基于深度前馈网络的深度学习模型在XOR函数中的应用

文章首先介绍了前馈网络的基本原理。然后通过一个XOR小例子讨论部署一个前馈网络所需的每个设计决策。最后去面对那些只出现在前馈网络中的设计决策。     

基于深度学习的流量工程算法研究与应用

随着5G网络的发展和应用,网络中的业务数量呈现出爆发式增长,网络中的带宽资源日趋紧张。为了提高网络资源利用率,并满足用户日益提高的业务服务质量要求,基于软件定义网络(SDN)提出了一种基于深度学习的流量工程算法(DL-TEA)。通过仿真证明该算法不仅能够实时地为业务计算一条高效的路径,同时还能够提升业务的QoS、网络资源利用率,降低网络阻塞率。     

基于改进型深度学习的流量预测

为了解决无线网络中流量的预测精度不高的问题,提出了一种自适应分组的栈式自编码( AG-SAEs)深度学习预测方法。在数据的预处理过程中,首先使用最大最小方式对数据进行归一化处理,并提出一种新型的自适应分组方法,把归一化后的链路数据进行关联性分组;然后,基于深度学习方法建立了一个多输入多输出的预测模型,并将分组后的数据输入到预测模型中,对该模型进行训练来建立输入和输出流量之间的映射关系;最后,为了进一步提高预测精度,在模型的训练过程中,使用改进型的牛顿法来进行权值参数更新。仿真实验以及和其他算法对比的结果证实了所提方案具有更小的预测相对误差。     

基于深度置信网络的互联网流量预测方法

对未来网络流量负荷的预测有助于运营商精确预估网络使用情况,优化网络资源,提高用户满意度。本文提出了基于深度置信网络(DBN)的三种不同架构的网络流量预测模型来预测未来1小时的互联网流量,首先,介绍了DBN的网络结构;然后构建了三种不同架构的DBN拓扑结构,最后通过实验对比,发现隐藏层的神经元数量对更深层次的网络至关重要,该模型被证明是一种有效的预测模型。本文所采用的方法在模拟流量数据模式和随机要素的同时,提供了准确的网络流量预测,使测试数据集的均方根误差(RMSE)值为0.028。     

基于深度学习的僵尸网络检测技术研究

入侵检测系统通过分析网络流量来学习正常和异常行为,并能够检测到未知的攻击。一个入侵检测系统的性能高度依赖于特征的设计,而针对不同入侵的特征设计则是一个很复杂的问题。因此,提出了一种基于深度学习检测僵尸网络的系统。该系统利用卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)分别学习网络流量的空间特征和时序特征,而特征学习的整个过程由深度神经网络自动完成,不依赖于人工设计特征。实验结果表明,该系统在僵尸网络检测方面具有良好的表现。     

星地融合网络中基于深度强化学习的多业务缓存策略

星地融合网络承载的通信服务呈现出多类型业务并发、业务需求差异化、数据流量聚集、大量重复请求等鲜明特征。针对多样化重复请求业务并发时链路负载过大、用户体验质量(Quality of Experience,QoE)难以保障的问题,提出一种基于深度强化学习(Deep Reinforcement Learning,DRL)的多业务缓存(Caching for Multi-Type Services,CMTS)策略。通过对星地融合网络中获取请求内容时延与三类典型业务时间效用函数分析建模,建立以最大化系统和效用为目标的优化问题,并提出一种基于多智能体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradient,MADDPG)的MADDPG-CMTS算法,综合考虑业务效用差异化特征、用户请求、星地缓存、网络拓扑等多种因素确定缓存更新决策。仿真结果表明,所提算法与最受欢迎内容(Most Popular Content,MPC)策略、随机替换(Random Replacement,RR)策略等传统缓存更新策略相比,系统总效用可提升约47%。     

基于深度强化学习的智能网络安全防护策略研究

深度强化学习作为统计学习常见算法,将其应用于智能网络安全防护设计环节将取得显著效果,以此规避智能网络安全风险。文章简要分析智能网络安全常见问题,根据对问题的分析研究,总结智能网络安全防护优化设计具体目标,经由设计网络状态集合、细化网络动作集合、规范设计回报函数、强化数据分析功能等设计步骤的落实,智能网络将充分发挥安全服务作用,由此维护网络安全。本文提出了可行性措施,期待提升网络安全防护的有效性。     

基于自注意力深度强化学习的特定流路由选择算法

为了有效降低传统流量工程机制中重路由对网络带来的负面影响,基于软件定义网络的全局网络视角和管理能力,提出一种基于自注意力深度强化学习的特定流路由选择算法,以重新路由少量流量达到接近最优的性能。通过多尺度融合注意力机制的神经网络模型来提取流量的特征,并采用集中式训练-分布式执行架构,根据观测网络状态做出实时决策。理论研究和实验结果表明,与传统深度强化学习算法与启发式算法相比,所提算法在平均负载和端到端延迟性能方面均有显著改进。     

基于流量预测的 IP骨干网络优化

针对多媒体数据网络结构复杂、业务发展迅速的特点，提出一种基于业务流量预测分析的IP骨干网络优化方法，为网络规划设计人员提供一定的决策和设计参考依据。     

基于深度强化学习的网络切片资源管理算法

随着第五代通信技术(5G)的发展,各种应用场景不断涌现,而网络切片可以在通用的物理网络上构建多个逻辑独立的虚拟网络来满足移动通信网络多样化的业务需求。为了提高移动通信网络根据各切片业务量实现资源按需分配的能力,本文提出了一种基于深度强化学习的网络切片资源管理算法,该算法使用两个长短期记忆网络对无法实时到达的统计数据进行预测,并提取用户移动性导致的业务数据量动态特征,进而结合优势动作评论算法做出与切片业务需求相匹配的带宽分配决策。实验结果表明,相较于现有方法,该算法可以在保证用户时延和速率要求的同时,将频谱效率提高约7.7%。     

基于深度强化学习的蜂窝无人机网络中的轨迹设计

设计了一个蜂窝无人机网络,其中无人机采集到的感知数据可以通过直通通信的方式直接传输到移动设备端,或者通过传统的蜂窝方式传输到移动设备端。由于无人机的传输模式会影响到它们的轨迹,在考虑了传输模式的情况下,研究了无人机轨迹设计问题,以最大化系统的总效用。该问题是一个状态行动空间非常大的马尔科夫决策问题,基于此问题提出了一种基于深度强化学习的多无人机轨迹设计算法。仿真结果表明所提出的算法比单智能体算法性能更好。     

基于深度置信网络的互联网流量预测方法

随着我国互联网数据的飞速发展,数据流量已经出现一定的增长趋势,但随之也给电信网络企业带来巨大的压力,尤其是目前互联网通信的大部分流量源仍然是数据流量。对于当前人们对于互联网的需求逐渐增加,如何将更多流量迁移到TD网络,实现网络的有效承载是一个关键问题,也是当前需要解决的问题。基于此,本文主要运用深度置信网络的方式进行分析,通过对互联网流量数据进行相应的预测,能够有效介绍基于深度置信网络的结构,然后构建不同网络架构下的深度置信网络结构。     

深度学习支持下的无线异构网络中继决策分析

在无线异构网络中,中继节点的智能化决策直接影响网络的频谱效率、能量效率以及服务质量。针对无线异构网络的中继决策问题,文章提出一种基于深度Q网络的强化学习方法,概述了无线异构网络的组成及中继节点的作用,介绍了深度Q网络算法的优势及网络结构,定义了无线网络环境的状态空间、动作空间和奖励函数,构建了端到端的深度Q网络决策模型,最后通过仿真实验验证了文章所提方法的有效性。     

高维矢量深度学习技术在疾病诊断中的应用

阐述利用人工智能技术,将上级医院成熟的诊疗知识以服务的方式快速地下沉到基层,并且保持持续迭代和完善成为一个非常有前途的技术方案。在门诊场景下,引入了一种基于高维矢量和深度学习的技术方案,充分利用了门诊能够获得的所有信息,实验表明其top5预测符合率超过90%,从而满足基层客户的需要。     

基于微调优化的深度学习在果蔬识别中的应用

果蔬图像分类是图像识别的重要组成部分,是实现果蔬农产品自动化分类的关键技术.果蔬图像识别面临的主要挑战在于果蔬种类众多,缺乏大量的有标签数据,难以通过监督学习方法来实现果蔬图像分类.针对上述问题,本文构建果蔬图像数据集,提出将融合迁移学习的深度卷积网络用于果蔬图像识别.为了验证该方法的有效性,采用特定方式微调模型参数,...     

深度强化学习在典型网络系统中的应用综述

近几年来,以深度强化学习(Deep Reinforcement Learning,DRL)为代表的人工智能技术被引入计算机网络系统设计中,促使网络领域走向数据驱动和智能化,并在典型的网络系统中不断取得新的突破。计算机网络应用的难点是难以对多变的网络环境进行复杂准确的建模,借助深度神经网络出色的特征提取能力,深度强化学习能够更好地以试错的方式探索更优的决策,并具有端到端的设计优势。首先阐述深度强化学习技术的原理,包括多种典型的深度学习中使用的神经网络结构、基于值函数和基于策略梯度的深度强化学习训练算法;之后详细分析了深度强化学习技术在计算机网络领域中解决资源调度问题的研究现状,包括任务调度、视频传输、路由选择、TCP拥塞控制以及网络缓存;最后给出了在计算机网络应用中使用深度强化学习仍存在的挑战。     

基于多模态深度学习的流量分类识别方法

针对流量分类效果与实际情况存在偏差的问题,首先将多模态深度学习运用在流量分类中,通过利用多模态之间的互补性,剔除模态间的冗余,从而学习到更好的流量数据特征表示.然后,提出了一种基于多模态流量数据的检测和分类方法,对同一流量单位的不同模态输入分别采用卷积神经网络(Convolutional Neural Networks...     

5G异构网络中基于优先级的深度强化学习联合资源分配

为了研究基于深度强化学习(Deep Reinforcement Learning, DRL)的5G异构网络模型的性能,同时在最小化系统能耗并满足不同类型终端用户的服务质量要求的基础上制定合理的资源分配方案,提出了一种基于DRL的近端策略优化算法,并结合一种基于优先级的分配策略,引入了海量机器类型通信、增强移动宽带和超可靠低延迟通信业务。所提算法相较于Greedy和DQN算法,网络延迟分别降低73.19%和47.05%,能耗分别降低9.55%和6.93%,而且可以保证能源消耗和用户延迟之间的良好权衡。     

深度学习在目标检测技术优化中的应用

阐述基于深度学习的目标检测问题,以深度学习为基础的目标检测技术,包括优化主流目标检测算法、提升小目标物体检测精度、多类别物体的检测技术、轻量化技术的应用。