导读:本文包含了网络代价论文开题报告文献综述及选题提纲参考文献，主要关键词:软件缺陷预测,卷积神经网络,语义特征挖掘,代价敏感
网络代价论文文献综述
邱少健,蔡子仪,陆璐[1]（2019）在《基于卷积神经网络的代价敏感软件缺陷预测模型》一文中研究指出基于机器学习的软件缺陷预测方法受到软件工程领域学者们的普遍关注,通过缺陷预测模型可一定程度地分析软件中的缺陷分布,以此帮助软件质量保障团队发现软件中潜在的错误并合理分配测试资源。然而,现有多数的缺陷预测方法是基于代码行数、模块依赖程度、栈引用深度等人工提取的软件特征进行缺陷预测的。此类方法未考虑到软件源码中潜在的语义特征,可能导致预测效果不理想。为了解决以上问题,文中利用卷积神经网络挖掘源码中隐含的语义特征,并将其用于软件缺陷预测的任务中。在源码语义特征的有效挖掘方面,采用叁层卷积神经网络提取数据抽象特征。在数据不平衡处理方面,采用代价敏感的方法,即分别给予正例与反例不同的权重,平衡正反例对模型训练的影响。在实验数据集方面,选取了开源缺陷标注数据集PROMISE中8个软件中的多个版本,合计19个项目。在模型性能比较方面,将提出的基于卷积神经网络的代价敏感软件缺陷预测模型(Cost-Sensitive Three-Layer Convolutional Neural Network,CS-TCNN)分别与逻辑回归、深度置信网络等模型进行比较,评估指标为在缺陷预测研究领域中普遍使用的AUC和MCC。实验结果充分说明了CS-TCNN能更有效地提取程序代码中的语义特征,进而提高软件缺陷预测模型的预测效果。(本文来源于《计算机科学》期刊2019年11期）
郭冰楠,吴广潮[2]（2019）在《基于改进的代价敏感决策树的网络贷款分类》一文中研究指出在网络贷款用户数据集中,贷款成功和贷款失败的用户数量存在着严重的不平衡,传统的机器学习算法在解决该类问题时注重整体分类正确率,导致贷款成功用户的预测精度较低。针对此问题,在代价敏感决策树敏感函数的计算中加入类分布,以减弱正负样本数量对误分类代价的影响,构建改进的代价敏感决策树;以该决策树作为基分类器并以分类准确度作为衡量标准选择表现较好的基分类器,将它们与最后阶段生成的分类器集成得到最终的分类器。实验结果表明,与已有的常用于解决此类问题的算法(如MetaCost算法、代价敏感决策树、AdaCost算法等)相比,改进的代价敏感决策树对网络贷款用户分类可以降低总体的误分类错误率,具有更强的泛化能力。(本文来源于《计算机应用》期刊2019年10期）
本报评论员[3]（2019）在《净化网络空间 要让“金微们”付出承受不起的代价》一文中研究指出此前闹得沸沸扬扬的华大基因和“金微”的官司，有了结果。6月21日，深圳市盐田区人民法院就华大基因起诉自媒体“金微”名誉权侵权一案作出一审判决。法院判决认为，被告自媒体“金微”的实际运营者金微所发布的两篇自媒体文章存在误导公众的情况，(本文来源于《科技日报》期刊2019-06-24）
许强[4]（2019）在《基于强化学习的限定代价下卷积神经网络结构自动化设计》一文中研究指出近年来深度神经网络在传统方法很难解决的认知类任务(如语音识别,图像识别,机器翻译)上取得了颠覆性成功。神经网络的网络结构对其性能有着决定性的影响,近年来视觉领域中的很多研究集中于设计针对不同任务的特定网络结构。目前神经网络结构的设计主要靠人手工完成,网络结构的设计需要使用者拥有相关的专业知识并且设计过程耗时。近来一些自动化的网络结构设计方法陆续被提出,然而这些方法只考虑对所设计网络结构的预测准确率进行优化。在实际应用中,除了预测准确率,其他类型的代价也非常重要,例如网络参数大小,对于内存有限的嵌入式设备,其所能承受的网络参数大小往往是有限的。因此研究限定代价下的网络结构自动化设计方法具有重要的应用价值。2018年,Veniat和Denoyer提出了一种限定代价下的卷积网结构自动化设计方法BSN(Budgeted Super Network),但该方法不能对需要对网络结构训练后才能确定的代价进行优化,比如训练时间。针对BSN存在的不足,本文在现有基于强化学习的网络结构自动化设计方法的基础上提出了一种限定代价下卷积网结构自动化设计方法B-ENAS(Budgeted-Efficient Neural Architecture Search)。我们选取了推断时间、参数大小和训练时间叁类代表性代价在CIFAR10数据集上进行了实验。在推断时间和参数大小代价下的实验中B-ENAS可以像BSN一样学得满足不同代价约束的网络结构,且网络结构的预测准确率更高。训练时间代价下的实验证明了BENAS可以对训练时间这种需要对采样网络结构训练后才能知道的代价进行优化,解决了BSN存在的不足。(本文来源于《中国科学院大学(中国科学院深圳先进技术研究院)》期刊2019-06-01）
John,Edwards,陈琳华[5]（2019）在《能否以最小的运行中断代价部署新兴网络技术？》一文中研究指出新兴的网络技术非常重要,至少在它们将要颠覆基本的日常网络服务和活动之前是这样。现在是考虑如何将 SDN、SD-WAN、基于意图的网络(IBN)和网络功能虚拟化(NFV)等创新技术顺利部署到位的时候了。网络性能软件提供商LiveAction的联合(本文来源于《计算机世界》期刊2019-05-20）
陈耀,宋晓宁,于东军[6]（2019）在《迭代化代价函数及超参数可变的生成对抗网络》一文中研究指出为了解决生成对抗网络(Generative adversarial networks,GAN)的训练难问题,该文在Wasserstein GAN(WGAN)方法基础上提出了迭代化代价函数及超参数可变的生成对抗网络。为了对原始WGAN中的惩罚项进行改进,用迭代的方法增加惩罚项代替原始随机选取的方法。针对WGAN中固定代价函数惩罚项的超参数,提出变动超参数策略,其变动的依据是仿分布和真实分布之间的距离。在MNIST手写字体数据集和CELEBA人脸数据集上的实验表明,与传统WGAN方法相比,该文方法在生成器的拟合速度上有了显着提高,充分验证了方法的有效性。(本文来源于《南京理工大学学报》期刊2019年01期）
周博言[7]（2019）在《基于残差神经网络的代价敏感人脸识别研究》一文中研究指出人脸识别是图像处理和计算机视觉领域的经典任务之一,其目的是使计算机能够通过特定的算法和程序提取人脸特征,进而识别目标人脸的身份。现有的人脸识别算法大都以降低误识别率作为目标,未将类间误分类代价纳入考虑。然而在实际应用中,不同种类的误分类情况往往是不等价的。因此,将代价敏感引入人脸识别显得十分必要。本研究基于现有的残差神经网络,提出了一种改进的残差神经网络结构,增强了模型的特征分辨能力,并在交叉熵损失函数中引入了代价敏感的机制,使其能够兼顾精度与代价,可以较好地解决多类代价敏感问题。首先对人脸特征提取网络加以研究,通过比较精度、显存和速度验证了残差神经网络是较优的人脸特征提取网络;其次,在残差神经网络的基础上增加了多尺度特征融合与通道注意力机制,进一步提升了网络模型的特征表达能力,并通过实验加以验证。最后,提出了代价敏感的交叉熵损失函数,在几乎不损失精度的前提下显着降低了误分类代价,并设计实验验证了改进算法的有效性。通过将多尺度特征融合与通道注意力机制引入残差神经网络,增强了网络模型的特征表达能力;通过把代价敏感机制引入交叉熵损失函数,使其在保持精度的前提下降低误分类价,能够解决多类代价敏感问题,在代价敏感人脸识别领域具有广泛的应用前景。(本文来源于《南京大学》期刊2019-03-01）
王琛,汤红波,游伟,牛犇[8]（2019）在《一种基于备份代价重要度的虚拟网络功能备份方法》一文中研究指出为了保证网络服务的可靠性,降低备份资源成本开销,首先在初始映射视图中计算每个虚拟网络功能的备份代价重要度,每次迭代选择具有最大和次大备份代价重要度的虚拟网络功能进行联合备份,通过相应的选择和更新模型最终得到最优的备份策略。最后,将该方法与其他叁种方法进行对比实验,所提算法在备份成本开销、占用的物理节点数量、服务请求接受数量和备份资源利用率上具有良好的性能。(本文来源于《计算机应用研究》期刊2019年12期）
马鹏举,王胤,余龙,李传斌,邝砾[9]（2018）在《基于代价敏感决策树的P2P网络借贷风险评估》一文中研究指出为了提高P2P网络借贷平台的风险控制能力,提出一种基于多特征融合的、代价敏感决策树的网络借贷项目风险评估方法。该方法首先从互联网借贷平台上提供的借款人信息中构建借款人信用特征,然后综合借款人的历史借款信息、个人信用特征及项目特征,通过构建ROC曲线下面积最大化、互信息最小化为目标的特征选择算法,选择出与项目风险评估最相关且冗余性最少的特征集合,再通过改进的基于代价敏感的决策树算法对借款项目进行风险评估。实验表明,该方法与相关文献中提到的方法以及一些传统分类器相比,在P2P网络借贷风险评估上有更优的表现。(本文来源于《计算机集成制造系统》期刊2018年07期）
王园[10]（2018）在《微博网络中基于时间和代价的竞争种集选取研究》一文中研究指出随着互联网模式的不断创新,线上线下服务的融合加速以及移动互联网服务场景不断丰富,移动互联网产品成为人们获取信息的主要途径。微博由于其信息更新速度快、信息来源多样,事件和话题的发展脉络清晰等特点,受到了广大用户的欢迎,也成为近几年众多学者的研究热点。其中微博网络中的影响力传播问题是近几年学者们的研究热点,在影响最大化问题中寻找种子节点集合是其中一个重要的分支,其在信息传播和病毒营销方面都有着广泛的应用。本文针对两种竞争信息在微博网络中的传播,从时间和代价两个方面综合考虑,提出了一种基于时间和最小代价的竞争种集选取算法。该算法为后进入网络的信息B选取付出最小代价的竞争种集,使得信息最终的传播影响范围超过竞争信息的影响范围,即获取竞争胜利。该算法分为两个部分:信息A单独传播部分、信息A和信息B同时传播部分。信息A单独传播部分,单个信息利用独立级联模型进行传播,本文根据信息B进入微博网络中的时间,计算该时间内信息A独自传播的影响力;两种竞争信息同时传播部分,信息B进入微博网络后,两种竞争信息同时传播,本文根据时间和最小代价的竞争种集选取算法计算花费最小代价的信息B的初始节点,使得信息B的影响范围大于信息A的影响范围。为了证明该算法的可行性和正确性,本文采用真实的微博数据对算法进行实证。首先实验对算法本身进行分析,发现后者信息在不同时间进入网络所需的代价不同,选取的竞争种集也不同。并且若进入时间超过一定的范围,后者信息将不能取得竞争胜利。然后将CELF算法和基于最小代价的CELF算法进行对比,发现基于最小代价的CELF算法得出的竞争种集所需要的总代价更小。本文的创新点主要有两点:第一,本文在两种竞争信息同时传播的基础上进行改进,考虑两种竞争信息进入网络的时间差,选取花费最小代价的竞争种集,使得后者信息获得竞争胜利。第二,为了方便计算前者信息在微博网络中单独传播的影响范围,本文选用基于扩展独立级联模型的CELF算法,先选取可能图再计算影响范围。本文也存在一些不足。为了保证实验效果,本文选取了 CELF算法作为基础算法,但是最终结果显示,该算法的时间复杂度较高,本文下一步的研究需要改进竞争种集选取算法,减少时间复杂度,使其更加适合运用在大型的社交网络中。(本文来源于《中南财经政法大学》期刊2018-05-20）
网络代价论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在网络贷款用户数据集中,贷款成功和贷款失败的用户数量存在着严重的不平衡,传统的机器学习算法在解决该类问题时注重整体分类正确率,导致贷款成功用户的预测精度较低。针对此问题,在代价敏感决策树敏感函数的计算中加入类分布,以减弱正负样本数量对误分类代价的影响,构建改进的代价敏感决策树;以该决策树作为基分类器并以分类准确度作为衡量标准选择表现较好的基分类器,将它们与最后阶段生成的分类器集成得到最终的分类器。实验结果表明,与已有的常用于解决此类问题的算法(如MetaCost算法、代价敏感决策树、AdaCost算法等)相比,改进的代价敏感决策树对网络贷款用户分类可以降低总体的误分类错误率,具有更强的泛化能力。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
网络代价论文参考文献
[1].邱少健,蔡子仪,陆璐.基于卷积神经网络的代价敏感软件缺陷预测模型[J].计算机科学.2019
[2].郭冰楠,吴广潮.基于改进的代价敏感决策树的网络贷款分类[J].计算机应用.2019
[3].本报评论员.净化网络空间要让“金微们”付出承受不起的代价[N].科技日报.2019
[4].许强.基于强化学习的限定代价下卷积神经网络结构自动化设计[D].中国科学院大学(中国科学院深圳先进技术研究院).2019
[5].John,Edwards,陈琳华.能否以最小的运行中断代价部署新兴网络技术？[N].计算机世界.2019
[6].陈耀,宋晓宁,于东军.迭代化代价函数及超参数可变的生成对抗网络[J].南京理工大学学报.2019
[7].周博言.基于残差神经网络的代价敏感人脸识别研究[D].南京大学.2019
[8].王琛,汤红波,游伟,牛犇.一种基于备份代价重要度的虚拟网络功能备份方法[J].计算机应用研究.2019
[9].马鹏举,王胤,余龙,李传斌,邝砾.基于代价敏感决策树的P2P网络借贷风险评估[J].计算机集成制造系统.2018
[10].王园.微博网络中基于时间和代价的竞争种集选取研究[D].中南财经政法大学.2018