欧美日韩一区二区三区三,欧美乱大交XXXXX疯狂俱乐部,免费人欧美日韩在线精品

基于重點突發(fā)詞的突發(fā)事件檢測方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

由于突發(fā)事件具有突發(fā)性、聚眾性、破壞性，針對微博中發(fā)布的突發(fā)事件，避免由突發(fā)事帶來一系列社會問題，提出一種結(jié)合用戶影響力和突發(fā)詞的突發(fā)事件檢測方法。為提取大量重點突發(fā)詞，使用詞影響力和詞狀態(tài)兩個指標(biāo)計算詞突發(fā)值，將大于一定閾值的詞作為突發(fā)詞；采用凝聚層次聚類方法，對突發(fā)詞集的共現(xiàn)矩陣進行聚類得到熱點話題。之后將結(jié)果放入訓(xùn)練好的分類器對熱點話題進行分類,最終得到突發(fā)事件及其類型。使用真實的微博數(shù)據(jù)對其進行實驗，對比使用分類器前后的實驗結(jié)果，該方法可以有效過濾一般熱點話題，提高突發(fā)事件檢測的準(zhǔn)確率。

發(fā)表于：11/19/2020 10:33:00 AM

面向低功耗無線傳感器網(wǎng)絡(luò)的智能拓撲控制算法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

降低無線傳感器節(jié)點能耗是當(dāng)下拓撲算法研究的重點。通過對功率控制型算法進行研究后發(fā)現(xiàn)，現(xiàn)有算法忽略多跳中繼區(qū)域問題，從而增加節(jié)點的能耗。因此提出面向低功耗的智能拓撲控制算法，該算法通過收集各節(jié)點功耗反饋信息后形成最大鄰近節(jié)點拓撲，遍歷所有鄰近節(jié)點后選擇能量消耗最小的路徑。對網(wǎng)絡(luò)連通性、節(jié)點度和能量消耗等性能指標(biāo)仿真分析，算法能夠消除不合理的多跳，降低每個節(jié)點的最大發(fā)射功率，維護全網(wǎng)絡(luò)的連通性，理論上具有一定的實際應(yīng)用價值。

發(fā)表于：11/19/2020 10:25:00 AM

基于關(guān)聯(lián)規(guī)則的網(wǎng)絡(luò)異常檢測系統(tǒng)設(shè)計與實現(xiàn)[通信與網(wǎng)絡(luò)][信息安全]

入侵檢測技術(shù)是網(wǎng)絡(luò)安全防御的核心技術(shù)之一。由于網(wǎng)絡(luò)承載的帶寬流量日益增多，入侵檢測系統(tǒng)需要提供快速的檢測能力。Snort入侵檢測系統(tǒng)依靠將抓取的數(shù)據(jù)與規(guī)則匹配來判斷是否受到攻擊，因此規(guī)則的好壞決定了系統(tǒng)性能的高低。結(jié)合數(shù)據(jù)挖掘技術(shù)，設(shè)計實現(xiàn)一種基于關(guān)聯(lián)規(guī)則的關(guān)聯(lián)分析器插件來增強Snort對入侵的識別能力。首先利用Apriori對Snort產(chǎn)生的告警日志進行數(shù)據(jù)挖掘，搜索隱藏的攻擊模式；然后，將關(guān)聯(lián)規(guī)則轉(zhuǎn)化為相應(yīng)的Snort規(guī)則。最后，利用SYN Flood攻擊測試規(guī)則增強的Snort系統(tǒng)的性能，結(jié)果表明，改進后的Snort能夠提高對SYN Flood攻擊的檢測效率。

發(fā)表于：11/18/2020 9:02:00 AM

一種六邊形分形寬帶天線的設(shè)計[其他][其他]

提出了一款應(yīng)用于L波段、S波段和C波段的六邊形分形寬帶微帶天線，該天線采用二階六邊形Sierpinski分形結(jié)構(gòu)作為輻射貼片，使用微帶饋電技術(shù)進行饋電。通過仿真分析與模型優(yōu)化，天線的最終尺寸為36 mm×28 mm×1.6 mm，-10 dB阻抗相對帶寬為150.3%(1.10~7.76 GHz)，在1.10 GHz處有最大峰值增益7.80 dB。該天線具有結(jié)構(gòu)簡單、體積小、帶寬大、增益良好的特點，可以適用于各種寬頻帶通信系統(tǒng)中。

發(fā)表于：11/18/2020 8:54:00 AM

基于Linux的電力網(wǎng)關(guān)的設(shè)計與實現(xiàn)[通信與網(wǎng)絡(luò)][智能電網(wǎng)]

隨著智能電網(wǎng)建設(shè)的持續(xù)發(fā)展，智能用電領(lǐng)域也不斷發(fā)展。針對電力行業(yè)用戶端的需求，設(shè)計了一種基于Linux操作系統(tǒng)的電力網(wǎng)關(guān)。該網(wǎng)關(guān)采用AM335x作為處理器，運用嵌入式編程實現(xiàn)網(wǎng)關(guān)相關(guān)功能，將智能電網(wǎng)用戶端電力設(shè)備的Modbus協(xié)議轉(zhuǎn)換成MQTT協(xié)議，再通過4G模塊將數(shù)據(jù)轉(zhuǎn)輸至云平臺。經(jīng)測試，該電力網(wǎng)關(guān)運行穩(wěn)定高效，實現(xiàn)了傳統(tǒng)有線網(wǎng)絡(luò)和無線網(wǎng)絡(luò)的數(shù)據(jù)交互以及遠程控制，滿足了電力行業(yè)用戶端的業(yè)務(wù)需求，同時為后期電力數(shù)據(jù)分析的數(shù)據(jù)來源提供了便捷途徑。

發(fā)表于：11/18/2020 8:46:00 AM

基于特征生成方法的Android惡意軟件檢測方法[測試測量][信息安全]

針對傳統(tǒng)特征工程中需要大量專家經(jīng)驗和人力的不足，研究了基于特征生成方法的Android惡意軟件檢測方法。基于UC Berkeley的ExploreKit自動特征生成方法，通過對原始特征計算獲得大量候選特征，根據(jù)候選特征的元特征預(yù)測其性能并進行評估排序，使用貪心算法從中選出能夠提升模型性能的新特征。從APK中提取了敏感API、危險權(quán)限等多種特征，在根據(jù)信息增益對特征進行篩選后，輸入到特征生成框架中，使用C4.5、SVM和隨機森林等作為分類模型。實驗證明，該方法使錯誤率平均降低了24.6%，準(zhǔn)確率達到了96.5%，曲線下面積(Area Under Curve，AUC)達到了0.99。

發(fā)表于：11/17/2020 9:24:00 AM

便攜式海水淡化系統(tǒng)設(shè)計[人工智能][工業(yè)自動化]

針對小型漁船在海上缺少電力，難以支撐起大型海水淡化設(shè)備的問題，設(shè)計一款環(huán)保型便攜式海水淡化系統(tǒng)。該系統(tǒng)以智能手機為上位機控制端，以STM32為主控制器的海水淡化系統(tǒng)為下位機，利用太陽能風(fēng)能發(fā)電為系統(tǒng)電能驅(qū)動，可實現(xiàn)智能控制設(shè)備、無線檢測系統(tǒng)電量，以及GPS定位以防止?jié)O船駛出經(jīng)濟專屬區(qū)，極大地克服了長期喝蒸餾純凈水而造成微量元素缺失等弊端。實踐證明，該系統(tǒng)能有效地降低漁民出海帶淡水量，增加作業(yè)時長，提高海船的續(xù)航力和自持力等，實現(xiàn)運行效益的最大化。

發(fā)表于：11/17/2020 9:10:00 AM

基于改進CapsNet的色素性皮膚病識別的研究[通信與網(wǎng)絡(luò)][醫(yī)療電子]

皮膚病是醫(yī)學(xué)上的常見的、多發(fā)性疾病，因此皮膚檢測技術(shù)越來越受關(guān)注。卷積神經(jīng)網(wǎng)絡(luò)是常見的皮膚檢測方法，其模型結(jié)構(gòu)會丟失很多信息。CapsNet(膠囊網(wǎng)絡(luò))是在卷積神經(jīng)網(wǎng)絡(luò)之后的一種新的神經(jīng)網(wǎng)絡(luò)。CapsNet的矢量化特征能夠較好地表達空間關(guān)聯(lián)性，每一個capsule(膠囊)獨立地服務(wù)各自的任務(wù)。分析了CapsNet的基本結(jié)構(gòu)和主要算法，改進了網(wǎng)絡(luò)模型從而避免過擬合現(xiàn)象發(fā)生，試圖基于改進CapsNet針對預(yù)處理之后的皮膚圖像進行識別，并與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的模型作對比。實驗結(jié)果表明，使用改進CapsNet對色素性皮膚病進行識別可以有較好的識別效果，并且準(zhǔn)確率比傳統(tǒng)方法高出8%～10%。

發(fā)表于：11/17/2020 8:59:00 AM

物聯(lián)網(wǎng)安全標(biāo)準(zhǔn)及防護模型研究概述[通信與網(wǎng)絡(luò)][物聯(lián)網(wǎng)]

伴隨物聯(lián)網(wǎng)技術(shù)與各垂直行業(yè)加速融合滲透，物聯(lián)網(wǎng)安全重要性日益凸顯。首先對物聯(lián)網(wǎng)安全挑戰(zhàn)的新特點進行了總結(jié)，分析了物聯(lián)網(wǎng)安全威脅，對國內(nèi)外物聯(lián)網(wǎng)安全政策法規(guī)、標(biāo)準(zhǔn)發(fā)展和安全模型進行了概述，最后對物聯(lián)網(wǎng)安全趨勢進行了總結(jié)和展望。

發(fā)表于：11/16/2020 10:44:00 AM

基于生成對抗網(wǎng)絡(luò)合成噪聲的語音增強方法研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

在語音增強領(lǐng)域，深度神經(jīng)網(wǎng)絡(luò)通過對大量含有不同噪聲的語音以監(jiān)督學(xué)習(xí)方式進行訓(xùn)練建模，從而提升網(wǎng)絡(luò)的語音增強能力。然而不同類型噪聲的獲取成本較大，噪聲類型難以全面采集，影響了模型的泛化能力。針對這個問題，提出一種基于生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks，GAN)的噪聲數(shù)據(jù)樣本增強方法，該方法對真實噪聲數(shù)據(jù)進行學(xué)習(xí)，根據(jù)數(shù)據(jù)特征合成虛擬噪聲，以此擴充訓(xùn)練集中噪聲數(shù)據(jù)的數(shù)量和類型。通過實驗驗證，所采用的噪聲合成方法能夠有效擴展訓(xùn)練集中噪聲來源，增強模型的泛化能力，有效提高語音信號去噪處理后的信噪比和可理解性。

發(fā)表于：11/16/2020 9:19:00 AM