大数据及人工智能技术的计算机网络安全防御系统设计分析

随着互联网的快速发展,计算机网络的使用越来越频繁。在网络使用过程中,各种漏洞和一些其他因素导致网络安全问题时有发生。如何使网络为人们提供高效、快速的服务,是现阶段网络发展的重要挑战。将人工智能和大数据技术融入网络安全领域,不仅可以提高网络的整体性能,而且可以有效可靠地保障网络安全。随着网络攻击的数量和复杂性不断增加,人工智能(AI)、大数据技术在网络安全领域也发挥着一定作用。人工智能技术(如机器学习和自然语言处理)从数百万篇研究论文、博客和新闻报道中收集情报,提供快速洞察,以消除日常警报问题,大幅缩短响应时间。

“双碳”背景下能源产业绿色税收研究

“双碳”目标下,我国越来越重视“绿色理念”对发展的重要性,完善的绿色税收体系是“双碳”目标的基本保障。能源产业是降碳的重点关注对象,我国现行的资源税、环境保护税等绿色税收是支持能源产业绿色发展的主要政策手段。当前,我国能源产业资源税、环境保护税、关税、消费税的征管还存在部分问题,需要进一步完善绿色税收政策的制定和执行,加强对“碳排放”的宏观调控能力。

面向船舶智能喷涂系统中物料供应平台的避障控制及其仿真

为实现船用智能喷涂系统自动化的喷涂作业,设计物料供应平台的跟随避障控制器,实现对智能喷涂平台的自主跟随与自主避障.首先分析物料供应平台的工作状况与作业需求,确定跟随避障控制器的设计要求;其次对物料供应平台的随动车底盘进行运动学分析,构建随动小车运动模型;随后基于模糊逻辑算法创建避障控制器的控制策略,同时以PID算法为理论基础设计了跟随控制器,并创建由避障控制和跟随控制构成的物料供应平台控制系统;最后以Matlab和CoppeliaSim为软件平台,创建物料供应平台避障的联合仿真环境,对物料供应平台的跟随和避障进行虚拟仿真.由仿真实验结果可知:物料供应平台能够自主侦测并规避障碍物,且保持对智能喷涂平台的跟随,表明该控制方法具有可行性和实用性.

机器学习在生态环境大数据中的应用

大数据时代人工智能技术的研究成果和普及应用,为生态环境各类数据的监测、分析、研判和应用提供了强大的技术支持,推动了环境治理体系的建设。分析了大数据技术的应用现状,提出了环保智慧时代背景下机器学习的未来发展方向,旨在推动数据处理算法在生态环境领域的研究和应用,提高各类环境数据的处理效率。

基于强化学习的机器人无序目标智能识别仿真

在机器人目标识别过程中,由于目标具有无序性的特征,同时受到环境复杂性、数据量庞大、噪声等因素的影响,导致目标识别精度受到严重影响。为了满足智能机器人对无序目标的识别需求,提出一种应用强化学习的智能机器人目标无序识别方法。通过双边滤波将采集的目标图像,并将其分解为低照度图像和反射图像,分别使用不同策略压缩照度图像和增强反射图像,将两部分图像合并形成新图像。将深度学习技术和强化学习有效结合,完成增强处理的目标图像输入到深度强化学习中训练,实现智能机器人目标无序识别。实验结果表明,所提方法可以有效改善目标图像质量,同时获取高效率以及高精度的智能机器人目标无序识别结果。

基于CiteSpace的高层建筑结构研究热点与前沿分析

为全面洞悉高层建筑结构领域的研究状况,运用CiteSpace,进行时空知识图谱及内容知识图谱分析,揭示高层建筑结构研究领域的主体分布、热点及趋势。结果表明研究主体以高等院校为主,参与研究的机构间合作紧密,地域特征明显,其中同济大学、中国建筑科学研究院及清华大学在研究中起引领作用。研究的热点、核心节点及研究前沿表明高层建筑结构研究向智能化、信息化迅速发展,分析结果为高层建筑结构的深入研究、实践探索、项目开展提供了参考。

基于深度强化学习的智能单灯照明控制模型

由于传统照明控制方法用一个开关控制一个回路中的灯具,导致其可靠性大大降低,为此提出基于深度强化学习的智能单灯照明控制模型。基于深度强化学习采集单灯数据,使用照度偏差函数计算照明控制模型的数据,构建单灯照明控制模型,实时监控照明设备,从而实现智能调光并且对灯具进行控制。实验结果表明,该方法的最大耗电量为2.60 kW·h,优于传统方法1和传统方法2。

基于深度学习的改进ERRIS径流预报实时校正模型

为提高径流预报精度,基于长短期记忆网络(LSTM)改进ERRIS模型,构建了径流预报实时校正的ERRIS-LSTM模型,以雅鲁藏布江流域和椒江流域为例进行对比分析。结果表明:与ERRIS模型相比,ERRIS-LSTM模型使雅鲁藏布江流域和椒江流域径流预报的纳什效率系数分别提升了4.1%和1.1%,均方根误差分别减小了67.7%和5.7%,使雅鲁藏布江流域中、低水流量的百分比偏差分别降低了75.5%和79.1%,椒江流域低水流量统计指标均改善超过20%;ERRIS-LSTM模型能够充分获取误差序列的序贯相关性,生成的集合预报比ERRIS模型预报的整体精度更高,连续排序概率评分降低了75%以上,不确定性更小,可靠性更强;相比于LSTM模型的校正结果,ERRIS-LSTM模型可以额外提供校正结果的不确定性信息,在业务预报和防洪决策中具有重要的应用前景。