机构名称：
¥ 16.0
本研究采用人工智能 (AI) 方法在民用领域进行威胁分析和对策，其中安全和任务关键方面至关重要。人工智能面临着可重复确定性和决策解释的挑战。本研究提出了提供可重复确定性的密集和卷积网络方法。在密集网络中，所提出的替代方法具有同等性能，并且学习权重更具结构化。所提出的方法在卷积网络中也具有更早的学习和更高的准确性。在彩色图像分类中得到证明，第一个时期的准确率从现有方案的 29% 提高到 67%。在迁移学习中，使用快速符号梯度法 (FSGM) 作为控制差异失真的分析方法进行检查，结果发现所提出的方法对学习模型的保留更显著，准确率为 31%，而不是 9%。本研究还提出了一种威胁分析方法，该方法将集合映射和第一原理分析步骤应用于使用具有虚拟化神经元的代数专家系统的符号 AI 方法。神经专家系统方法通过计算波束宽度随天线类型不确定性变化来演示参数填充。与提出的公式提取方法相结合，它为机器学习新规则提供了作为神经符号 AI 方法的潜力。所提出的方法使用分配给神经元输入值范围的额外权重作为激活强度。该方法简化了学习表示，降低了模型深度，因此具有较小的丢失可能性。最后，提出了一种用于发射器识别的图像分类方法，采用合成数据集生成方法，并展示了十四种雷达发射模式之间的准确识别，它们之间具有较高的模糊性（并实现了 99.8% 的准确率）。该方法将是一种机制，用于在检测到民用发射器的偏差时识别旨在发出威胁警报的非威胁民用雷达。
用于安全和网络的人工智能方法...
主要关键词
相关文件推荐
