/oa /oa/darticle.aspx?type=view&id=16716833 为了提高电力负荷数据的缺失值填充精度,保障后续数据分析与应用的高效进行,提出一种基于动态融合注意力机制的填充模型 DFAIM。 该模型由注意力机制模块和动态加权融合模块构成,通过注意力机制模块的2 种不同注意力机制挖掘特征与时间戳之间的深层关联通过动态加权融合模块将可学习的权重赋予注意力机制模块的 2 个输出以得到特征表示最后,利用特征表示来替换缺失位置的值,从而得到准确的填充结果。 使用纽约市某地区的气象及负荷数据集及 UCI 电力负荷数据集对提出的模型进行验证,实验结果表明:相较于统计学、机器学习和深度学习填充模型,DFAIM 在评价指标 MAE、RMSE 和 MRE 上均具有一定优势。 2026年01月10 00:00 2024年pre 1 8 2016203 赵 冬, 李亚瑞, 王文相, 宋 伟 /oa/darticle.aspx?type=view&id=202405006 2026年01月10 00:00 2024年pre 2 2136989 秦东晨, 张文灿, 王婷婷, 陈江义 /oa/darticle.aspx?type=view&id=202404015 2026年01月10 00:00 2024年pre 2 2402088 夏兆宇, 林玉洁, 胡春源, 吴梓豪 /oa/darticle.aspx?type=view&id=202404014 2026年01月10 00:00 2024年pre 2 1490024 姜欣, 段世杰, 金阳, 尚静怡 /oa/darticle.aspx?type=view&id=202302023 在自动化渗透测试领域，现有攻击路径决策算法大多基于部分可观测马尔可夫决策过程（POMDP），存在算法复杂度过高、收敛速度慢、易陷入局部最优解等问题。针对此问题，提出了一种基于马尔可夫决策过程（MDP）的强化学习算法NoisyNet-A3C，并用于自动化渗透测试领域。该算法通过多线程训练Actor-Critic，每个线程的运算结果反馈到主神经网络中，同时从主神经网络中获取最新的参数更新，充分利用计算机性能，减少数据相关性，提高训练效率。另外，训练网络添加噪音参数与权重网络训练更新参数，增加了行为策略的随机性，利于更快探索有效路径，减少了数据扰动的影响，增强了算法的鲁棒性。实验结果表明：与A3C、Q-learning、DQN和NDSPI-DQN算法比较，NoisyNet-A3C算法收敛速度提前了30%以上，验证了本文算法收敛速度更快。 2026年01月10 00:00 2024年pre 2 4617187 董卫宇1，刘鹏坤2，刘春玲1，唐永鹤1，马钰普2