论文部分内容阅读
基于深度学习的网络安全态势感知研究
【出 处】
：
西安电子科技大学
【发表日期】
：
2021年01期
其他文献
阵列雷达波形设计和接收波束形成是实现目标有效探测的关键技术。MIMO雷达由于其发射分集技术,与传统相控阵雷达相比,具有系统自由度高、抗截获能力强以及多普勒分辨率好等特性,但也具有正交波形难以实现等诸多局限性。近年来将时间步进量引入传统的阵列构型之中的新型发射分集MIMO雷达受到研究人员的广泛关注。本文针对时间分集阵子阵划分技术展开进一步研究,提出了基于不同布阵的子阵划分方法以及基于扩展Barker
安全芯片作为信息系统的组成部分之一,广泛应用于金融、军事、银行等领域,与我们的生活息息相关,确保数据在传输过程中的安全至关重要。而且随着计算机技术的快速发展,中央处理器CPU与主存储器之间的速度“存储墙”问题愈加严重,严重影响了微处理器的性能,高速缓存Cache技术是为了解决这一速度匹配失衡问题而采用的一项关键技术。在安全SOC芯片中,CPU对主存的访问一方面需要Cache确保高效率数据读取,另一
近年来,随着人工智能的飞速发展,其广泛应用于工业等各个领域,但是由于人工智能的很多技术尚未成熟,在很多方面仍然有许多改进的空间。卷积神经网络作为人工智能的核心部分,其起源于20世纪60年代,当时科学家们正在研究猫的大脑皮层,在研究过程中发现卷积权重的共享和连接节点的减少,能够大大减少了神经反馈网络的复杂性。然而,由于硬件的局限性和有效的优化算法的缺乏,这项技术并没有得到较好的开发。随着神经网络的广
车牌识别已广泛应用于自动收费、违法抓拍、监测报警等场景中,但其算法实现千差万别,且其性能也严重依赖学习及测试数据集。受采集时间、天气、图像传感器安装位置,遮挡,污损等因素影响及限制,所采集的真实场景图像数据在数量上非常有限,质量上极不均衡,成像空间也很不完备,再加上用户个人隐私等原因,无法形成统一公开完备学习及测试数据集,从而导致车牌识别算法性能评测缺乏说服力,难以防御对抗样本的攻击,继而严重阻碍
遥感图像目标检测作为一个基础且具有挑战性的视觉任务,不仅在军事领域应用广泛,如准确获取战场信息并对敌方进行精准打击。它还在民用领域具有广泛的应用,例如环境管理、区域规划和矿产资源勘探等。现有的遥感图像目标检测方法大都基于anchor boxes,这类方法会因为过多的anchor boxes引入大量的超参数,增加了内存占用以及冗余的计算量,甚至会导致严重的正负样本不平衡等问题。另外,遥感图像又具有背
战争自古以来都是人类活动中最为激烈的表现形式,一直被各民族视作重中之重。近年来,各国攻防演练技术层出不穷,战场环境更难捉摸,机群联合作战已成为现代局部战争的重要模式,以预警机系统为核心的多机种协同联合打击是当前空中攻防战的重要战法。为了在复杂作战环境下协同作战,机群打击链应运而生,并作为规划时的原则。但用好打击链,围绕任务进行指挥规划是核心关键,也是一个困难问题。本文研究了机群打击链规划的现实需求
这些年来,在自然语言处理方面,深度学习技术发挥着重大作用,并在此领域的研究和应用方面成果显著,基于深度学习的框架在一些方面已经超过了人类。微博由于其简单易用,传播迅速等特点,已成为大众发表言论、表达情感的重要平台,产生了大量带有情感的文本数据,对这些有情感信息的文本数据进行情感倾向分析,挖掘出其中含有的情感倾向,极具研究意义。因此本文使用深度学习技术对微博中的文本数据进行情感分析,在此基础上设计并