511.
网络流量预测技术作为网络管理的重要手段,对于优化网络资源分配、保障网络稳定性等具有重要意义.基于统计学的流量预测方法难以捕捉网络流量的非线性特征.深度学习方法虽有较好的时序预测能力,但仍需在预测精度与训练时间之间权衡.本文提出了一种基于线性分解模型(DLinear)的流量预测方法… … 相似文献
朱海婷;蒋亿鑫;何高峰;张璐;霍正群 《小型微型计算机系统》2026,(1):222-228
512.
针对现有基于深度学习加密流量分类方案存在泛化能力有限、时空特征提取不充分等问题.本文提出了基于注意力机制和时空特征的加密流量分类组合框架CSL-ETC.该框架将流量数据转换成灰度图像,再使用卷积神经网络提取流量的高阶空间特征,进而运用挤压和激励模块对高阶空间特征进行加权和重新分配… … 相似文献
刘亚;邸展;赵逢禹;曲博 《小型微型计算机系统》2026,(1):248-256
513.
近年来,图卷积网络在多视图聚类中表现突出,但其侧重节点间结构信息建模,而属性信息仅通过简单的线性变换进行更新,限制了模型对节点属性信息的学习能力.为此,本文提出了对比学习引导的双通道自适应融合网络多视图聚类方法.首先,结合自编码器与图自编码器构建双通道网络,分别编码节点属性和结构… … 相似文献
周丽娟;刘子源;许鑫航;张志鸿 《小型微型计算机系统》2026,(1):229-239
514.
参数化运行时验证扩展了运行时验证技术的能力,通过绑定多个参数精确定义和监控系统行为.然而,参数化特性导致运行时生成的监控实例数量激增,增加了内存开销和管理复杂性.针对这一问题,本文提出了一种基于AOP的运行时验证算法堆内存优化方法.通过引入触发条件集和活跃参数集,结合轻量级动态堆… … 相似文献
陈龙腾;陈哲 《小型微型计算机系统》2026,(1):165-172
515.
知识蒸馏是一种通过传递教师模型的学习表征能力来增强学生模型性能的技术。然而,随着无数据知识蒸馏技术的发展,这种技术也可能被用于不正当的模型复制或增强,导致模型知识产权受到侵害,模型安全面临挑战。为应对这一挑战,反蒸馏技术应运而生,旨在去除教师模型中的暗知识,防止潜在的盗窃者通过知… … 相似文献
张瑶;李阳;潘志松 《计算机科学与探索》2026,(1):143-153
516.
基于深度学习的无人机（UAV）单目标跟踪算法旨在从航拍视频序列中准确跟踪指定目标,已成为计算机视觉领域的研究热点。与传统地面视觉跟踪相比,无人机单目标跟踪面临着视角变化剧烈、目标尺度复杂多变、计算资源受限等独特挑战。基于网络架构特点,将基于深度学习的无人机单目标跟踪方法系统梳理为… … 相似文献
陈泷;石磊;黎智辉;丁锰;潘亦伦 《计算机科学与探索》2026,(1):40-65
517.
威胁建模是一种识别和应对威胁的结构化方法,STRIDE方法在实践中已经成为事实上的主流威胁识别技术。目前,对STRIDE威胁的分析和威胁识别规则的构建在很大程度上依赖于人类的专业知识,导致威胁识别规则不完整,威胁建模数据量不足,分析准确性和效率不足。随着每年新的互联网软件威胁的快… … 相似文献
付昌兰;张贺;管兴政;李凤龙 《计算机学报》2026,(1):132-162
518.
现有的鲁棒可逆水印(Robust Reversible Watermarking, RRW)方案在抗攻击鲁棒性和可逆嵌入阶段所需辅助信息量两方面仍面临着挑战。针对这一问题,本文提出了一种新的高效鲁棒可逆水印(Efficient Robust Reversible Watermar… … 相似文献
高光勇;袁澳奇;付章杰 《计算机学报》2026,(1):179-192
519.
针对腹部部分注释数据集的嗜铬细胞瘤图像分割缺乏不同器官间的特征学习,导致分割中难以准确区分肿瘤及周边器官边缘的问题,提出一种基于多尺度与空间频率特征的嗜铬细胞瘤图像分割网络（MF-Net）。首先,构建多尺度空间频率通道注意力模块（MSFCA）对图像频域信息和相邻编码器的多尺度特征… … 相似文献
麦超云;张洪燚;秦传波;曾军英;王栋 《计算机应用》2026,(1)
520.
针对解码运动想象脑电信号（MI-EEG）时大规模网络解码速度慢,以及特征信息未能充分利用等问题,提出一个多域特征融合的轻量化MI-EEG解码神经网络。该网络通过轻量化模块提取多域特征,包括利用SincNet提取频域特征以及利用时间卷积网络（TCN）提取时域特征;在时频域特征提取之… … 相似文献
曹柠;温昕;郝雁嵘;曹锐 《计算机应用》2026,(1)
关于我们 |
广告服务 |
商务洽谈 |
联系我们 |
免责条款 |
隐私声明 |
网站导航
网站版权所有：中国科学院软件研究所 京ICP备09084417号-9
地址：北京海淀区中关村南四大街4号 邮编：100190 电话：010-62562563 E-mail ： cj_mail@jscas.ac.cn
本系统由:北京勤云科技发展有限公司提供技术支持
网站版权所有：中国科学院软件研究所 京ICP备09084417号-9
地址：北京海淀区中关村南四大街4号 邮编：100190 电话：010-62562563 E-mail ： cj_mail@jscas.ac.cn
本系统由:北京勤云科技发展有限公司提供技术支持
