无线传感器网络TBCCA树形分簇算法

针对当前无线传感器网络分簇和拓扑控制算法中存在的问题,例如能耗过大、负载不均、计算复杂性高和存在额外开销等,提出了一种新型的TBCCA(tree-based clustering construction algorithm)分簇算法.该算法基于正三角形簇树结构,并利用RSSI(received signal strength indicator)值控制簇半径,从而产生3类集合——Near集、Common集和Medium集,及其相应的选择策略.其后,根据树的度数和结构,设计了簇树的建立算法.性能分析和实验仿真表明,相对于现有的几种算法,例如TopDisc和DLMST等,TBCCA算法具有较低的计算复杂性;与Leach协议和HEED协议相比,该算法能在保证较高连通性与覆盖率的同时,有效节约能量,均衡负载,延长网络的生命周期.

基于抽象语法树压缩编码的漏洞检测方法

针对基于抽象语法树的源代码漏洞检测方法难以从大规模语法树中充分提取语法和结构特征,导致漏洞表征能力不足、检测准确率低的问题,提出了一种基于抽象语法树压缩编码(abstract syntax tree compressed coding,ASTCC)的源代码漏洞检测方法.该方法首先将程序抽象语法树以代码语句为单元分割成1组子树;然后通过递归神经网络对子树进行编码以提取代码语句内语法信息;再将原始语法树中的子树替换为其编码节点,从而在保留结构特征的同时减小原始语法树的深度并减少了叶子节点数量;最后,通过带注意力机制的树卷积神经网络实现源代码漏洞检测.在NVD和SARD公开数据集上的实验结果表明,ASTCC方法能够降低抽象语法树的规模,增强模型对源代码漏洞的表征能力,有效提升漏洞检测的准确率.

基于机器学习的恐怖分子预测算法

当今世界恐怖袭击事件频繁发生,通过对嫌疑人进行预测分析,有利于尽早发现新生或者隐藏的恐怖分子并对其进行针对性打击,以减少人员和财产损失。为此,使用机器学习方法,提取恐怖袭击事件的多方面特征,对一个或多个嫌疑人进行预测。采用贝叶斯优化对Bagging、决策树、随机森林和全连接神经网络4种算法进行寻优,将预处理后的数据输入优化后的算法模型对恐怖袭击事件嫌疑人进行预测,以准确率、召回率、精度和F 1值作为指标评价算法性能。实验结果表明,当预测结果仅输出一个嫌疑人时,基于树的算法预测结果普遍较好,其中Bagging算法的预测精度最高为0.911,而全连接神经网络可以得到多个嫌疑人的预测结果,其预测精度为0.8778。

基于树状多分支残差注意力网络的真实场景图像超分辨率重构

真实场景图像超分辨率重构方法的研究进一步推动了超分辨率重构的应用,成为研究的热点.针对现有方法多采用单一输出代表高分辨率图像的高频特征细节,难以保障稳定、准确高频细节的问题,提出一种基于树状多分支残差注意力网络的真实场景图像超分辨率重构方法.该方法通过树状结构形成多分支超分辨率重构网络,增强特征表现能力,进而丰富重构图像高频细节.每条分支采用双通道残差策略对基础块进行连接,允许更多低频特征通过.进一步设计了基础块,融入密集残差结构和注意力机制,可以在加深网络的同时使网络在通道和空间上进行全局信息自适应调整.面对树状分支的多个重构结果,采用空间频率方法进行融合.实验结果表明,同当前先进的同类方法相比,所提出方法具有更佳的重构效果.