期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于阈值的动态交互在公共物品博弈中的合作演化
1
作者 许向阳 刘亚捷 马金龙 《河北科技大学学报》 北大核心 2025年第1期49-59,共11页
为了分析带有惩罚机制的公共物品博弈模型下交互规模对合作水平和种群收益的影响,通过蒙特卡洛仿真,结合现实复杂的交互环境特征,提出了一种基于合作阈值的动态交互域模型。首先,根据博弈圈内合作者数目不同的特点设计了基于合作阈值的... 为了分析带有惩罚机制的公共物品博弈模型下交互规模对合作水平和种群收益的影响,通过蒙特卡洛仿真,结合现实复杂的交互环境特征,提出了一种基于合作阈值的动态交互域模型。首先,根据博弈圈内合作者数目不同的特点设计了基于合作阈值的动态交互规则;其次,对加入交互域更新规则后公共物品博弈模型中的合作水平、种群收益、交互域范围等进行了仿真实验,观测其演化过程;最后,通过对比不同参数值下新旧模型对种群合作演化的影响,讨论了该机制作用的原理和效果。通过大量的仿真实验,验证了较高的合作阈值和增加交互域的变化强度都能更有效地促进合作并提高种群的平均收益。该模型能有效提高合作水平和群体收益,从而为研究动态交互环境下的公共物品博弈提供一种新的视角。 展开更多
关键词 系统建模 公共物品博弈 合作阈值 交互域 收益 合作
在线阅读 下载PDF
基于编辑序列的跨语言重构检测方法
2
作者 李涛 张冬雯 +1 位作者 张杨 郑琨 《河北科技大学学报》 CAS 北大核心 2024年第6期627-635,共9页
针对基于深度学习的重构检测方法中开发人员没有一致性地记录重构操作,导致提交的信息不可靠以及语言单一性问题,提出了一种新的跨语言重构检测方法RefCode。首先,采用重构收集工具从不同编程语言中收集提交信息、代码变更信息和重构类... 针对基于深度学习的重构检测方法中开发人员没有一致性地记录重构操作,导致提交的信息不可靠以及语言单一性问题,提出了一种新的跨语言重构检测方法RefCode。首先,采用重构收集工具从不同编程语言中收集提交信息、代码变更信息和重构类型,通过代码变更信息生成编辑序列,将所有数据组合为数据集;其次,将CodeBERT预训练模型与BiLSTM-attention模型相结合,在数据集上进行训练和测试;最后,从6个方面对模型进行评估,以验证方法的有效性。结果表明,RefCode相较于只采用提交信息作为LSTM模型输入的重构检测方法,在精确度和召回率方面均实现了约50个百分点的显著提升。研究结果实现了跨语言重构检测,并有效弥补了提交信息不可靠的缺陷,可为其他编程语言和重构类型的检测提供参考。 展开更多
关键词 软件工程 重构检测 深度学习 跨语言 代码变更 编辑序列
在线阅读 下载PDF
R-YOLO轨道人员目标检测模型 被引量:3
3
作者 张永强 李胜男 +3 位作者 张子强 刘健章 张坤 苗磊 《河北科技大学学报》 CAS 北大核心 2023年第6期580-588,共9页
针对现有铁路人员入侵识别准确率不高、实时性较差的问题,在YOLOv4模型的基础上提出一种R-YOLO轨道人员目标检测模型。首先,用轻量级骨干网络ResNet50代替原有的CSPDarknet53网络,利用深度可分离卷积替代PANet中的标准卷积,减少网络层... 针对现有铁路人员入侵识别准确率不高、实时性较差的问题,在YOLOv4模型的基础上提出一种R-YOLO轨道人员目标检测模型。首先,用轻量级骨干网络ResNet50代替原有的CSPDarknet53网络,利用深度可分离卷积替代PANet中的标准卷积,减少网络层数以及模型体积,加快模型的识别速度。其次,在加强特征提取网络的3个特征层分别加入有效通道注意力模块,采用K-means++聚类算法重新对数据集进行聚类和分析,提高目标检测模型的精度;在模型训练方面,采用迁移学习和混合数据集联合训练,解决人员识别精度不理想以及误检漏检等问题。最后,利用R-YOLO轨道人员目标检测模型对真实铁路人员入侵数据集进行测试。结果表明,R-YOLO模型在真实铁路人员入侵数据集上的平均识别精度达到了92.12%,较传统YOLOv4算法高出1.89%,帧速率由38.74 f·s^(-1)提升到47.73 f·s^(-1)。R-YOLO模型部分解决了铁路入侵人员误检漏检问题,提高了铁路人员入侵识别的实时性和准确率,为铁路安全运行提供了保障。 展开更多
关键词 计算机图像处理 轨道检测 人员识别 R-YOLO 卷积神经网络 轻量化
在线阅读 下载PDF
基于多级度量差值的神经网络后门检测方法 被引量:1
4
作者 刘亦纯 张光华 宿景芳 《信息安全研究》 CSCD 2023年第6期587-592,共6页
深度神经网络在各类任务中都展现出良好的性能,但由于深度学习模型缺乏透明性和不可解释性,在推理阶段触发恶意攻击者设定的后门时模型出现异常行为而导致性能下降.针对上述问题,提出了一种基于多级度量差值的后门检测方案(backdoor det... 深度神经网络在各类任务中都展现出良好的性能,但由于深度学习模型缺乏透明性和不可解释性,在推理阶段触发恶意攻击者设定的后门时模型出现异常行为而导致性能下降.针对上述问题,提出了一种基于多级度量差值的后门检测方案(backdoor detection scheme based on multilevel measurement difference,Mult-Measure).首先对源模型和被恶意注入后门的授权模型对抗攻击生成测试用例;并设置白盒和黑盒2种度量计算测试用例;最后通过统计阈值计算差值判断模型是否被注入后门.实验表明,Mult-Measure在植入特洛伊木马模型的后门攻击场景下,并在多触发器和隐形触发器下评估性能良好,相较近年来已有的检测方案,Mult-Measure具有更好的有效性和稳定性. 展开更多
关键词 神经网络 深度学习 多级度量 特洛伊木马 后门攻击
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部