轻量级可移交CA的MANET网络认证体系

为解决移动自组网(Mobile Ad Hoc Network,MANET)网络信道开放、节点灵活多变且资源受限以及难以部署复杂认证机制的问题,结合轻量级CA思想,构造出一种适用于生存周期短、拓扑结构高度动态变化的MANET的认证体系结构即轻量级可移交认证中心(Lightweight and Shifted Certification Authority,LSCA)。LSCA结构简化了传统基于证书CA机制的公钥产生及验证的复杂性,无需证书管理;同时以移交CA角色的方式工作,不需预先配置节点及预知网络拓扑结构,使系统在不采用门限机制的情况下具备一定的容侵能力。性能分析及仿真实验表明:LSCA对DoS攻击表现出较强的健壮性,在通信、计算及存储代价方面均优于分布式CA及门限机制CA,适用于动态多变、生存周期较短的MANET网络应用。

基于自适应遗传随机共振的滚动轴承微弱故障诊断

随机共振(SR)能够利用噪声能量增强微弱信号,有效降低了噪声信号对特征提取的影响,针对SR方法参数选择时缺少交互以及提取特征诊断效果缺乏验证的不足,提出自适应遗传随机共振(AGSR)的滚动轴承微弱故障诊断方法。AGSR方法利用遗传算法(GA)寻找随机共振的最优系统参数,在考虑参数间交互作用的同时对其进一步优化,有效提高了轴承微弱故障特征的提取效果,随后将AGSR方法提取的特征信号输入堆叠自动编码器(SAE),通过反向传播算法多次迭代优化整个SAE网络,最终实现故障诊断。滚动轴承实测数据的检验结果表明,该方法可有效实现滚动轴承早期微弱故障检测。

基于句式元学习的Twitter分类

针对多类别的社交媒体短文本分类准确率较低问题,提出一种学习多种句式的元学习方法,用于改善Twitter文本分类性能。将Twitter文本聚类为多种句式,各句式结合原类标签,成为多样化的新类别,从而原分类问题转化为较多类别的few-shot学习问题,并通过训练深层网络来学习句式原型编码。用多个三分类Twitter数据来检验所提Meta-CNN方法 ,结果显示,该方法的学习策略简单有效,即便在样本数量不多的情况下,与传统机器学习分类器和部分深度学习分类方法相比,Meta-CNN仍能获得较好的分类准确率和较高的F1值。