泥浆性能检测系统设计

设计一种利用微扭矩传感器配合旋转机构,检测泥浆流变性和润滑性,同时配合压力等系列传感器,检测泥浆压力梯度变化和酸碱性,实现快速检测泥浆各项参数.将复杂的实验室采样检测转化为现场的迅速测量,简化操作,及时反映泥浆性能变化,为混浆配浆提供直接参考,保证作业的安全高效.     

油田作业现场近海周界区域入侵检测

为提高油田作业现场安全作业监管效率,保证油田作业现场近海周界区域人员闯入检测的准确性和时效性,针对现有的区域入侵检测方法在检测油田作业现场远距离小目标时效果差,达不到实时的问题,本文提出了一个基于SOLOv2和CenterNet结合的近海区域作业人员入侵检测模型,模型首先采用SOLOv2对作业现场近海区域周界进行分割,...     

基于YOLO的安全帽检测方法

安全帽作为作业工人最基本的个体防护装备,对作业人员的生命安全具有重要意义.但是部分作业人员安全意识缺乏,不佩戴安全帽行为时常发生.本文聚焦于复杂场景下对工作人员是否佩戴安全帽的实时检测.YOLO （You Only Look Once）是当前最为先进的实时目标检测算法,在检测精度和速度上都取得了良好的效果,将YOLO应用于安全帽检测.针对未佩戴安全帽单类检测问题,修改分类器,将输出修改为18维度的张量.基于YOLOv3在ImageNet上的预训练模型,对实际场景下采集到的2010张样本进行标注并训练,根据损失函数和IOU曲线对模型进行优化调参,最终得到最优的安全帽检测模型.实验结果表明,在2000张图片测试集上取得了98.7%的准确率,在无GPU环境下平均检测速度达到了35 fps,满足实时性的检测要求,验证了基于YOLOv3安全帽检测方法的有效性.     

统一通用入侵检测框架的研究与设计

入侵检测是信息安全保障的关键技术之一,本文介绍了目前入侵检测系统中采用的两种通用模型:通用入侵检测框架(CIDF)和入侵检测信息交互格式(IDMEF),在技术上比较了两者的优势与不足,在集中CIDF和IDMEF优点的基础上,提出一种统一的通用入侵检测框架(UCIDF),用于构造统一的安全管理平台。     

基于边缘AI的配网非定点作业现场实时智能安全监护成套装置研制

为满足带电作业、高处作业等配电网复杂作业场景的安全监护要求，解决配网非定点作业人工监护效率低、现场终端能力单一协同不足、通信安全较难保障等实际问题，文章提出了一种具有强边缘智能、主动监护、精准定位与辨识、多层通讯安全防护等特点的智能安全监护成套装置。首先，该装置基于自研物联网模组搭配可扩展高性能边缘计算模组，实现了视频监控设备的主动控制、作业人员活动的跟踪监测、监控视频的实时就地智能分析与违规行为预警。其次，装置通过配套定位设备，实现了作业地点和作业范围的动态划定以及作业人员的精准定位。最后，装置以硬件加密为基础，实现了可信通讯设备的自组网络和通讯内容的多层加密。实验结果表明，该装置在典型场景下的平均检测精度可以达到90%以上，可以极大提高配网户外非定点作业场景下的安全监护效率，提升作业现场安全的实时监管能力。     

入侵检测系统的现状及发展趋势

入侵检测系统(IDS)作为一门新兴的安全技术,是网络安全系统中的重要组成部分。本文阐述了入侵检测系统的基本原理,从入侵检测系统的类型划分这个角度,分析和比较了基于主机和基于网络两种数据源及基于误用和基于异常两种检测方法的优缺点。并对入侵检测系统的现状及存在的问题进行综述,最后,对入侵检测系统的未来发展方向进行了讨论。     

计算机教学中的抄袭检测及其社会网络分析研究

计算机专业课程中一般都涉及程序设计类的作业,而如何对学生提交的电子作业进行抄袭检测,是教学中经常要解决的一个问题。文章提出基于程序相似度计算技术,搭建电子作业抄袭检测平台,并结合社会网络分析软件对抄袭进行检测和分析,为减少学生程序设计作业抄袭现象提供一种新的思路。     

基于系统呼叫和网络数据包的两层入侵检测模型

由于每种检测手段都有各自的优缺点,任何一种单独的检测手段或方式都不能够检测出所有的入侵行为.为了弥补这些缺陷和不足,该文提出了一种基于系统呼叫和网络数据包的两层入侵检测模型,这种模型有机地把两种入侵检测技术融合在一起,极大地提高了系统的安全性能.结果也表明,这种检测模型具有更好的检测效果和健壮性.     

基于服务器入侵的手工检测方法与缺陷分析

基于服务器的手工入侵检测也是一种主动防御的安全技术,可以弥补IDS安全技术的不足,但也存在缺陷。文章对入侵检测技术进行了分析,介绍了通用的入侵检测方法,并对手工检测入侵的方法与缺陷进行了探讨。     

入侵检测系统的研究与展望

入侵检测是近十几年来出现的一种主动保护自己以免受黑客攻击的新型网络安全技术。入侵检测被认为是防火墙后的第二道安全阀门,它在不影响网络性能的情况下对网络进行监测,从而提供对内部攻击、外部攻击和误操作的实时保护。文章从网络入侵检测概念入手,重点对入侵检测系统的类型和入侵检测方法进行分析与阐述,最后对当前的入侵检测系统的不足之处给出了分析。     

异构复杂信息网络下的异常数据检测算法

异构复杂信息网络承载着不同的协议和网络信道,并通过云储存实现资源调度,由此产生的异常数据会给网络信息空间带来安全威胁和存储开销,所以需要进行异常数据准确检测。传统的检测算法采用简化梯度算法进行异常数据检测,不能有效去除多个已知干扰频率成分的异常数据,检测性能不好。提出一种基于自适应陷波级联模型的异常数据检测算法。构建异构复杂信息网络系统模型,采用固有模态分解把异常数据信号解析模型分解为多个窄带信号,设计二阶格型陷波器结构,用多个固定陷波器级联抑制干扰成份,采用匹配投影法寻求优化特征解,找出所有匹配的特征点对,从而实现异常数据检测的改进。仿真实验表明,采用该算法进行异常数据检测时,信号幅值大于干扰噪声数据幅值;该算法提高了检测性能,具有较好的抗干扰性能。     

基于语义信息的精细化边缘检测方法

边缘检测是在图像中准确地提取视觉上显著的边缘像素,以得到图像的边缘信息,然而传统基于全卷积网络的边缘检测方法通常存在预测边缘粗糙、模糊等问题。提出一种语义信息指导的精细化边缘检测方法。通过图像分割子网络将学习到的图像语义信息传递给边缘检测子网络,同时利用图像语义信息指导边缘检测子网络,其引入具有注意力机制与残差结构的特征融合模块,以生成精细的图像边缘,增强不同尺度的特征融合。在此基础上,结合图像分割任务和图像边缘检测任务中的代价函数定义新的模型代价函数并进行训练,进一步提高网络边缘检测质量。在BSDS500数据集上的实验结果验证了该方法的有效性,结果表明,该方法的固定轮廓阈值与图像最佳阈值分别达到0.818和0.841,相比HED、RCF等主流边缘检测方法,能够预测更精细的边缘图像,且鲁棒性更优。     

融合多维空洞卷积算子和多层次特征的深度网络检测算法

在基于深度网络的目标检测模型中,仅利用串行的卷积操作,模型会缺少描述网络不同层次的细节信息和特征图全局信息的能力,减弱小目标的检测能力,影响检测精度.基于残差网络结构,文中提出融合多维空洞卷积(MDC)算子和多层次特征的深度网络检测算法.首先设计MDC算子,卷积核具有5种不同的感受野,可获取8种不同语义的特征图,并引入串行网络的特征提取环节,构造特征层.再通过转置卷积操作实现检测层升维,用于级联不同层次的特征层,得到检测层并保证能在最大程度上保留目标的原始特征.最后使用非极大抑制完成检测算法的构建.实验表明,文中算法有效提高目标平均检测精度和小目标的检测能力.     

基于关键点估计的实时道路元素检测算法

针对手工设计神经网络结构成本较高、基于锚框的分类回归任务计算量较大以及小目标检测能力较弱的问题,文中使用基于神经网络结构搜索的EfficientNet-B3作为特征提取网络,改进基于双向特征金字塔网络的特征融合方法作为特征融合网络,利用关键点估计代替锚框,执行分类与回归任务,提出基于关键点估计的实时道路元素检测算法.在BDD100K数据集上的实验表明,文中算法在实时检测的基础上可达到较优的检测效果,在小目标上检测精度较高.     

改进YOLO框架的血细胞检测算法

为解决传统目标检测算法在血细胞检测任务中出现的检测精度偏低、错检及漏检等问题,提出了一种基于YOLO框架的改进目标检测算法YOLO-Att,该算法在YOLO框架结构的基础上,在骨干网络中增加了一种多尺度残差增强模块,结合低层信息丰富网络的特征层次,进而提高特征信息利用率;并设计了一种注意力门控结构嵌入模型,以获取更多高质量的主要特征信息;同时使用Focal loss代替原损失函数中的交叉熵,提高正负样本权重,加快模型收敛速度;采用[K]-means++聚类算法对目标进行锚框优化,进一步提升检测准确率。相较于现有的Faster-RCNN、SSD以及YOLOv4等目标检测算法,YOLO-Att在通用血细胞数据集BCCD检测任务中,将mAP提高至66.32%,检测速率达到了85.4?ms,更符合血细胞检测任务的实时性。     

计算智能及免疫理论在入侵检测中的应用研究

入侵检测是网络和信息系统安全中的重要技术手段。对该技术的发展、主要方法和最近的研究现状进行了综述，总结了两种典型检测模型存在的问题；对目前一些结合计算智能的入侵检测方法作了概括性的分析，并提出了一些新的思路；提出了一种基于人体免疫原理的分布式智能入侵检测系统模型和描述了其工作流程。     

基于共享BERT和门控多任务学习的事件检测方法

事件检测任务的目标是从文本中自动获取结构化的事件信息。目前基于表示学习的神经事件检测方法能够有效利用潜在语义信息,但人工标注数据集的语义知识含量有限,制约了神经网络模型的认知广度。相对地,多任务表示学习框架,有助于模型同时学习不同任务场景中的语义知识,从而提升其认知广度。BERT预训练模型得益于大规模语言资源的充沛语义信息,具有高适应性(适应不同任务)的语义编码能力。因此,该文提出了一种基于BERT的多任务事件检测模型。该方法将BERT已经包含的语义知识作为基础,进一步提升多任务模型的表示、学习和语义感知能力。实验表明,该方法有效提高了事件检测的综合性能,其在ACE2005语料集上事件分类的F₁值达到了76.7%。此外,该文在实验部分对多任务模型的训练过程进行了详解,从可解释性的层面分析了多任务架构对事件检测过程的影响。     

基于Hopfield神经网络的文本认证与同义词替换的可恢复水印算法

针对水印文本的篡改检测和恢复问题,利用Hopfield网络的联想记忆功能,提出一种Hopfield神经网络与同义词替换技术相结合的文本认证与同义词替换的可恢复水印算法.算法首先将文本分为可替换同义词和非替换词语,利用可替换同义词在其同义词库中的位置及汉字笔画和结构特征,分别提取文本可替换同义词的特征信息和非替换词语的特征信息.然后通过同义词替换实现水印嵌入,并将水印信息和非替换词语的特征信息输入Hopfield神经网络进行训练,实现篡改检测与可替换同义词的恢复功能.实验仿真表明,该算法具有较好的鲁棒性、篡改检测性和恢复能力,能篡改检测和定位可替换同义词、非替换词语,实现认证功能,且能恢复被替换的同义词,实现恢复功能.     

分类异常点检测算法及在IDS模型中的应用

在分析了各种异常点检测算法的基础上,提出了一种分类异常点检测算法,该方法能够对数据在各个方面表现出的异常情况进行全面检测,精确度高、时间消耗少。提出了一个入侵检测系统模型,包括异常检测层和误用检测层,在异常检测中应用了分类异常点检测方法,该模型可以明显减少系统的漏报率。     

话题识别与跟踪研究

作为自然语言处理一个新的研究方向,话题识别与跟踪旨在发展一系列基于事件的信息组织技术,以实现对新闻媒体信息流中新话题的自动识别以及对已知话题的动态跟踪。自1997年以来连续举行的多次大规模评测使得话题识别与跟踪研究正逐步成为近来自然语言处理尤其是信息检索领域的一个研究热点,目前国内在这方面的研究尚处在起步阶段。该文介绍了话题识别与跟踪研究的发展历史、研究任务、主要技术及评价方法等,希望能引起相关研究者对这项研究的关注。