随着我国隧道工程建设的快速发展,由隧道病害引发的隧道质量和安全问题越发常见.通过地质雷达探测隧道病害对于减少隧道质量和安全问题具有十分重要的意义,为了提高病害探测的效率及可靠性,基于雷达反射波信号多维度分析,提出一种隧道病害智能辨识的新方法.根据反射波信号时域、频域及时频域分析结果提取病害信号辨识的6个典型特征,利用支持向量机算法对典型特征的训练构建病害信号的二分类模型,实现了病害水平分布范围的自动辨识;再依据病害信号的第一本征模态函数分量振幅包络计算病害深度分布范围,最终实现隧道病害的智能辨识.结合某隧道回填层雷达实测数据对智能辨识算法的性能进行评价,与人工辨识结果的对比表明,该智能算法对于病害的辨识能力较强,病害的识别率高达100%,但辨识结果中同时存在少量误判,准确率达78.6%,满足工程应用的需求.该算法可用于隧道工程各类地质雷达探测数据中病害的智能辨识,而对于其他领域的地质雷达探测数据,本文研究成果亦可为不同类型探测目标智能辨识算法的设计提供可行思路

政策法规与标准 一、组织机构 二、立法立足点 三、计算机犯罪法 四、各国立法 五、我国立法 六、计算机安全评价标准

一、信息的保密性 二、数据的完整性 三、用户身份的鉴别 四、数据原发者鉴别 五、数据源发者的不可抵赖性 六、合法用户的安全性

针对自动化高速公路（Automated highway system，AHS）车队稳定性问题，发展了一种多目标自适应巡航控制算法，根据李雅普诺夫（Lyapunov）稳定性理论对该问题进行了量化分析，并给出了同质与异质车队稳定性的设计要求，基于模型预测控制（Model predictive control，MPC）理论，综合协调驾驶员期望响应、跟驰安全性、车队稳定性、车队整体品质等控制目标，采用加权二次型性能泛函以及线性矩阵不等式约束的形式，将协同式多目标自适应巡航（Adaptive cruise control, ACC）设计问题最终转化成带约束的在线凸二次规划问题。仿真结果表明，相比单车ACC而言，协同ACC的约束空间更为严苛，车队互联系统稳定性易受车间时距、车队规模、多目标权重、瞬态工况、车辆异质性等因素的影响，建议在跟驰安全性、车队稳定性良好的前提下寻求一定的驾乘舒适性与燃油经济性，以确保车队整体品质

提出基于双向长短期记忆网络（bidirectional long short-term memory，BiLSTM）和前向神经网络的融合模型完成公共安全事件的触发词识别任务.首先通过BiLSTM提取整段文本的高层语义特征，避免了以往机器学习方法需要人工提取特征的问题，其次采用特征拼接并在前向神经网络中识别并分类事件触发词.实验结果表明相较于基准模型，本文方法在中文突发事件语料库（Chinese emergency corpus，CEC）上取得了更为突出的性能，Micro-F1值为78.47%.此外本文讨论了不同拼接特征在触发词识别任务中的重要性，对文本分析中3类特征（词性、句法、实体）的重要程度进行了比较和分析，得出句法特征对于事件触发词识别任务助益最大的结论

数据库运行过程中,有一系列工作要作:我们希望没有授权的用户不能操纵数据库,此为的安全性;我们希望被授权的用户在出现更新错误时能保持数据的完整性,此为数据库的完整性控制;我们希望了解数据库的整体情况可以查询系统目录;我们希望数据库遇到故障时把损失降低到最小程度,此为数据库恢复。 2.2.1安全性 2.2.2完整性约束 2.2.3系统目录 2.2.4数据库恢复

数据库管理员的任务是使所有运行 Oracle数据库的系统能够有效的工作。数据库管理员为每一个用户提供技术支持,并且应当对 Oracle软件中出现的所有问题都相当熟悉。除上一节介绍的 RACLE实例设置外, ORACLE数据库的存储对数据库的性能也有很大影响,另外ORACLE的安全性、备份与恢复机制也在本节中介绍。 4.3.1管理 ORACLE存储 4.3.2 ORACLE安全管理 4.3.3 ORACLE备份与恢复

安全教育_安全主题

本文首先提出了一个结构简单且易于维护的索引–存根表结构，并基于该结构提出了一个具有隐私保护属性的云存储第三方审计方案，该方案能够有效地支持对外包数据进行各种数据块级的远程动态操作.然后，在随机预言机模型下，对方案提供的数据完整性保证给出了形式化的安全证明，对方案中审计协议的隐私保护属性也给出了形式化的安全分析.最后，针对方案的性能进行了理论分析和相关的实验比较，结果表明该方案是高效的

为了提高非平衡数据集的分类精度，提出了一种基于样本空间近邻关系的重采样算法。该方法首先根据数据集中少数类样本的空间近邻关系进行安全级别评估，根据安全级别有指导的采用合成少数类过采样技术（Synthetic minority oversampling technique，SMOTE）进行升采样；然后对多数类样本依据其空间近邻关系计算局部密度，从而对多数类样本密集区域进行降采样处理。通过以上两种手段可以均衡测试数据集，并控制数据规模防止过拟合，实现对两类样本分类的均衡化。采用十折交叉验证的方式产生训练集和测试集，在对训练集重采样之后，以核超限学习机作为分类器进行训练，并在测试集上进行验证。在UCI非平衡数据集和电路故障诊断实测数据上的实验结果表明，所提方法在整体上优于其他重采样算法