一种基于时空 - 属性的 CPS 信息融合方法

信息物理系统CPS（Cyber-PhysicSystem）是融合了传感器网络、通信系统、计算机网络等多种网络和技术的新型复杂系统。其结构复杂性决定了网络中会产生大量数据,如何减小网络负载,提高能量利用率是CPS面临的一项重要挑战。数据融合通过将信息综合化,减少在网络内传输的数据量,能够有效地降低网络负载,从而达到节省能量开支的效果。同时通过将各类原始数据融合成具有意义的概括数据,大大提高了网络的数据分析和决策能力。本文将数据融合技术应用于信息物理系统,基于数据的时空和属性特点,提出了同时包含时间融合、空间融合、属性融合的STAC（Spatial-Temporal-AttributeCorrelation）算法。该算法基于时空相关性对原始数据进行首次融合,进而在加权贝叶斯理论的基础上,根据不同类型数据的属性相关性对数据进行二次融合,形成有综合意义的概括数据。基于NS2平台的仿真结果证明,该算法能够有效减少数据包传输量,并且能够准确预测CPS网络事件类型,实现CPS的智能闭环控制。     

分级融合算法在侦察情报系统中的应用

运用数据融合技术中模糊集合理论和遗传算法，建立适合地面战场复杂背景下标情报处理的融合算法模型——分级融合算法，并将该算法模型运用于侦察情报系统，对实现目标信息融合处理的自动化进行了有益的探讨。     

无线传感器网络信息时空融合模型与算法研究

信息融合是解决无线传感器网络能量和通信带宽受限的有效途径,提出了一种无线传感器网络信息时间和空间多级混合融合的结构模型。首先对距离汇聚节点较远的节点信息进行时间融合和对距离汇聚节点较近的节点信息在汇聚节点进行时空融合,然后在汇聚节点对两种节点的融合结果进行全网络的空间融合。就该模型提出了基于DS证据理论的多级时空融合算法。数据分析结果表明:该模型能够降低节点能耗,延长网络寿命。     

子波变换在计算机网络信息智能处理中的应用

本文分析了子波变换自适应时频多尺度分辨的特点及相应的快速算法,子波变换与神经网络融合实现图像信息智能处理的技术。指出了用子波变换进行计算机网络图像信息降噪、数据压缩码和完美重构,可以提高计算机网络图像信息处理精度和实时传输速度。本文旨在促进信号处理和计算机网络学科交叉的研究。     

基于大数据分析的计算机网络时序信息安全监测

计算机网络技术发展推动计算机网络广泛覆盖的同时,其安全问题也日益突出,为此提出基于大数据分析的计算机网络时序信息安全监测方法。该方法利用大数据分析技术中的跨模态深度度量学习算法提取计算机网络时序数据特征后,以该特征为基础,利用改进K-Means算法获得计算机网络时序数据中的异常数据,实现计算机网络时序信息的安全监测。实验结果表明,该方法可有效提取计算机网络时序数据特征,同时可准确监测计算机网络时序信息中的异常数据,具备较为显著的网络安全监测能力。     

基于时空信息融合的人体行为识别研究

在视频理解任务中,人体行为识别是一个重要的研究内容,但视频序列中存在时空信息融合困难、准确率低等问题。针对这些问题,提出一种基于时空信息融合的双流时空残差卷积网络模型。将视频分段采样提取RGB图像和光流图像,并将其输入到双流时空残差网络,通过设计的时空残差模块提取视频的深度时空特征,将每个视频片段的类别结果加权融合得到行为类别。提出的双流时空残差模块引入了少量的三维卷积和混合注意力机制,能够同时获取不同尺度的时空信息并且抑制无效信息,可以有效平衡时空信息的捕捉和计算量问题,并且提升了精度。实验基于TSN网络模型,在UCF101数据集上进行验证,实验结果表明提出的模型比原TSN网络模型的精准度提高了0.9个百分点,有效地提高了网络的时空信息捕获效率。     

基于时空特征提取的空气污染物PM2.5预测

为了充分挖掘多因素数据间的时空特征信息，解决在多种因素相互影响下不能准确预测PM2.5值的问题，提出了一种融合了局部加权回归的周期趋势分解（Seasonal-Trend decomposition procedure based on Loess, STL）算法、卷积长短期记忆网络（Convolutional Long Short-Term Memory Network, ConvLSTM）和门控循环单元（Gated Recurrent Unit, GRU）的PM2.5预测方法。首先利用STL算法将PM2.5数据进行分解，将分解得到的序列分别与其他因素相融合；搭建ConvLSTM-GRU模型，并利用贝叶斯寻优算法进行超参数寻优；将融合数据传入ConvLSTM网络中进行时空特征提取，再将提取后的特征序列传入GRU网络中进行预测。通过与ConvLSTM-GRU模型、CNN-GRU模型以及GRU模型的预测结果进行比较实验，证明所提模型具有误差小、预测效果好等特点。     

基于注意力机制的3D DenseNet人体动作识别方法

传统人体动作识别算法无法充分利用视频中人体动作的时空信息,且识别准确率较低。提出一种新的三维密集卷积网络人体动作识别方法。将双流网络作为基本框架,在空间网络中运用添加注意力机制的三维密集网络提取视频中动作的表观信息特征,结合时间网络对连续视频序列运动光流的运动信息进行特征提取,经过时空特征和分类层的融合后得到最终的动作识别结果。同时为更准确地提取特征并对时空网络之间的相互作用进行建模,在双流网络之间加入跨流连接对时空网络进行卷积层的特征融合。在UCF101和HMDB51数据集上的实验结果表明,该模型识别准确率分别为94.52%和69.64%,能够充分利用视频中的时空信息,并提取运动的关键信息。     

计算机网络安全中数据加密技术的应用研究

进入二十一世纪以来,互联网技术在全球范围内得到飞速广泛的发展,互联网的过度发放和广泛普及在为人们提供大量的数据信息同时,其自身也存在着网络信息被篡改、窃取和破坏的危险,由此网络计算机的安全问题便凸显出来。采取适当的措施保证网络信息的保密性、完整性和不可否认性是实现计算机网络安全的主要途径,数据加密技术用于计算机网络安全具有较好的维护功效。该文主要介绍数据加密技术的概念、种类和算法,对数据加密技术的特点进行较为详细的分析阐述,并指出目前计算机网络面临的主要安全问题,重点讲述数据加密技术在计算机网络安全中的利用价值和具体加密技术的应用。     

传感器网络中基于差异化加权数据压缩的汇聚算法

数据融合技术能有效地节省能量,提高信息的准确度.结合传感器网络自身的特点,本文提出了一种基于差异化加权数据压缩的汇聚算法(DADW),通过选择合适的融合点并对不同源节点的信息进行差异化加权处理,有效地提高了数据融合的精度,提供了可靠的服务质量保障.仿真结果表明,相对于已有的算法,该算法以一个很小数量级的能量损失获得了融合精度的显著提高.     

双路融合的深度估计神经网络方法研究

从单目视觉中恢复深度信息是计算机视觉领域的经典问题,结合传统算法的深度学习方法是近年来的研究热点,但在神经网络的算法融合、参照物标定和应用场景上还有限制。提出了一种双路融合深度估计神经网络结构,分别基于深度与深度梯度的语义信息进行网络训练,对特征融合后再次训练得到最终的细节特征,并通过单次标定的方法解决真实参照物标定工作量大的问题。该网络结构能根据单张RGB图片推测出富有细节的深度信息,网络模型基于KITTI的深度图数据集训练,实验包括KITTI测试集和部分实际场景图集,结果表明该方法在深度信息细节的重建上优于对比深度估计方案,在大视场场景下的鲁棒性优良。     

基于小波网络和证据理论的多源信息融合系统研究

在多源信息融合中，不确定、不完整和冗余现象普遍存在。为了解决这个复杂问题，本文首先利用相空间重构理论对输入的信息在相空间中进行重构，以充分提取相关信息。然后在重构相空间上，利用模糊理论、小波网络和遗传算法对上述重构信息进行了时间域信息融合。最后，利用D—S证据理论将时间域融合结果进行了空间域信息融合，并根据决策规则进行了决策。结果表明．据此形成的分布式多源信息融合系统具有良好的目标探测能力、抗干扰能力和容错能力。     

基于IGF+Bi-LSTM算法的心电信号分类

为强化心电信号渐变特征、提高时序信号分类精度,基于Bi-LSTM提出了一种融合渐变数据特征的自适应算法IGF+Bi-LSTM（self-adaptive Bi-LSTM based on integrating gradient features）。该算法在一定范围内自适应选取相似程度最高的渐变数据特征,通过数据融合强化渐变特征在网络隐空间的交互,拓展Bi-LSTM信息传递模式;针对时序信号间存在周期性不匹配和强度不一致的问题,提出一种基于差分的改进的B式距离,以刻画数据和不同标签数据全体间的差异度S并自适应调整IGF+Bi-LSTM中的融合系数。实验表明,该算法在ECG数据集上的分类精度达到98.7%,F1值为98.7%,证明了IGF+Bi-LSTM算法的有效性和实用性。     

基于贝叶斯网络的博弈融合建模

针对多源信息冲突环境下的信息融合问题,提出了一种博弈融合模型,并根据Bayes网络推理理论与信息论交互熵等定义给出了此博弈融合模型的具体算法,最后对此算法进行了仿真,根据实验结果进行了分析与总结。     

融入时序和速度信息的自适应更新目标跟踪

目的 针对目标跟踪算法在现实场景的遮挡、光照变化和尺度变化等问题,提出一种融入时序信息和速度信息的多特征融合自适应模型更新目标跟踪算法。方法 通过提取目标的分级深度特征和手工设计方向梯度直方图（histogram of oriented gradients,HOG）特征,以全深度特征组合和深层深度特征与手工设计特征组合的方式构造两个融合特征器,提高在复杂场景下跟踪的稳健性;对融合特征进行可信度计算,选择最可靠融合特征对当前帧目标进行跟踪;在跟踪质量不可靠时,对目标表征模型进行更新,加入时间上下文信息和当前鲁棒表征信息,通过多峰值判定和运动速度判定选择最优目标预测位置作为最终结果。结果 在OTB（object tracking benchmark）2013和OTB2015数据库上进行大量测试,与其他7个算法相比,本文算法总体效果取得最优,且在不同复杂环境下也取得了优秀的跟踪效果,在OTB13和OTB15数据库中,跟踪精度分别为89.3%和83.3%,成功率分别为87%和78.3%。结论 本文算法利用深度特征与手工设计特征进行融合,对跟踪结果进行多峰值分析和运动速度判定,跟踪结果不佳时自适应更新特征进行重跟踪。实验结果表明,本文算法可以有效处理光照变化、背景杂波和遮挡等复杂因素的干扰,有效提升了跟踪质量。     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

基于属性选择的因果网络多传感器融合系统

针对粗集“简化”在实际应用中存在的问题提出了“统计简化”的定义和相应属性搜索算法，利用此算法对一个水域污染监测信息表进行属性简化，结果显示与常规算法相比，此算法得到的结果能够覆盖最大数量的对象，更不易失配，利用简化结果对上述数据融合系统建立了因果网络模型，实验表明，在保持原型搜索正确率的同时，新模型压缩了搜索空间，提高了搜索效率，此外，为便于因果网络的建立导出了因果连接强度的粗集表达式。     

改进YOLOv5s的无人机目标检测算法

无人机在情报、侦察和监视领域,目标自动检测可为侦察等任务提供准确的目标位置及类别,为地面指挥人员提供详尽的目标信息。针对无人机图像背景复杂、分辨率高、目标尺度差异大等特点,提出一种改进YOLOv5s目标检测算法。将压缩-激励模块引入到YOLOv5s算法中,提高网络的特征提取能力;引入双锥台特征融合（bifrustum feature fusion,BFF）结构,提高算法对较小目标的检测检测精度;将CIoU Loss替换GIoU Loss作为算法的损失函数,在提高边界框回归速率的同时提高定位精度。实验结果表明,改进后的YOLOv5s取得了86.3%的平均均值精度（mAP）,比原算法YOLOv5s提高了16.8个百分点,在复杂背景下仍能显著提升无人机图像目标检测性能。     

基于人工蜂群算法的计算机网络DDoS攻击检测方法

计算机网络在DDoS入侵下容易出现停止服务、网络崩溃,为了提高网络安全性,提出基于人工蜂群算法的计算机网络DDoS攻击检测方法。根据特征样本之间的相关性构建计算机网络DDoS攻击的自适应的入侵检测信息分析模型,根据网络数据流与潜在空间之间的映射关系,结合测试样本和学习样本之间特征差异性进行DDoS攻击数据特征提取,在基站上设置入侵检测数据处理终端,采用人工蜂群算法实现对计算机网络攻击检测的个体最优值和全局最优值寻优,根据人工蜂群的动态寻优和组合优化结果,实现对组合网络流量数据间的攻击信息特征提取和聚类分析,解决计算机网络DDoS攻击检测过程中的连续多变量优化问题。仿真测试结果表明,采用该方法进行计算机网络DDoS攻击检测的寻优能力较好,精度和效率高于传统方法。     

基于模糊神经网络的煤层冲击地压预测模型研究

煤层冲击地压是煤矿重大灾害之一。冲击地压的发生是由多方面因素造成的,具有模糊性、动态性,表现为一个复杂的非线性动力学过程,这使得冲击地压预测系统的数据处理不能按照常规的线性系统法进行处理。文章提出了多源信息融合的模糊神经元网络算法,且基于势场拓扑层次聚类融合FCM算法的聚类思想,将模糊集合理论引入神经元网络,构成基于多判据信息融合的模糊神经元网络模型,并对该网络进行了优化。通过仿真试验,验证了该模型的有效性。