检索结果-内蒙古大学图书馆

基于加权信任列表路径搜索的交叉认证研究

引用

微电子学与计算机 2006年第10期23卷 165-169,172页

作者：杨绚渊陆建德刘艳苏州大学计算机学院江苏省计算机信息处理技术重点实验室江苏苏州215006

文章分析讨论了交叉认证技术中的信任模型、路径构造与路径验证,提出了一种针对域内为层次结构而域间为网状结构的混合模型下的交叉认证设计,它通过出示默认证书链,并使用加权信任列表,不仅能解决传统的交叉认证,还能实现通过自动构造... 详细信息

文章分析讨论了交叉认证技术中的信任模型、路径构造与路径验证,提出了一种针对域内为层次结构而域间为网状结构的混合模型下的交叉认证设计,它通过出示默认证书链,并使用加权信任列表,不仅能解决传统的交叉认证,还能实现通过自动构造路径的交叉认证。

关键词： PKI CA 交叉认证证书链加权信任列表

来源：评论

学校读者我要写书评

暂无评论

Internet安全防范技术的研究

引用

计算机工程与应用 2000年第10期36卷 153-154,176页

作者：陈志锋尹长青葛轶常玉慧江苏省计算机信息技术重点实验室苏州215006 常州技术师范学院常州213001

文章从网络安全技术的两个解决方法入手,分析了它们各自的特点.由此提出了一种结合了两者优点的新方案,并详细地讨论了实施方法,给当前网络安全防范的研究提供了一个新的思路.

关键词：网络安全防火墙 Internet 计算机网

来源：评论

学校读者我要写书评

暂无评论

一种加速时间差分算法收敛的方法

引用

自动化学报 2021年第7期47卷 1679-1688页

作者：何斌刘全张琳琳时圣苗陈红名闫岩苏州大学计算机科学与技术学院苏州215006 苏州大学江苏省计算机信息处理技术重点实验室苏州215006 吉林大学符号计算与知识工程教育部重点实验室长春130012 软件新技术与产业化协同创新中心南京210000

时间差分算法(Temporal difference methods,TD)是一类模型无关的强化学习算法.该算法拥有较低的方差和可以在线(On-line)学习的优点,得到了广泛的应用.但对于一种给定的TD算法,往往只能通过调整步长参数或其他超参数来加速收敛,这也就... 详细信息

时间差分算法(Temporal difference methods,TD)是一类模型无关的强化学习算法.该算法拥有较低的方差和可以在线(On-line)学习的优点,得到了广泛的应用.但对于一种给定的TD算法,往往只能通过调整步长参数或其他超参数来加速收敛,这也就造成了加速TD算法收敛的方法匮乏.针对此问题提出了一种利用蒙特卡洛算法(Monte Carlo methods,MC)来加速TD算法收敛的方法(Accelerate TD by MC,ATDMC).该方法不仅可以适用于绝大部分的TD算法,而且不需要改变在线学习的方式.为了证明方法的有效性,分别在同策略(On-policy)评估、异策略(Off-policy)评估和控制(Control)三个方面进行了实验.实验结果表明ATDMC方法可以有效地加速各类TD算法.

关键词：强化学习时间差分算法蒙特卡罗算法加速收敛

来源：评论

学校读者我要写书评

暂无评论

一个网格服务工作流的动态调度算法

引用

计算机应用研究 2008年第11期25卷 3285-3287,3295页

作者：李超朱巧明李培峰马峰明苏州大学计算机学院江苏苏州215006 江苏省计算机信息处理技术重点实验室江苏苏州215006

针对服务网格环境中资源的动态性,提出了一种并行调度算法PGSWA(parallel grid service workflowscheduling),该算法引入了性能预测模型和并行就绪队列来预测下一段时间资源的性能并使得成员服务能够并行执行。实验证明,该算法能较好地... 详细信息

针对服务网格环境中资源的动态性,提出了一种并行调度算法PGSWA(parallel grid service workflowscheduling),该算法引入了性能预测模型和并行就绪队列来预测下一段时间资源的性能并使得成员服务能够并行执行。实验证明,该算法能较好地缩短工作流的执行时间,提高工作流的执行性能。

关键词：网格服务工作流动态调度性能预测模型并行队列

来源：评论

学校读者我要写书评

暂无评论

采用分类经验回放的深度确定性策略梯度方法

引用

自动化学报 2022年第7期48卷 1816-1823页

作者：时圣苗刘全苏州大学计算机科学与技术学院苏州215006 苏州大学江苏省计算机信息处理技术重点实验室苏州215006 吉林大学符号计算与知识工程教育部重点实验室长春130012 软件新技术与产业化协同创新中心南京210000

深度确定性策略梯度(Deep deterministic policy gradient,DDPG)方法在连续控制任务中取得了良好的性能表现.为进一步提高深度确定性策略梯度方法中经验回放机制的效率,提出分类经验回放方法,并采用两种方式对经验样本分类:基于时序差... 详细信息

深度确定性策略梯度(Deep deterministic policy gradient,DDPG)方法在连续控制任务中取得了良好的性能表现.为进一步提高深度确定性策略梯度方法中经验回放机制的效率,提出分类经验回放方法,并采用两种方式对经验样本分类:基于时序差分误差样本分类的深度确定性策略梯度方法(DDPG with temporal difference-error classification,TDCDDPG)和基于立即奖赏样本分类的深度确定性策略梯度方法(DDPG with reward classification,RC-DDPG).在TDCDDPG和RC-DDPG方法中,分别使用两个经验缓冲池,对产生的经验样本按照重要性程度分类存储,网络模型训练时通过选取较多重要性程度高的样本加快模型学习.在连续控制任务中对分类经验回放方法进行测试,实验结果表明,与随机选取经验样本的深度确定性策略梯度方法相比,TDC-DDPG和RC-DDPG方法具有更好的性能.

关键词：连续控制任务深度确定性策略梯度经验回放分类经验回放

来源：评论

学校读者我要写书评

暂无评论

面向国防科技领域的技术和术语识别方法研究

引用

计算机科学 2019年第12期46卷 231-236页

作者：冯鸾鸾李军辉李培峰朱巧明苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息技术处理重点实验室江苏苏州215006

随着自然语言处理技术的发展,人们越来越重视构建面向国防科技领域的知识图谱。而面向国防科技领域的技术和术语识别是构建该领域技术知识图谱的基础。文中基于该领域的语料库,在技术和术语识别的任务上,探索了子词单元在传统序列标注Bi... 详细信息

随着自然语言处理技术的发展,人们越来越重视构建面向国防科技领域的知识图谱。而面向国防科技领域的技术和术语识别是构建该领域技术知识图谱的基础。文中基于该领域的语料库,在技术和术语识别的任务上,探索了子词单元在传统序列标注Bi-LSTM+CRF模型上的应用。此外,针对任务的特点,提出了适用于技术和术语识别的语言学特征。基于该领域的语料库,实验结果表明技术和术语识别的F1值达到了71.80%,较基准系统提升了3.04%,能够较好地识别出面向国防科技领域的技术和术语。同时,所提方法也优于基于BERT模型的技术术语识别方法。

关键词：面向国防科技领域技术和术语子词 Bi-LSTM+CRF模型语言学特征

来源：评论

学校读者我要写书评

暂无评论

带最大熵修正的行动者评论家算法

引用

计算机学报 2020年第10期43卷 1897-1908页

作者：姜玉斌刘全胡智慧苏州大学计算机科学与技术学院江苏苏州215006 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 吉林大学符号计算与知识工程教育部重点实验室长春130012 软件新技术与产业化协同创新中心南京210000

在行动者评论家算法中,策略梯度通常使用最大熵正则项来提高行动策略的随机性以保证探索.策略的随机使Agent能够遍历所有动作,但是会造成值函数的低估并影响算法的收敛速度与稳定性.针对策略梯度中最大熵正则项带来的低估问题,提出最大... 详细信息

在行动者评论家算法中,策略梯度通常使用最大熵正则项来提高行动策略的随机性以保证探索.策略的随机使Agent能够遍历所有动作,但是会造成值函数的低估并影响算法的收敛速度与稳定性.针对策略梯度中最大熵正则项带来的低估问题,提出最大熵修正(Maximum-Entropy Correction,MEC)算法.该算法有两个特点:(1)利用状态值函数与策略函数构造一种状态动作值函数的估计,构造的状态动作值函数符合真实值函数的分布;(2)将贝尔曼最优方程与构造的状态动作值函数结合作为MEC算法的目标函数.通过使用新的目标函数,MEC算法可以解决使用最大熵正则项带来的性能下降与不稳定.为了验证算法的有效性,将该算法与近似策略优化算法以及优势行动者评论家算法在Atari 2600游戏平台进行比较实验.实验结果表明,MEC在改进性能的同时提高了算法的稳定性.

关键词：强化学习深度学习行动者评论家算法最大熵策略梯度

来源：评论

学校读者我要写书评

暂无评论

基于数据增强的中文隐式篇章关系识别方法

引用

计算机科学 2021年第10期48卷 85-90页

作者：王体爽李培峰朱巧明苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息技术处理重点实验室江苏苏州215006

由于缺乏显式连接词,隐式篇章关系识别是一个具有挑战性的任务。文中提出了一种结合主动学习和多任务学习来间接扩充隐式篇章关系训练数据的隐式篇章关系识别方法,旨在在增强训练数据的同时尽量少地引入伪隐式篇章关系数据中的噪声。首... 详细信息

由于缺乏显式连接词,隐式篇章关系识别是一个具有挑战性的任务。文中提出了一种结合主动学习和多任务学习来间接扩充隐式篇章关系训练数据的隐式篇章关系识别方法,旨在在增强训练数据的同时尽量少地引入伪隐式篇章关系数据中的噪声。首先,基于BERT模型通过主动学习方法的分类不确定性来选择部分显式篇章关系样本;然后,移除显式篇章关系数据中的显式连接词作为伪隐式篇章关系数据;最后,采用多任务学习方法使伪隐式篇章关系数据有助于隐式篇章关系识别。在中文篇章树库(CDTB)上进行的实验的结果显示,相比基准模型,所提方法在宏平均F1、微平均F1值上均得到了提高。

关键词：篇章分析隐式篇章关系识别主动学习多任务学习

来源：评论

学校读者我要写书评

暂无评论

一种带探索噪音的深度循环Q网络

引用

计算机学报 2019年第7期42卷 1588-1604页

作者：刘全闫岩朱斐吴文张琳琳苏州大学计算机科学与技术学院江苏苏州215006 软件新技术与产业化协同创新中心南京210000 吉林大学符号计算与知识工程教育部重点实验室长春130012 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

结合深度神经网络和强化学习方法的深度Q网络在Atari 2600游戏平台上取得了巨大成功.相较于深度Q网络,深度循环Q网络具有记忆历史信息的能力,在部分游戏上显示出了更好的性能.然而在某些复杂的游戏环境中,一方面深度循环Q网络需要大量... 详细信息

结合深度神经网络和强化学习方法的深度Q网络在Atari 2600游戏平台上取得了巨大成功.相较于深度Q网络,深度循环Q网络具有记忆历史信息的能力,在部分游戏上显示出了更好的性能.然而在某些复杂的游戏环境中,一方面深度循环Q网络需要大量的训练时间,另一方面其在动作空间抖动的策略中不能做出合理决策.针对这些问题,本文提出一种带探索噪音的深度循环Q网络(Deep Recurrent Q-Networks with Exploratory Noise, EN-DRQN)模型.与在动作空间的探索方式不同,EN-DRQN在网络空间注入噪音,引起网络输出变化,然后根据该变化选择动作.这种在网络空间的探索可以在未来多个时间步内造成复杂的改变,并通过循环神经网络记忆多步变化,使智能体(Agent)做出的决策更具有战略性.EN-DRQN具有以下特点:一是利用带探索性的噪音进行深度探索以弥补传统策略探索的低效性.噪音来自于噪音分布,通过方差驱动探索,这使得Agent可以发现大量新状态,提供更加丰富的样本,为决策提供有效信息;二是使用改进的双层门限循环单元来记忆较长时间步的历史信息,使Agent能够在延迟奖赏的情况下做出合理的决策.实验结果表明,EN-DRQN模型在Atari 2600游戏平台上的部分战略性游戏以及具有延迟奖赏的游戏上,与动作空间的抖动策略相比,取得了更优的表现。

关键词：深度学习强化学习循环神经网络卷积神经网络噪音探索

来源：评论

学校读者我要写书评

暂无评论

认知Mesh网络的动态分层图路由模型及路由策略

引用

电子与信息学报 2009年第8期31卷 1975-1979页

作者：李洋董育宁赵海涛南京邮电大学通信与信息工程学院南京210003 苏州大学江苏省计算机信息处理技术重点实验室苏州215006

该文提出了在认知无线电Mesh网络环境下的动态分层图路由模型,该模型将节点感知范围内的信道可用性用两状态离散时间马尔可夫链建模,建立认知无线电Mesh网络拓扑和连通性的动态模型。基于该模型提出了一种跨层设计的动态接口分配方案。... 详细信息

该文提出了在认知无线电Mesh网络环境下的动态分层图路由模型,该模型将节点感知范围内的信道可用性用两状态离散时间马尔可夫链建模,建立认知无线电Mesh网络拓扑和连通性的动态模型。基于该模型提出了一种跨层设计的动态接口分配方案。仿真结果表明,动态分层图模型在适应接入频谱的动态变化和描述认知无线电Mesh网络的拓扑结构方面,表现出比静态分层图模型更加优异的性能。

关键词：认知无线电路由模型动态分层图接口分配

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：