检索结果-内蒙古大学图书馆

网络空间安全科学学报 2024年第1期2卷 50-62页

作者：王金伟姜晓丽谭贵峰罗向阳南京信息工程大学数字取证教育部工程研究中心南京210044 南京信息工程大学计算机学院、网络空间安全学院南京210044 南京信息工程大学软件学院南京210044 数学工程与先进计算国家重点实验室郑州450001 信息工程大学郑州450001

随着人工智能生成内容(Artificial Intelligence Generated Content,AIGC)带来的深度合成浪潮,数字水印技术作为图像取证领域中的一种主动防御手段,被广泛应用于识别生成内容和模型的版权保护。因此,生成图水印越来越受到研究者的关注... 详细信息

随着人工智能生成内容(Artificial Intelligence Generated Content,AIGC)带来的深度合成浪潮,数字水印技术作为图像取证领域中的一种主动防御手段,被广泛应用于识别生成内容和模型的版权保护。因此,生成图水印越来越受到研究者的关注。首先,介绍了生成图水印的研究背景,从模型版权保护和AIGC监管两个角度介绍生成图水印的研究动机。接着,基于生成模型和水印技术的发展引出了生成图水印问题,将水印根据是否参与生成过程分为两类,并对这两类生成图水印的现状进行了详细的梳理和介绍。随后,对现有的生成图水印方法进行评估,在传统水印需满足的鲁棒性、不可察觉性和容量基础上,进一步提出了针对生成图水印的新要求。最后,指出生成图水印中有待进一步解决的问题及发展趋势。

关键词：版权保护水印生成模型生成图人工智能生成内容

来源：评论

学校读者我要写书评

暂无评论

恶意软件检测和分类可视化技术综述

引用

网络与信息安全学报 2023年第5期9卷 1-20页

作者：王金伟陈正嘉谢雪罗向阳马宾南京信息工程大学数字取证教育部工程研究中心江苏南京210044 南京信息工程大学计算机学院江苏南京210044 数学工程与先进计算国家重点实验室河南郑州450001 中国科学技术大学网络空间安全学院安徽合肥230031 中国航天系统科学与工程研究院北京100048 信息工程大学河南郑州450001 齐鲁工业大学网络空间安全学院山东济南250353

随着科技的不断发展,恶意软件及其变种的种类不断增多,已经成为网络安全的一个巨大挑战。这些恶意软件采用了多样的技术手段,以欺骗或规避传统检测方法,从而使得传统非可视化检测技术不再适用。近年来,数据可视化作为一种强有力的恶意... 详细信息

随着科技的不断发展,恶意软件及其变种的种类不断增多,已经成为网络安全的一个巨大挑战。这些恶意软件采用了多样的技术手段,以欺骗或规避传统检测方法,从而使得传统非可视化检测技术不再适用。近年来,数据可视化作为一种强有力的恶意软件检测和分类手段引起了学术界的广泛关注。通过以图像的方式呈现恶意软件的核心特征,这类方法能够显著提高恶意软件的检测和分类准确率,从而在网络安全领域具有广阔的研究前景。综述恶意软件检测领域的传统非可视化检测技术与可视化检测技术。介绍了恶意软件检测的传统非可视化方式,包括静态检测、动态检测、混合检测;重点对一些常见的恶意软件可视化方法进行了调研和综合评述,主要包括可视化结合机器学习与可视化结合深度学习两大方向,这两种方法在恶意软件检测和分类中各有优势和特点,因此在选择检测和分类方法时,需要综合考虑多个因素,包括数据集大小、计算资源和时间限制、模型准确度以及实现复杂度等;对目前检测技术所面临的问题进行了总结,并对未来的发展方向进一步展望。

关键词：机器学习深度学习数据可视化恶意软件检测和分类

来源：评论

学校读者我要写书评

暂无评论

基于改进扩散模型的温度预报

引用

中国科技论文 2024年第2期19卷 215-223页

作者：方巍袁众薛琼莹南京信息工程大学计算机学院南京210044 数字取证教育部工程研究中心(南京信息工程大学) 南京210044 大气环境与装备技术协同创新中心(南京信息工程大学) 南京210044 江苏省计算机信息处理技术重点实验室(苏州大学) 江苏苏州215000

针对传统数值预报模式计算时间长和计算资源消耗大的问题,以及现有深度学习预报方法在温度预报结果上不精确,且预测结果模糊的问题,提出了一个新的温度预报模型。首先,设计了一个时空信息捕捉模块,将该模块捕获的长期依赖信息,作为扩散... 详细信息

针对传统数值预报模式计算时间长和计算资源消耗大的问题,以及现有深度学习预报方法在温度预报结果上不精确,且预测结果模糊的问题,提出了一个新的温度预报模型。首先,设计了一个时空信息捕捉模块,将该模块捕获的长期依赖信息,作为扩散模型的生成条件,赋予扩散模型预报的能力;其次,设计了一个新的平衡损失函数,同时保护了扩散模型的生成能力和时空信息捕捉模块对时空信息的捕捉能力;最后,基于美国国家环境预报中心的再分析数据进行预报,与现有的深度学习方法相比,所提模型预报结果的质量在均方误差(mean square error,MSE)上降低了17.3%,在均方根误差(root mean square error,RMSE)上降低了9.14%,在峰值信噪比(peak signal to noise ratio,PSNR)上提升了5.1%。改进的扩散模型能有效地捕捉时空依赖的关系,有效地进行时空序列预测,效果优于其他对比方法。

关键词：时空序列预测深度学习扩散模型时空捕捉模块平衡损失函数

来源：评论

学校读者我要写书评

暂无评论

ENSOMIM:一种新型ENSO时空预测模型

引用

中国科技论文 2024年第2期19卷 143-152,177页

作者：方巍沙雨张霄智南京信息工程大学计算机学院南京210044 数字取证教育部工程研究中心(南京信息工程大学) 南京210044 大气环境与装备技术协同创新中心(南京信息工程大学) 南京210044 江苏省计算机信息处理技术重点实验室(苏州大学) 江苏苏州215000

为了提高厄尔尼诺南方涛动(El Ni?o-southern oscillation,ENSO)预测的准确性,解决卷积核难以捕获ENSO的长距离前兆的问题,将ENSO预测视为一个时空序列预测问题,并提出一种基于注意力机制和循环神经网络的ENSO非稳态时空预测深度学习模... 详细信息

为了提高厄尔尼诺南方涛动(El Ni?o-southern oscillation,ENSO)预测的准确性,解决卷积核难以捕获ENSO的长距离前兆的问题,将ENSO预测视为一个时空序列预测问题,并提出一种基于注意力机制和循环神经网络的ENSO非稳态时空预测深度学习模型,称为ENSOMIM。该模型通过提出的新型注意力机制BGAM来局部和全局交互地学习空间特征,并使用高阶非线性时空网络对长期的时间序列特征进行编码。由于ENSO观测数据集样本数量少,为了更充分地训练模型,采用迁移学习的方法,使用历史模式模拟数据进行预训练再利用观测数据校正模型。实验结果表明,ENSOMIM更适合于大区域和长期的预测。在1984-2014年验证期间,ENSOMIM的Ni?o3.4指数的全季节相关性技巧比经典的卷积神经网络提高16%,均方误差降低17%,它可以为长达18个月的提前期提供有效预测,并且在23个月的提前期内相关技巧达到0.45。因此,ENSOMIM可以作为预测ENSO事件的有力工具。

关键词： ENSO 气候灾害时空序列预测深度学习神经网络

来源：评论

学校读者我要写书评

暂无评论

MEPM模型:基于深度学习的多变量厄尔尼诺-南方涛动预测模型

引用

地球科学与环境学报 2024年第3期46卷 285-297页

作者：方巍张霄智齐媚涵南京信息工程大学计算机学院江苏南京210044 南京信息工程大学数字取证教育部工程研究中心江苏南京210044 南京气象科技创新研究院中国气象局交通气象重点开放实验室江苏南京210041 中国气象局武汉暴雨研究所中国气象局流域强降水重点开放实验室/暴雨监测预警湖北省重点实验室湖北武汉430205 苏州大学江苏省计算机信息处理技术重点实验室江苏苏州215006

厄尔尼诺-南方涛动(ENSO)是发生在热带太平洋年际时间尺度的海-气相互作用的异常现象,并由Nino3.4指数表征其发生情况;除此之外,ENSO与众多极端气候事件密切相关。因此,有效的ENSO预测对于预防极端气候事件和深入研究全球气候变化具有... 详细信息

厄尔尼诺-南方涛动(ENSO)是发生在热带太平洋年际时间尺度的海-气相互作用的异常现象,并由Nino3.4指数表征其发生情况;除此之外,ENSO与众多极端气候事件密切相关。因此,有效的ENSO预测对于预防极端气候事件和深入研究全球气候变化具有重要意义。然而,目前基于深度学习的ENSO预测大多数是预测一个指数或者单一变量,对于模拟多气候要素下的ENSO预测研究较少。通过提出一种利用多气候变量的ENSO预测模型——MEPM模型,其中包括多变量信息提取模块(MIEM)和时空融合模块(STFM),捕获不同气候变量在时空上的相互依赖性,进而提高ENSO预测的准确性。选取了纬向风应力异常(τ_(x))、经向风应力异常(τ_(y))、海表温度异常(SSTA)和海表下150 m温度异常(SSTA150)4个变量的距平值进行ENSO预测。结果表明:MEPM模型在提前11个月的Nino3.4指数相关技巧上分别比北美多模型集合中的动力预报系统CanCM4、CCSM3和GFDL-aer04高10%、20%和14%。此外,MEPM模型在中期Nino3.4指数相关技巧上显著优于其他深度学习模型,并可提供长达17个月的有效预测。

关键词：气候变化厄尔尼诺-南方涛动多气候变量深度学习时空序列预测卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于DSTFN(Deep Spatio-Temprral Fusion Network)模型的热带气旋轨迹预测方法

引用

热带气象学报 2024年第6期40卷 882-895页

作者：方巍杜娟齐媚涵胡鹏昱南京信息工程大学计算机学院/数字取证教育部工程研究中心江苏南京210044 南京气象科技创新研究院中国气象局交通气象重点开放实验室江苏南京210041 南京信息工程大学江苏省大气环境与装备技术协同创新中心江苏南京210044 苏州大学江苏省计算机信息处理技术重点实验室江苏苏州215000 上海农林职业技术学院上海201699

在全球气候变化背景下,越来越多的地区面临着热带气旋的威胁。因此,准确预测热带气旋的轨迹变化对于气象预警和灾害管理至关重要。然而,传统的基于深度学习的热带气旋预测方法在建模热带气旋的时空相关性方面存在局限。为此,提出了一种... 详细信息

在全球气候变化背景下,越来越多的地区面临着热带气旋的威胁。因此,准确预测热带气旋的轨迹变化对于气象预警和灾害管理至关重要。然而,传统的基于深度学习的热带气旋预测方法在建模热带气旋的时空相关性方面存在局限。为此,提出了一种新的深度时空融合网络——DSTFN(Deep Spatio-Temporal Fusion Network)模型,以提高对热带气旋轨迹的预测精度和稳定性。构建了有效融合ConvNeXt(Convolutional Next)模型和门控循环单元的CaConvNeXt-GRU(Convolutional Block Attention Module Integrated with ConvNeXt and Gated Recurrent Unit)模型,以提取热带气旋三维时序数据中的复杂非线性时空特征。同时,引入了卷积块注意力模块,以自动聚焦不同等压面对热带气旋影响更大的特征。此外,设计了分阶段的训练策略,通过依次进行预训练、联合训练和整体训练实现了不同模块的有效融合。为了评估所设计的方法,在国际气候管理最佳路径档案和第五代大气再分析数据集上进行了大量实验。实验结果证明,在预测未来24 h的热带气旋轨迹时,相比于现有的基于深度学习的热带气旋轨迹预测模型,DSTFN模型的平均预测误差降低了约13.71 km。

关键词：热带气旋路径预测 DSTFN模型 CaConvNeXt-GRU模型时空序列预测

来源：评论

学校读者我要写书评

暂无评论

基于时空图卷积的强对流降水临近预报研究

引用

气象科学 2024年第3期44卷 487-497页

作者：方巍薛琼莹陶恩屹齐媚涵南京信息工程大学计算机学院/数字取证教育部工程研究中心南京210044 中国气象局交通气象重点开放实验室/南京气象科技创新研究院南京210041 南京信息工程大学江苏省大气环境与装备技术协同创新中心南京210044

降水临近预报对于强对流天气的预报具有重要的支撑作用。气象业务中主要采用雷达回波外推方法解决此问题。然而,现有方法通常缺乏从序列雷达数据中有效学习的能力,导致预测精度不佳。为了解决这一问题,本文提出了一种改进的时空图卷积模... 详细信息

降水临近预报对于强对流天气的预报具有重要的支撑作用。气象业务中主要采用雷达回波外推方法解决此问题。然而,现有方法通常缺乏从序列雷达数据中有效学习的能力,导致预测精度不佳。为了解决这一问题,本文提出了一种改进的时空图卷积模型ASTGCN(A Spatio-Temporal Graph Convolution Neural Network)用于强对流降水的临近预报。利用时空图卷积网络,有效地捕获相邻雷达帧之间的时间依赖性。此外,利用注意力机制和自动编码器来增强模型捕获时空相关性的能力。结果表明,该模型可以从数据中发现隐藏的图结构,从而捕获隐藏的空间关系。与现有模型(Transformer)相比,该模型的临界成功指数(CSI)提高了28%,表明其在强对流降水临近预报方面具有优越的性能。

关键词：强对流降水临近预报深度学习 ASTGCN模型注意力机制雷达回波外推

来源：评论

学校读者我要写书评

暂无评论

基于蚁群融合D*Lite的动态改航路径规划

引用

计算机系统应用 2023年第8期32卷 250-258页

作者：张文方巍南京信息工程大学计算机学院数字取证教育部工程研究中心南京210044 南京信大气象科学技术研究院有限公司南京210044 南京信息工程大学江苏省大气环境与装备技术协同创新中心南京210044 苏州大学江苏省计算机信息处理技术重点实验室苏州215006

危险天气下的改航与受限区划设和路径规划算法密切相关,本文针对改航环境构建中Graham扫描结果存在较大无效区域,提出分块后并行扫描.针对危险天气的突发性,为了适用于复杂环境,提出在增量式的D*Lite全局规划路径基础上智能分割、蚁群... 详细信息

危险天气下的改航与受限区划设和路径规划算法密切相关,本文针对改航环境构建中Graham扫描结果存在较大无效区域,提出分块后并行扫描.针对危险天气的突发性,为了适用于复杂环境,提出在增量式的D*Lite全局规划路径基础上智能分割、蚁群算法局部搜索的复合结构动态规划方法.通过改进信息素更新策略解决收敛速度慢、耗时长且易陷入局部最优的缺点.实验结果表明,分块并行Graham扫描划设的飞行受限区形状更接近实际,面积缩至原先的48.1%.改进蚁群融合D*Lite的复合结构动态路径规划算法D*Lite-ACO兼顾全局与局部,将重规划范围控制到当前位置与目标点间,在路径长度、规划时间和迭代范围上的评价指标分别提升1.2%、40.7%、66.7%.

关键词：危险天气飞行受限区路径规划 Graham 蚁群算法

来源：评论

学校读者我要写书评

暂无评论

5G技术在农业气象中的应用与发展探究

引用

农业技术与装备 2022年第10期 122-124页

作者：王玉祥庞茗文周子游龙溢霏罗晶晶南京信息工程大学计算机与软件学院江苏南京210000 数字取证教育部工程研究中心江苏南京210000 合浦县气象局广西壮族自治区北海536000 南京信息工程大学滨江学院物联网工程学院江苏无锡214000 南宁市气象局广西壮族自治区南宁530000

文章探究了5G技术在农业气象中的应用与发展,根据农业生产的需求分析,打造了与物联网、雾计算、大数据等技术相结合的智慧农业气象平台系统。该系统能实现农场数字化的管理、渔业养殖等监控及数据的分析、智慧畜牧服务等多项功能,促进... 详细信息

文章探究了5G技术在农业气象中的应用与发展,根据农业生产的需求分析,打造了与物联网、雾计算、大数据等技术相结合的智慧农业气象平台系统。该系统能实现农场数字化的管理、渔业养殖等监控及数据的分析、智慧畜牧服务等多项功能,促进了该领域的创新发展。

关键词： 5G技术农业气象系统设计

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的月平均2 m气温订正方法

引用

热带气象学报 2024年第6期40卷 906-917页

作者：方巍王冰轮南京信息工程大学计算机学院/数字取证教育部工程研究中心江苏南京210044 中国气象局流域强降水重点开放实验室/暴雨监测预警湖北省重点实验室/中国气象局武汉暴雨研究所湖北武汉430205 南京气象科技创新研究院/中国气象局交通气象重点开放实验室江苏南京210041 南京信息工程大学江苏省大气环境与装备技术协同创新中心江苏南京210044

作为减少短期气候预测误差的技术,数据订正成为了重要的研究方向。而深度学习作为一种新兴方法已经应用到数据订正技术中,其中常用的模型是U-Net,但它存在不可避免的缺陷。第一,U-Net基于卷积神经网络,但是受限于卷积神经网络的小感受野... 详细信息

作为减少短期气候预测误差的技术,数据订正成为了重要的研究方向。而深度学习作为一种新兴方法已经应用到数据订正技术中,其中常用的模型是U-Net,但它存在不可避免的缺陷。第一,U-Net基于卷积神经网络,但是受限于卷积神经网络的小感受野,这导致U-Net不能从全局的角度学习空间特征;第二,U-Net的下采样操作容易丢失图像细节信息。这两点都影响了该模型的订正性能。因此采取以下两个措施进行改进,一是将原模型与能够学习图片全局特征的Vision Transformer有机结合起来,使其能够从全局的角度学习空间特征;二是引入UNet 3+模型中的全尺度连接操作,弥补原下采样中丢失的图像细节信息。改进之后的模型称为UNet-Former 3+,在CMIP6中月平均2 m气温的春季和冬季数据集上进行订正实验,ERA5为实验标签。模型会与分位数映射、岭回归、U-Net、CU-Net、Dense-CUnet和RA-UNet这六种订正方法进行对比。实验结果表明,此模型在两个季节的平均绝对误差都下降49%,均方根误差都下降57%,两者都低于上述六种方法。总之,UNet-Former 3+在春季和冬季的订正效果优于上述六种方法。

关键词：短期气候预测数据订正 Vision Transformer 全尺度连接 UNet-Former 3+

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：