关键词： 高校教职工   高校思想政治教育   高尚思想品质   精英教育   我国高等教育   大众教育   人民日报   以人文本  

摘要： 书名:《高校思想政治教育服务学习研究》作者:王杨出版社:人民日报出版社ISBN:978-7-5115-5328-7出版时间:2018年3月定价:68元在新时代背景下,我国高等教育已由精英教育向大众教育转变,越来越复杂和多元的思想文化在影响着当代大学生的成长。因此,加强和改进我国高校的思想政治教育服务学习研究工作,在以人文本的核心思想的引导下加强高校教职工的思想政治教育,对于培养一批具有高尚思想品质和良好道德修养的中国特色社会主义高素质人才具有重要现实意义。

关键词： 数据描述   多语义   高斯分布   确定性   云模型  

摘要： 考虑到关系的多语义性以及不同实体和关系之间的确定性,提出一种面向多语义关系的知识图谱表示方法TransC。将关系划分为多条语义,构建关系的高斯混合模型;构建对应的云模型,获取最能表达该关系的语言值和确定性;将确定性作为权重,以加权欧式距离作为新的评分函数;使用多个真实的基准数据集对链接预测和三元组分类进行广泛的实验。实验结果表明,相较于现有的模型和方法,TransC在各项指标上都显示出其优越性。

关键词： 贝叶斯网络   结构学习   部分互信息   差分进化算法  

摘要： 针对目前主流的利用启发式搜索算法进行贝叶斯网络结构学习时,初始种群难以确定且容易陷入局部最优的问题,提出了基于部分互信息和改进差分进化算法相结合的混合算法。算法首先利用节点之间的部分互信息为依据构建初始种群,再将动态因子引入差分进化算法平衡了算法的全局寻优和局部搜索能力,最后对贝叶斯网络结构进行寻优。在两个标准网络Asia和Car网络中进行仿真,并与遗传算法和爬山算法进行对比,仿真结果表明算法在冗余边、缺失边、反向边以及算法的学习性能方面均有不同程度的提升,算法能够得到较好的贝叶斯网络结构,并有更高的数据拟合度。

关键词： 机器学习   神经网络   支持向量机   随机森林   矿产勘查  

摘要： 机器学习是目前热门的研究课题,机器学习算法在地学研究中的应用越来越多。其中以神经网络、支持向量机、随机森林等为代表的算法已大量使用在矿产勘查中,这些方法的使用大大提高了矿产勘查数据的处理效率,为矿产勘查数据的处理提供了新的途径和思路。但这些方法的使用中也经常容易出现一些问题,必须熟悉每种方法的原理和特点,才能更好的应用。本文简要介绍了机器学习在矿产勘查中的应用,就几种常用的算法进行了深入介绍;提出了应用机器学习方法处理矿产勘查数据时应该注意避免的几个主要问题。

关键词： 智能机器人   人工智能技术   深度学习   智能化   发展趋势   高新科技领域  

摘要： 随着我国人工智能技术水平的提高,人们开始重视高新科技领域的创新发展。智能机器人作为新时代下各行研究人员关注的焦点,在持续探索与优化的过程中,不仅为智能化领域发展提供了全新方向,而且加快了我国未来工业革新发展步伐。本文在了解当前只能机器人的内容和发展情况的基础上,根据深度学习方法对其应用方向进行分析,并明确了未来的领域发展趋势。

关键词： 机器学习   合成生物学   生物元件设计   生物网络设计  

摘要： 机器学习的目标是设计可以根据先验知识和观测数据不断改进其性能的算法.该算法可以帮助机器从大量的数据中提取知识,从而提升其在特定任务上的性能.作为数据驱动的方法,机器学习可以有效利用高通量实验技术产生的大批量生物数据,实现合成生物体的功能预测与智能化设计,改变合成生物学的研究范式.本文首先介绍机器学习在合成生物学领域广泛应用的几个模型及方法,如支持向量机、神经网络、生成式对抗网络、深度强化学习等.然后介绍机器学习方法在合成生物学领域的典型应用,如启动子预测、酶催化设计、代谢途径构建、基因线路设计等.本文综述面向合成生物学的机器学习方法及应用,并试图启发读者如何选择和设计机器学习方法用于合成生物学的研究.

关键词： 神经机器翻译   无监督学习   翻译模型   元学习方法  

摘要： 神经机器翻译模型主要是在监督环境下学习模型参数,即编码器将源语言编码为连续的向量表示,解码器从这组连续向量表示中解码出目标语言。对于稀缺资源的语言来说,监督学习方法表现得并不理想。虽然迁移学习方法能够缓解上述问题,但是模型泛化能力较弱,得不到期望的译文。本文受迁移学习启发,提出一种无监督的元学习策略来构建翻译模型,将利用回译方法扩充得到的多语言语料用于元训练,同时采用通用词汇表示方法将多语言词向量映射到共享的向量空间中,实现多语言知识的共享和词向量之间的映射,进而提高翻译质量。此外,本文还设计了一种针对阿尔泰语言的语法约束规则,使得模型在元测试阶段能够快速准确地适应新任务、提升翻译质量。本文在CCMT2019的蒙古语-汉语、维吾尔语-汉语和哈萨克语-汉语等翻译任务中均展现出了显著的效果。

关键词： 电磁泄漏   旁路攻击   机器学习   深度学习   迁移学习  

摘要： 电磁泄漏信号是电子系统正常运行期间,由内部电流的变化所产生的电磁辐射信号。在正常情况下,电阻、电源、计算芯片等电子元件都会产生电磁辐射并引起电磁泄漏。本文针对嵌入式设备产生的电磁泄漏信号进行分类识别,对于嵌入式设备的安全性评估有重要意义。本文主要有如下四个创新点:第一,搭建了基于单片机存储、SIMECK32/64进行加密过程的电磁泄漏信号自动采集平台和基于Jetson Nano的神经网络电磁泄漏信号的自动采集平台。并设计了对应的硬件组件和软件,使采集过程和数据筛选过程更加高效。第二,为了解决直接训练卷积神经网络梯度不下降的问题,结合汉明重模型理论,提出了一种新的卷积神经网络结构——简单任务网络(Easy Task Network),并在此网络结构的基础上,利用采集的单片机存储过程中的电磁泄漏,在存储任务数据集上进行验证并达到了96.80%的准确率。第三,在不知道任何明文、密文及泄漏中间值信息的情况下使用全随机密钥,并用SIMECK32/64算法进行加密,进行电磁泄漏攻击。使用设计的神经网络结构并利用基于标签的迁移学习,达到了 96%的平均准确率。并且通过不同任务的电磁泄漏信号的数据集进行迁移学习,目标数据集提高了 6%的分类识别准确率,证明了不同任务的电磁泄漏信号之间的可迁移性。第四,针对Jetson设备神经网络结构进行基于电磁泄漏的旁路攻击。进行了两个维度的安全评估,一种是对同一框架TensorRT下7种不同的神经网络的泄漏信号进行分类;另一种是对TensorRT、Tensorflow、Pytorch三种框架下同一神经网络的电磁泄漏进行分类。本任务中通过不同策略设计并测试了如何将二维卷积神经网络转换为一维卷积神经网络的结构,通过实验验证了其可行性,证明了良好的网络转换策略能够提升5%～12%的分类识别准确率。

关键词： 深度学习   多任务学习   恶意流量识别   数据预处理   流量分类  

摘要： 近年来,随着网络技术的迅速发展,网络上传播的恶意流量也呈现高速增长态势,这些恶意流量严重威胁着网络安全。因此,对恶意流量识别展开深入研究对于网络安全领域至关重要。和机器学习相比,深度学习在计算量和计算深度上都有质的飞跃,并在许多领域已经远超经典机器学习方法,包括语音、自然语言、视觉等。单任务深度学习模型已被广泛用于解决流量分类问题,但是,如果一个任务的数据量有限或者高维,那么模型可能难以区分相关与不相关的特征,从而导致模型性能不佳。为了解决这一问题,我们将恶意流量分类重新构建为一个多任务学习框架,在该框架中可以预测流量持续时间、带宽占用率和恶意流量类别。多任务深度学习模型将流量持续时间和带宽占用率预测作为辅助任务,恶意流量分类作为主任务,在模型训练时,能将在辅助任务中学习到的信息,用于主任务中,利用任务之间的相关性互相促进各个任务的学习效果。本论文设置的两个辅助任务在许多应用中具有较高实用价值,包括路由、资源分配和Qo S管理。本文提出了一种数据预处理方案,提取了19个网络流量特征,构建了基于多任务的恶意流量识别深度学习框架。并基于新不伦瑞克大学加拿大网络安全研究院的CIC-DDo S2019以及CIC-IDS2017数据集进行实验验证,结果表明,相较于单任务深度学习模型解决恶意流量识别问题,本文提出的多任务深度学习模型在识别性能上有较大的提升。最后,本文基于已经训练好的多任务深度学习模型,设计并实现了一套恶意流量监控系统。本文的贡献如下:(1)提出了一种基于双向流的恶意流量特征提取算法;(2)设计了一种基于恶意流量分类的多任务学习框架,并基于新不伦瑞克大学加拿大网络安全研究院的CIC-DDo S2019和CIC-IDS2017数据集构建了多任务深度学习模型,与单任务深度学习模型进行对照实验,实验结论验证本文提出的基于恶意流量分类的多任务学习框架能够提高恶意流量识别性能;(3)构建了一种恶意流量监控系统框架,并实现了基于多任务深度学习的恶意流量监控系统。

关键词： 示教学习   相似度度量   泛化性能   动态运动基元  

摘要： 机器人示教学习是机器人操作技能学习的一种方式。未来,机器人将成为人类社会生活不可缺少的一部分,机器人也将会被要求完成难度更高的任务,使用传统的示教编程方法将会极大地增加机器人工程师工作负担。为了提高机器人在复杂任务场景下的适应能力,减少机器人工程师的手动编程的工作量,需要机器人具有自我学习能力,能够从任务示教的过程中学习任务技能与动作技巧,并将其推广到新的任务场景。本文主要针对机器人示教学习领域中基于轨迹层次与语义层次的机器人示教学习方法展开了研究。首先,介绍了动态运动基元方法以及两种动态运动基元泛化方法,针对已有几种基于轨迹层次的机器人示教学习方法泛化性能较差以及计算效率不高等方面的缺点,提出了一种基于任务参数加权的动态运动基元泛化方法,能够使机器人同时对工作空间内的多条示教运动的特征进行学习,并能够将学习到的特征在新的任务场景进行泛化。其次,针对已有基于语义层次的机器人示教学习方法对于空间中具有仿射变换关系运动轨迹的相似度度量不具有不变性的缺点,在GMCC方法的基础上提出了一种具有仿射不变性的运动轨迹相似度度量算法,能够对包括平移变换在内的仿射变换都具有不变性。最后,搭建了机器人示教学习的实验平台,分别对提出的两种机器人示教学习方法进行了实验验证,并对实验结果进行了分析。对于提出的基于任务参数加权的动态运动基元方法,使用动觉示教的示教方式获取了示教运动轨迹数据,分别使用本文提出的方法与另外两种基于动态运动基元的泛化方法处理数据,建立了示教模型,主要分析了三种方法的泛化性能与计算效率,通过对比分析实验结果可知,提出的方法在示教任务参数附近的泛化性能要优于另外两种方法,计算效率大幅提升。对于提出的一种具有仿射不变性的运动轨迹相似度度量算法,首先使用本提出的方法对一条平移变换前后的运动轨迹进行相似度度量,证明了该方法的平移不变性;然后从数学理论层次对该方法的取值范围进行了证明,有利于衡量两条运动轨迹之间的相似度;最后使用运动捕捉系统采集了多条示教运动轨迹,分别将该方法与GMCC方法同KNN算法结合用于动作分类,对实验结果分析分析可知,相比于GMCC方法,该方法的动作分类正确率明显提升。