基于深度森林的网络流量分类方法

随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96. 36%,性能优于其他机器学习模型。     

频谱感知次序的在线最优选择

动态频谱接入是解决无线电频谱资源短缺和频谱使用效率低下问题的有效方法,它允许次级用户在授权频谱空闲时动态地接入,以进行数据传输。而频谱感知是实现动态频谱接入的关键挑战之一。由于次级用户的感知能力有限,为了获得更多的频谱接入机会,需要尽快找到频谱空闲概率最大的频段,并研究频谱感知次序问题。考虑到频谱空闲概率对次级用户是不可知的,并且会随时间变化,提出了在线学习框架,把频谱感知次序问题归纳成经典多摇臂赌博机问题,并利用在线学习方法——满意折现汤普森抽样算法处理优化问题。仿真结果表明,和其他算法相比,所提算法可以获得更多的频谱接入机会并且能够跟踪频谱空闲概率的变化。     

基于强化学习的移动自组织网络分步路由算法*

移动自组织网络是一种无基础设施、由移动通信节点组成的无线网络,具有高度的动态特性。传统的路由协议并不能适应节点移动性带来的频繁拓扑变化,简单的洪泛路由也会因开销过大降低网络的性能。针对如何在移动自组织网络中自适应地进行路由选择,提出了一种基于强化学习的分步路由选择算法。该算法以最小链路总往返时延为目标,基于强化学习进行路由搜寻,在筛选出符合目标需求节点集合的基础上,结合置信度选择路由。在链路变得不可靠时,数据包被广播给筛选出的邻居节点集来提升路由可靠性并降低开销。对提出的算法在分组到达率和路由开销等主要性能指标进行数值仿真分析,仿真结果表明,提出的分步路由算法相比于基于强化学习的智能鲁棒路由,在降低开销的同时,保持着相当的吞吐率。     

挠性接管隔振效果检测试验装置合理性的讨论

采用机电比拟的方法对挠性接管隔振效果检测试验装置进行了分析,针对欲达到的试验目的,定性地提出了组成试验装置的质量、弹性常数等应达到的要求.     

建构主义教学论与教学模式改革

建构主义学习观强调学习的建构性、社会性和情境性 ,对促进教学方法的变革将有重要意义。文章运用建构教学观辨证分析了传统教学模式 ,综合现代以知识为中心、以学生为中心和行为主义理论等现代教育思想 ,分析了传授———建构教学法、合作、探究学习方法。     

一种数控火炮拉线机床的设计与实现

针对现行工厂使用的拉线机床操作不便、可视性差的弱点,提出一种采用单片机及光电编码技术对火炮加工中的膛线加工机床进行数字化控制的方案,使膛线加工精度、质量和效益均可得到提高,是实现各种复杂膛线加工的一种实用、可行的方法。     

公安现役部队干部培训之我见

受普通教育影响,公安现役部队干部教育培训模式有普教化现象。根据干部学习特点,研究适应其教育培训的方式方法,在实践中创造性地运用多种教学方式和手段,有利于提高干部培训的效益。     

高中数学研究性学习的实践与研究

在中学开设研究性学习课程,是基础教育课程改革的具体目标之一。针对现有课程体系的弊端,重知识传授而轻过程和技能训练,重学科知识体系而不关心社会实践活动。重间接经验的传授而忽视学生的直接体验积累。为培养学生乐于探究勤于动手的学习精神,分析和解决的能力,本人在几年的教学实践中,不断探究,积累了一些经验。本文就此问题谈谈高中数学研究性学习的实践与体会。     

麒麟操作系统层次式内核设计技术

麒麟操作系统是高性能、高安全的国产服务器操作系统,自主设计了层次式内核结构,由基本内核层和系统服务层组成.基本内核层负责硬件初始化,并提供基本的存储管理和任务管理,系统服务层基于FreeBSD改进,提供UFS2文件系统和BSD的网络协议.详细阐述了麒麟操作系统层次式内核的结构,然后采用标准的Benchmark对麒麟操作系统进行了基本性能测试,测试结果表明层次式内核结构的麒麟操作系统与宏内核结构的UNIX类操作系统性能相当,最后探讨了麒麟操作系统层次式内核结构的特点和下一步发展思路.     

What you should know about approximate dynamic programming

Approximate dynamic programming (ADP) is a broad umbrella for a modeling and algorithmic strategy for solving problems that are sometimes large and complex, and are usually (but not always) stochastic. It is most often presented as a method for overcoming the classic curse of dimensionality that is well‐known to plague the use of Bellman's equation. For many problems, there are actually up to three curses of dimensionality. But the richer message of approximate dynamic programming is learning what to learn, and how to learn it, to make better decisions over time. This article provides a brief review of approximate dynamic programming, without intending to be a complete tutorial. Instead, our goal is to provide a broader perspective of ADP and how it should be approached from the perspective of different problem classes. © 2009 Wiley Periodicals, Inc. Naval Research Logistics 2009