基于社交媒体的谣言检测研究综述

互联网的兴起促进了各种社交媒体快速发展,人们通过社交媒体了解新闻时事、获取消息资讯、讨论实时热点。但是正因为社交媒体传播速度快、范围广、成本低,也为谣言的发布和扩散也提供了温床。这些谣言会引发群众恐慌、危害公共安全、损害民众利益,对社会造成极大的影响。因此,近年来社交媒体上的谣言检测问题引发了广泛的关注。本文将现有的谣言检测模型分为三种类型,详细介绍了这三种不同类型的谣言检测方法,并对近年来较为典型的模型进行对比实验,分析了不同模型的检测效果。     

面向推特平台的谣言检测综述

随着信息技术的高速发展,twitter、微信等社交媒体应运而生,而这些社交媒体在带给人们便利的同时,也为谣言的传播提供了良好的渠道,因此,针对谣言的识别检测十分重要。文章将现有的谣言检测技术分为基于传统方法的谣言检测技术和基于深度学习的谣言检测技术;同时,选取近年来比较典型的谣言检测方法进行介绍和总结。     

社交平台上的谣言检测综述

随着互联网的飞速发展,人们的生活获得了极大的便捷,但同时网络平台也滋生了大量的虚假信息,任由虚假的网络谣言广泛传播会极大地影响人们的生活,甚至影响国家的秩序,因此谣言检测研究具有较高的意义。文章对谣言检测方法的相关文献进行归纳分析,将检测方法按照谣言的特点分成了四类:基于内容的方法、基于用户信息的方法、基于传播的方法、基于外部知识引入的方法。然后介绍了部分公开的谣言检测数据集。最后对全文进行总结并展望了谣言检测的发展方向。     

基于卷积神经网络的放电声音故障检测

设计了一种基于卷积神经网络的放电声音检测方法,针对电力系统中设备绝缘老化引起的局部放电现象,提出通过终端边缘节点的声信号检测方法实时监控设备正常工作、局部放电和发生故障的三种状态,并将异常状态通过边缘计算专网反馈给运维中心。该系统通过设备终端的边缘节点采集发生故障时放电音频数据,这些故障包括：正常工作、局部放电和故障已发生的状态。并进行信号预处理和提取能够反映故障状态的音频特征。然后,将处理后的数据作为卷积神经网络的输入。实验表明所提方法与经典的深度神经网络相比,平均识别率提高了约2%。     

一种基于深度学习的谣言检测方法

为了更好地学习网络谣言传播过程中的特征变化,提出了一种基于多跳的多模态融合的网络谣言检测方法。该方法采用faster RCNN提取视觉特征,通过GRU提取词特征,通过BERT提取句子特征,在提取词句基本特征后,利用RGCN实现图中不同节点间的信息传递。提取多模态特征后利用多跳注意力机制实现谣言检测。该方法可以较好解决诸如否定、歧义和长距离依赖等复杂问题,可以在更短路径上捕获远程依赖。通过与其它谣言检测方法的对比实验,验证了该方法在谣言检测和早期谣言检测领域应用的有效性。     

社会网络谣言检测综述

当前社会网络已取代传统媒体成为信息交流的重要平台,社会网络中的信息具有传播速度快,范围广,即时性强等优点.然而,由于发布信息时缺乏有效的监管手段,导致社会网络平台同时也成为谣言传播的温床.因此,快速有效地检测出社会网络谣言,对净化网络环境,维护公共安全至关重要.本文首先对谣言定义进行阐述,并描述当前谣言检测的问题及检测过程;其次,介绍不同数据获取方式并分析其利弊,同时对比谣言检测中不同的数据标注方法;第三,根据谣言检测技术的发展对现有的人工、机器学习和深度学习的谣言检测方法进行分析对比;第四,通过实验在相同公开数据集下对当前主流算法进行实证评估;最后,对社会网络谣言检测技术面临的挑战进行归纳并总结全文.     

基于深度神经网络的网络入侵检测技术

在现今攻击手段多样化和网络流量高维度的情况下,如何快速准确地检测网络入侵成为了目前研究的重点。深度神经网络（DNN）对于海量数据的处理具有很好的计算能力,并且可以学习样本数据的内在规律,因此基于DNN开展了网络入侵检测技术的研究。首先,通过符号数据数值化和数据归一化对公共数据集进行预处理;然后,构建DNN模型获取分类预测结果;最后,根据分类结果计算模型评价指标,并不断地迭代调整DNN模型,直到模型评价指标达到期望值,对于提高网络入侵检测准确度和效率具有重要的意义。     

基于社交媒体的谣言检测模型研究综述

社交媒体已经成为当今社会信息交流高速发展的最主要工具之一,因其具有传播速度快、范围广等优势,为人们了解新闻时事、人际交流、发表言论带来了极大的便利。但同时由于言论自由度高,以及信息发布监管不到位,给谣言的滋生带来了大量的生长空间。谣言即未经证实的虚假信息,不法分子会趁机捏造事实来蛊惑和误导大众,严重的将会造成社会经济受损以及社会秩序动荡。应对社交媒体中的大量信息,需要构建相应的谣言检测模型来甄别谣言信息。因此文章将现有的谣言检测模型研究分为基于文本特征、基于传播结构特征以及基于多模态特征的谣言检测模型,并对这三种谣言检测模型进行介绍和总结。     

深度神经网络压缩与加速综述

近年来,随着图形处理器性能的飞速提升,深度神经网络取得了巨大的发展成就,在许多人工智能任务中屡创佳绩.然而,主流的深度学习网络模型由于存在计算复杂度高、内存占用较大、耗时长等缺陷,难以部署在计算资源受限的移动设备或时延要求严格的应用中.因此,在不显著影响模型精度的前提下,通过对深度神经网络进行压缩和加速来轻量化模型逐渐...     

基于神经网络的传感器网络数据汇聚模型研究

由于定向扩散路由无线传感器网络中的数据重复传送,导致数据融合困难,制约实际应用。针对定向扩散路由传感器网络特点,提出基于定向扩散和神经网络的无线传感器网络数据汇聚模型DAM-DD&NN。借助有导师学习的BP神经网络提高感知数据的精确性、降低感知数据的时间空间冗余度;借助无导师学习的神经网络降低数据传送过程中的冗余度。理论分析和仿真结果表明, DAM-DD&NN模型能提高网络的综合性能。     

基于KELM_AdaBoost的网络入侵检测

针对AdaBoost网络入侵检测方法存在正确率低和误判率高的缺点,将核极限学习机引入AdaBoost,提出一种基于KELM_AdaBoost的网络入侵检测模型。核极限学习机作为AdaBoost的弱分类器,通过迭代动态调整样本间权重,加权组合获得网络入侵检测的强分类器。以KDD CUP99数据集为研究对象,选择检测率和误判率为评价指标,与KELM、ELM和AdaBoost算法对比可知,KELM_AdaBoost可以有效提高网络入侵检测的准确率和降低误判率,其网络入侵检测率高达98.41%,为网络入侵检测提供新的方法和途径。     

基于神经网络的红绿灯识别研究

交通灯的识别对人工智能以及无人驾驶都有着举足轻重的作用,本文研究交通识别中的红绿灯判断,用于改善驾驶员疲劳以及维护交通秩序从而提高驾驶安全系数减少交通事故的发生.通过机器视觉采集红绿灯交通信号图,运用Mat-lab进行图片处理截取红绿灯区域,提取每张图片的121个像素点RGB值,运用1和2分别表示绿灯和红灯,建立红绿灯...     

无人机辅助的基于前馈神经网络的节点定位算法

针对无线传感网络(WSNs)的节点定位问题,提出无人机辅助的基于前馈神经网络的节点定位(UAV-NN)算法。UAV-NN算法利用无人机(UAV)作为锚节点,并由UAV周期地发射beacon信号,利用极端学习机(LEM)训练单隐藏前向反馈的神经网络(SLFN),未知节点接收来自UAV发射的beacon信号,并记录其接收信号强度指示(RSSI),已训练的SLFN再依据RSSI值估计节点位置。仿真结果表明,相比于传统的基于RSSI定位算法,提出的UAV-NN算法无需部署地面锚节点;相比其他传统的机器学习算法,UAV-NN算法通过引用ELM,减少了定位误差。     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

基于卷积神经网络的SCMA-VLC接收机研究

发光二极管(LED)有限的带宽与其非线性电光转换引起的信号失真,是限制可见光通信(VLC)传输性能的重要因素.传统的消息传递算法(MPA)在稀疏码分多址(SCMA)-VLC系统中对抗信号非线性失真的能力有限.针对上述问题,文章提出了一种基于卷积神经网络(CNN)接收机,通过对接收信号进行特征提取、分类和判决,可有效提升...     

基于AI神经网络业务预测的网络容量规划方法研究

本文在无线数据业务需求爆发增长的背景下,基于业务发展趋势提出适用于无线网络容量规划的神经网络预测模型,创新采用数据增量与循环迭代预测方法,提升业务预测精度,并将预测结论应用于无线网络容量规划中,指导网络资源合理配置.     

基于神经元网络的选择型问卷识别技术

在问卷调查数据自动识别和统计过程中,由于纸张的折叠、弯曲、变形及受污染等原因引起的数据误判时有发生,考虑到手工统计的繁杂性,开发一种自动、高效的智能处理系统具有相当大的实用价值。提出应用神经网络对调查问卷扫描图像进行识别处理的方法,建立基于MATLAB的Hopfield网络识别模型,并详细讨论了图像预处理、特征提取及Hopfield网络训练与识别这三个重要环节。针对建立好的识别模型,系统仿真情况下,符号识别率达到100%;在实际操作过程中,当训练样本数充足,样本来源可靠的情况下,识别率高达96%,基本实现预期效果。