针对电厂气体污染监测的需要,该文提出了一种融合多源无线传感器网络(Wireless Sensor Networks,WSN)与改进长短期记忆网络(Long Short Term Memory,LSTM)的气体污染监测与预警模型。通过设计多源WSN污染气体采集框架,实现了对电厂多种...针对电厂气体污染监测的需要,该文提出了一种融合多源无线传感器网络(Wireless Sensor Networks,WSN)与改进长短期记忆网络(Long Short Term Memory,LSTM)的气体污染监测与预警模型。通过设计多源WSN污染气体采集框架,实现了对电厂多种污染气体的高效采集,为预测模型提供高质量的数据输入。所设计的改进LSTM模型融合了模拟退火算法(Simulated Annealing,SA)和SVM模块,其中SA用于优化LSTM的超参数,SVM则作为分类器有效避免过拟合问题,使改进后的LSTM能够充分提取多源传感器数据的特征并进行准确预测。实验结果表明,结合SA和SVM模块有效提升了LSTM的预测性能,与其他分类算法相比表现出了明显的优势,准确率高达97.83%,相比于对比算法中表现最佳的BiLSTM提高了9.64%。展开更多
软件潜在溢出漏洞是指软件中存在的安全漏洞,会导致软件运行过程中出现错误或性能下降等问题。为了准确检测出软件潜在溢出漏洞,提出一种基于LSTM-SVM的软件潜在溢出漏洞检测方法。将采集到的软件潜在溢出漏洞数据展开预处理,提取软件...软件潜在溢出漏洞是指软件中存在的安全漏洞,会导致软件运行过程中出现错误或性能下降等问题。为了准确检测出软件潜在溢出漏洞,提出一种基于LSTM-SVM的软件潜在溢出漏洞检测方法。将采集到的软件潜在溢出漏洞数据展开预处理,提取软件潜在溢出漏洞特征。考虑到软件潜在溢出漏洞的时序性和特征维度等,将长短期记忆(Long Short Term Memory,LSTM)和支持向量机(Support Vector Machine,SVM)两者有效结合,建立LSTM-SVM的软件潜在溢出漏洞检测模型,通过模型检测样本类型,实现软件潜在溢出漏洞检测。实验结果表明,所提方法有效提升软件潜在溢出漏洞检出率,降低误报率和漏报率,且检测时间低于70ms。展开更多
文摘针对电厂气体污染监测的需要,该文提出了一种融合多源无线传感器网络(Wireless Sensor Networks,WSN)与改进长短期记忆网络(Long Short Term Memory,LSTM)的气体污染监测与预警模型。通过设计多源WSN污染气体采集框架,实现了对电厂多种污染气体的高效采集,为预测模型提供高质量的数据输入。所设计的改进LSTM模型融合了模拟退火算法(Simulated Annealing,SA)和SVM模块,其中SA用于优化LSTM的超参数,SVM则作为分类器有效避免过拟合问题,使改进后的LSTM能够充分提取多源传感器数据的特征并进行准确预测。实验结果表明,结合SA和SVM模块有效提升了LSTM的预测性能,与其他分类算法相比表现出了明显的优势,准确率高达97.83%,相比于对比算法中表现最佳的BiLSTM提高了9.64%。
文摘软件潜在溢出漏洞是指软件中存在的安全漏洞,会导致软件运行过程中出现错误或性能下降等问题。为了准确检测出软件潜在溢出漏洞,提出一种基于LSTM-SVM的软件潜在溢出漏洞检测方法。将采集到的软件潜在溢出漏洞数据展开预处理,提取软件潜在溢出漏洞特征。考虑到软件潜在溢出漏洞的时序性和特征维度等,将长短期记忆(Long Short Term Memory,LSTM)和支持向量机(Support Vector Machine,SVM)两者有效结合,建立LSTM-SVM的软件潜在溢出漏洞检测模型,通过模型检测样本类型,实现软件潜在溢出漏洞检测。实验结果表明,所提方法有效提升软件潜在溢出漏洞检出率,降低误报率和漏报率,且检测时间低于70ms。
