加,经常出现严重的交通拥堵现象。为了缓解高速公路交通拥堵,并实施更有针对性的交通管控措施,提出了考虑OD需求聚类的区域多层公路交通网络混合路径诱导模型。首先,利用湖南省高速公路以及国道、省道的地理信息数据构建区域多层公路交通网络。然后,根据OD对间距离和OD交通量的差异,利用K-均值聚类算法对OD对进行聚类分析,将OD对划分为3个不同的类别。最后,应用遗传算法筛选出各类OD对中对拥堵贡献较大的出行群体,并建立有针对性的混合路径诱导模型,对拥堵贡献较大和拥堵贡献较小的出行群体分别应用不同的路径诱导方案。当OD需求扩样系数设置为6时,对OD对聚类可以将总出行成本进一步降低35186.03 min。在不进行OD对聚类时,使用规划路径的出行总数为79140,而实施OD对聚类后,使用规划路径的出行总数为70374。使用诱导路径的出行的平均出行时间由121.47 min下降为85.61 min,极少数出行(3.75%)的时间增加,且增加最大值低于3 min。对多个不同扩样系数进行敏感性分析进一步说明了考虑OD需求聚类的混合路径诱导模型具有良好的拥堵缓解效果。考虑OD需求聚类的区域多层公路交通网络混合路径诱导模型可以用于识别对拥堵贡献较大的关键出行群体,进而制定有针对性的路径诱导策略,在缓解高速公路交通拥堵的同时能够减少对大多数出行者的影响,降低路径诱导策略的实施难度。另外,研究结果还表明:对出行距离较长的出行群体实施路径诱导能够更加有效地缓解区域多层公路交通网络中的交通拥堵。

多周期农产品废弃物供应链网络均衡模型构建

目的研究农产品废弃物可持续利用问题,既实现供应链整体利润最优,又减轻对环境的污染。方法在随机需求的背景下,考虑生产合作社对零售商的不同激励度,分析生产合作社、零售商、需求市场的最优状态,利用变分不等式建立相应的多周期供应链网络均衡模型。结果从多周期角度,实现了农产品废弃物供应链网络均衡利益最优化,可为合作社与零售商在较长时间达到一种均衡状态提供有效解决方案。结论既实现了多周期农产品废弃物的持续利用,又促进了循环经济的发展,同时还实现了供应链网络均衡、供应链整体利润最优和减轻环境污染等目标。

基于图神经网络的法律文本共指消解模型

共指消解是确定上下文中的代词或名词短语所指的具体对象或实体,是自然语言处理(Natural Language Processing,NLP)的基本任务之一,对理解文本语义具有重要意义。现有的方法主要集中在一般领域的代词、所有格和名词短语的解析上,针对法律领域的研究较少。为了更好地学习法律文本中的知识,并消除共同指代现象,提出一种基于图神经网络的法律文本共指消解模型(Graph Neural Network for Coreference Resolution,CR-GNN)。所提CR-GNN可以促进法律文本挖掘中的一系列后续任务。利用预训练语言模型和双向门控循环单元(Bidirectional Gate Recurrent Unit,BiGRU)对法律文本进行编码;使用基于元任务的动态图卷积网络(Meta Dynamic Graph Convolutional Network,MDGCN)整合实体之间的引用关系;使用前馈神经网络(Feed-Forward Neural Network,FFNN)和Biaffine模型为候选对进行加权评估。CR-GNN可以有效识别实体之间的引用关系,并对实体依赖关系进行建模。在法庭记录文件数据集上进行大量实验,结果表明所提CR-GNN模型达到89.76%的F1分数,均高于现有基准模型。