基于CB-CNN与分割残差优化的列控系统网络攻击流量检测

复杂环境中的列控系统容易遭到各类网络流量攻击，现有的攻击流量检测方法往往特征选择差、稳定性较弱，导致检测精度较低。为此，提出一种通道增强卷积神经网络与分割残差优化的攻击流量检测方法。首先通过降噪式自动编码器对正常流量进行建模，同时使用无监督训练将原始特征空间转换为重构特征空间；然后利用通道增强使相关误差向量转化为分类器的多通道输入变量；最后为增加神经网络的特征表示多样性，设计一种多路径的分割残差网络来优化CB-CNN,通过学习不同维度级别的流量特征来优化分类。实验结果表明：所提方法具有较好的训练性能，NSL-KDD数据集与真实铁路安全网络中获得的平均精确率分别为94.573%与96.78%。在误报率较低的同时均具有较好的分类可视化效果。综合对比其他检测方法，提出方法检测实时性较好，能够适用于复杂场景的列控系统网络攻击检测，在噪声存在时具有较好的鲁棒性。     

结合空洞编码器和特征金字塔的中心点船舶检测

为了进一步提高基于深度学习的船舶目标检测技术的检测精度，在无锚框中心点检测算法基础上，提出一种结合空洞编码器和特征金字塔的改进中心点船舶检测算法。采用Res Ne Xt-50网络对船舶图像进行特征提取，引入基于空洞残差的空洞编码器（DE）增大32倍下采样特征图的感受野，生成覆盖多个目标尺度的特征图，并采用特征金字塔网络（FPN）进行上采样，在上采样过程中融合空洞编码器生成的32倍下采样特征图和原16倍、8倍和4倍下采样特征图，从而提取到更丰富的船舶特征信息，提升船舶检测效果。结果表明，改进算法对不同类型和不同尺度下的船舶检测平均精确率相比原算法具有较明显的提升，相比SSD和YOLOv3算法具有更高的精度优势。     

自编码器及其改进算法在滚动轴承故障诊断的应用

自编码器作为神经网络中典型的无监督学习模型，在数据降噪和数据可视化降维方面具有明显的优势，且在各应用领域都引起了普遍重视，在滚动轴承故障诊断中的应用也日渐增加。为了及时了解并掌握自编码器及其改进算法在滚动轴承方面的应用，对近年具有代表性的自编码器相关算法进行了分类和总结。首先，阐述了自编码器的原理和几种基于其改进的自编码器方法的理论简述，并分析了这些算法的改进目的与改进方式。然后，列举了上述算法在滚动轴承故障诊断领域的应用。最后，总结了当前自编码器及其改进算法存在的问题，分析了解决问题的思路。     

基于N-Gram的改进预训练文本编码器

预训练文本编码器常以较短的文本组合为单位进行处理，但是较小的文本粒度会导致字、词之间的联系信息丢失，影响编码器的泛化能力和性能，尤其在中文处理中，意义以词而不是单字的形式体现的情况下，对于词的分割和长短的把握尤为重要。本文对基于Transformer模型的双向编码模型（BERT）进行了改进，提出了一种基于N-Gram增强的预训练文本编码器模型。测试表明，本方法在中文分词、词性标记命名体识别的任务中表现均优于BERT，且对训练样本大小依赖较低。