-
题名准对角递归神经网络及其算法的研究
被引量：6
- 1
-
-
作者
李鸿儒
王建辉
顾树生
-
机构
东北大学信息科学与工程学院
-
出处
《系统仿真学报》
CAS
CSCD
2004年第7期1542-1544,1547,共4页
-
基金
国家"十五"重点攻关计划项目资助(2001BA401A06-0.4)
-
文摘
提出一种准对角递归神经网络(QDRNN)结构及学习算法。此QDRNN结构上与对角递归神经网络(DRNN)相似,保留了DRNN结构简单的优点,以减小计算量,同时增加了相邻递归神经元之间的关联,可以直接应用BP学习算法进行训练。进一步,引入递推预报误差(RPE)学习算法,并且证明了其稳定性。仿真结果表明,QDRNN比DRNN具有更好的非线性逼近能力,而运算时间却增加甚微,DRNN的学习算法稍加变化即可应用。
-
关键词
准对角递归神经网络
结构
BP算法
递推预报误差
稳定性
-
Keywords
quasi-diagonal recurrent neural network
structure
BP algorithm
recursive prediction error
stability
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于QDRNN-ADRC的重力稳定平台控制研究
被引量：1
- 2
-
-
作者
刘强
徐晓苏
郭斌
-
机构
东南大学仪器科学与工程学院
浙江警察学院公安部大数据重点实验室
海军工程大学导航工程系
-
出处
《传感器与微系统》
CSCD
2017年第11期14-17,共4页
-
基金
国家自然科学基金资助项目(41574069
61473085)
+2 种基金
NSFC-浙江两化融合联合基金资助项目(U1509219)
公安部科技计划项目(2017PX13)
浙江省教育厅科研项目(Y201533572)
-
文摘
针对稳定平台系统存在系统模型不够精确或者参数变化,或者外部干扰未知等现象,以及采用自抗扰控制器存在参数众多且难以整理的问题,提出了一种基于准对角递归神经网络—自抗扰控制器(QDRNN—ADRC)的重力稳定平台控制算法。通过自抗扰控制器对系统的"总扰动"进行估计并补偿,同时引入神经网络的辨识功能对自抗扰控制器部分参数进行在线整定,基于自抗扰控制技术核心架构设计了QDRNN—ADRC。仿真结果表明:有效解决了重力稳定平台利用神经网络的辨识功能对自抗扰控制器部分参数进行在线整定外扰动的干扰以及参数自适应整定问题,相对于传统控制方法,其在稳定精度、快速性及抗干扰性方面均具有一定优势。
-
关键词
重力稳定平台
准对角递归神经网络
自抗扰控制器
-
Keywords
gravity stabilized platform
quasi-diagonal recurrent neural network （QDRNN）
active disturbance rejection controller（ADRC）
-
分类号
U666
[交通运输工程—船舶及航道工程]
-
-
题名雾计算环境下入侵检测模型研究
- 3
-
-
作者
李晋国
焦旭斌
-
机构
上海电力大学计算机科学与技术学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第5期43-52,共10页
-
基金
国家自然科学基金(61702321,U1936213)。
-
文摘
当网络在云数据中心发送和处理数据的延迟较大时,大多实时智能应用程序都难以达到预期效果。雾计算允许这些对延迟敏感的应用程序在边缘设备上运行,这些设备被称为雾节点,其在地理位置上更接近应用程序。然而,雾计算中的雾节点通常计算资源有限,容易受到海量高维异常流量攻击,为此,提出一种特征降维的改进准递归神经网络,并基于该网络构建轻量级入侵检测模型FR-IQRNN。将雾节点采集到的高维攻击样本编码为低维向量以减少冗余特征,利用FR-IQRNN的循环连接捕获低维向量的时间依赖关系,同时在时间步长和小批量维度中实现并行计算,在此基础上,引入注意力机制强化模型对关键特征的提取能力,从而实现雾节点的入侵检测。在公开数据集UNSW_NB15上,FR-IQRNN模型能取得99.51%的准确率、99.23%的精确率以及99.79%的召回率,优于RNN-IDS、AESVM等模型,并且仅需127.94 s便达到95%以上的训练精度。在NSL-KDD数据集上,FR-IQRNN模型获得99.39%的准确率和99.27%的召回率,且在鲁棒性方面表现突出。
-
关键词
雾计算
入侵检测
降维
准递归神经网络
并行运算
注意力机制
-
Keywords
fog computing
intrusion detection
dimensionality reduction
quasi-recurrent neural network
parallel computing
attention mechanism
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
