一种生成对抗网络用于图像修复的方法

近年来基于深度学习的图像修复方法相比于传统方法,表现出明显优势,前者能更好的生成视觉上合理的图像结构和纹理.但现有的标准卷积神经网络方法,通常会造成颜色差异过大和图像纹理缺失与失真的问题.本文提出了一种新型图像修复深度网络模型,该模型由两个相互独立的生成对抗式网络模块组成.其中,图像修复网络模块旨在解决图像缺失区域的修复问题,其生成器基于部分卷积网络;图像优化网络模块旨在解决修复后图像存在局部色差的问题,其生成器基于深度残差网络.通过两个网络模块的协同作用,图像的视觉效果与图像质量得到提高.与其他先进方法进行定性和定量比较的实验结果表明,本文提出的方法在图像修复质量上表现更好.     

基于硬件的安全路由器设计和实现

当前的许多安全路由器采用常规路由器硬件平台加安全软件的方式实现，效率低下而不能满足线速安全的需求。针对这一技术缺陷，我们使用通信处理器MPC8260和安全处理器MPC180来设计并实现了一款安全路由器。利用MPC8260提供中央处理以及路由器接口，而MPC180则提供硬件加密功能，解决软件实现VPN功能时效率低下的缺点。通过对设计的硬件平台的测试，表明我们设计的安全路由器能够满足中小企业虚拟私有网络(VPN)应用的需求，具有较好的性能价格比。     

水下传感器网络时间同步技术综述

 时间同步是传感器节点协同工作的基础.水下传感器网络由于采用水声通信方式,具有不同于陆地无线传感器网络的特点,为时间同步算法研究带来了新的挑战.论文首先说明同步问题与同步算法的形式化定义,然后讨论水下传感器网络不同于陆地传感器网络的特点,并指出相关特点对于同步问题的影响;接着综述陆地传感器网络同步算法的研究进展,分析相关算法用于水下环境的不足;进而介绍水下传感器网络同步算法的研究进展,并通过仿真实验完成了相关算法的性能对比;最后总结水下传感器网络时间同步的关键问题,指出进一步的研究方向.     

粒子群算法优化神经网络结构的研究

针对BP神经网络初始权阈值确定的随机性和隐含层节点数的不确定性,通过利用十进制粒子群优化算法（DePSO）和二进制粒子群优化算法（BiPSO）,同时优化神经网络的初始权阈值和结构。通过粒子群优化算法首先确定一个较好的搜索空间,然后在这个解空间里利用BP算法对网络进行训练和学习,搜索出最优解。通过函数拟合数值实验对该模型来进行训练和测试,相比其他算法,该模型可以获得较高的预测精度,结果表明该方法是可行的。     

基于TD-SCDMA的R4与HSDPA混合组网系统级性能研究

文章认为R4和高速下行数据接入(HSDPA)的混合组网方式是目前比较合理的组网方式,可以减少建设成本,并降低管理维护和优化的复杂度,是主流运营商倾向的组网方式。文章提出通过理论计算结合系统级仿真手段可以对基于TD-SCDMA的R4与HSDPA业务混合组网前后系统性能进行对比研究,并提出通过优化HSDPA业务信道发射功率、调度算法、无线资源管理(RRM)算法等多种手段可以提升混合组网后系统性能。     

一种肿瘤基因表达数据的知识提取方法

本文以多发性骨髓瘤的基因表达数据为例,利用数据挖掘技术,提出了一种针对基因表达数据进行知识发现的方法.该方法通过计算基因的信息增益,结合神经网络,找出了特征基因集合,最后利用决策树进行特征规则的提取,给出了基于多发性骨髓瘤数据样本的产生式规则,为生物医学研究提供了一种分析和研究基因表达数据的参考方法.实验结果表明了该方法的有效性.     

面向下一代威胁的安全框架

网络空间已逐渐演变为一个虚拟战场,网络空间的较量是决定一个国家话语权的重要筹码。下一代威胁从某种意义代表着网络空间较量的重要技术指标。文章论述了下一代威胁的特点和关键属性,分析了其绕过传统的安全防御体系的原因,设计了面向下一代威胁的安全框架。该框架从技术工具、安全服务、数据共享三个维度进行全方面论述,尤其基于未知威胁的识别技术、具有大数据特征的数据共享及持续性的威胁检测是面向下一代威胁框架的关键要素。应用实践表明文中提出的面向下一代威胁的安全框架是应对下一代威胁的有效手段。     

基于层级实时记忆算法的时间序列异常检测算法

时间序列异常检测是数据分析中一个重要的研究领域.传统的时间序列的异常检测方法主要通过比较检测数据和历史数据的差异程度,以判断被检测数据是否为奇异点（Surprise）、离群（Outlier）点等.然而序列和窗口的划分,状态的划分或者异常的定义和判定等问题,使得这类方法存在一定的局限性.本文针对传统时间序列检测算法不足,提出一种基于层级实时记忆算法的时间序列异常检测算法.该方法对时间序列内在模式关系进行学习,建立预测模型,通过比较预测值和真实值的偏离程度来判断数据是否异常.首先使用稀疏离散表征在保证保留数据相关性的同时又将数据离散化;然后输入到模型网络,预测下一时刻的数据值;最终根据预测值和真实值的差异为数据异常程度进行定量评分.在人造数据和真实数据上的实验表明,该方法能够准确、快速地发掘时间序列中的异常.     

Cloud resource prediction model based on triple exponential smoothing method and temporal convolutional network

The container cloud represented by Docker and Kubernetes has the advantages of less additional resource overhead and shorter start-up and destruction time.However there are still resource management issues such as over-supply and under-supply.In order to allow the Kubernetes cluster to respond “in advance” to the resource usage of the applications deployed on it,and then to schedule and allocate resources in a timely,accurate and dynamic manner based on the predicted value,a cloud resource prediction model based on triple exponential smoothing method and temporal convolutional network was proposed,based on historical data to predict future demand for resources.To find the optimal combination of parameters,the parameters were optimized using TPOT thought.Experiments on the CPU and memory of the Google dataset show that the model has better prediction performance than other models.     

结合LSTM与CNN的野外车辆声信号分类

针对野外环境下微声传感器采集的小型轮式车、大型轮式车和履带车3种车辆声信号受风噪影响严重、分类性能较低的问题,提出了一种长短时记忆网络(LSTM)与多尺度、多层次特征融合卷积神经网络(CNN)相结合的分类算法——野外车辆识别算法(FVNet).该算法先采用一层LSTM网络提取声信号的时序特征,充分利用声信号的长时依赖关...