基于K层特征模型的异常流量识别算法

针对在NetFlow数据流的环境中，如何解决海量数据识别的问题，提出基于K层特征模型的异常流量识别算法。采用优先级策略依次打开索引表，读取异常行为，并与异常行为的特征值逐条匹配，匹配成功作标记，确定异常行为类型。实验结果表明，该算法能够快速有效地识别异常数据流，提高了海量数据识别的实效性，有效地解决了网络安全问题，达到设计目标。     

基于SURF特征跟踪的动态手势识别算法

提出了一种基于加速鲁棒特征(SURF)跟踪的动态手势识别算法.其特征在于算法无需预先检测分割人手区域,仅通过跟踪统计相邻帧间匹配SURF特征点的移动主方向来刻画手势运动轨迹.提出采用经时间规整的轨迹方向数据流来建立动态手势模型,利用基于相关分析的数据流聚类方法实现动态手势的识别,大大提高动态手势识别速度.实验使用26个英文字母作为动态手势训练和识别,手势训练集和测试集的识别率分别为87.1%和84.6%,并成功用于实验室自主研制的侦察移动机器人Hunter的运动控制中,证实了该方法的有效性.     

基于改进KNN算法的网络数据流异常识别方法

传统识别方法未对异常数据流进行分类，导致识别正确率不高，提出基于改进K最邻近（K-Nearest Neighbor,KNN）算法的网络数据流异常识别方法。通过预处理异常数据流，提取异常数据流的特征，并以此作为基础，利用KNN算法统计异常数据流的类别，并分类所出现的异常数据。之后，通过计算不同网络环境下识别异常数据的时长，完成网络异常数据流的识别。在仿真实验中，与以往的网络数据流异常识别方法相比，提出的基于改进KNN算法的网络数据流异常识别方法具有更好的识别效果，识别正确率更高。     

基于双特征匹配层融合的步态识别方法

步态识别是根据人类走路的姿态来进行远距离的身份识别。针对轮廓不完整的图 像和关键帧容易造成部分信息丢失而引起的识别率下降问题,提出一种基于双特征匹配层融合 的步态识别方法。步态既有静态图像特征,又有动态速度变化特征,因此本文提出用匹配层融 合方法将静态的 Hu 矩 6 个不变矩特征和动态的帧差百分比特征融合后进行步态身份识别。首 先对一个周期内的归一化步态图像进行 Hu 矩特征以及帧差百分比的特征提取,将 Hu 矩 6 个不 变矩特征描述成一个特征向量,然后运用匹配层融合算法对 2 个特征进行融合;最后使用 K 近 邻分类器进行身份识别。实验表明,该方法较单一方法能够有效地提高步态识别正确率。     

基于形态图表示的三维物体识别算法

基于形态图表示的三维物体识别的基本思路是：首先建立待识别物体的模型库，找出模型集中所有模型物体的形态图和特征视图，并提取以它们的拓扑结构信息和几何信息；其次对物体真实图像作轮廓提取和0边界跟踪，得到二维图像的线架图，同时提取出它的拓扑结构信息和几何信息；最后将物体图像的拓扑结构信息和几何信息与模型库中模型物体的拓扑结构信息和几何信息匹配，从而达到识别的目的。文中提出了在生成线图链码时提取其拓扑结构信息和几何信息的方法，由拓扑结构信息和几何信息构造特征矩阵的方法，以及识别过程中特征矩阵的匹配算法。     

基于数据流时空特征的WSN异常检测及异常类型识别

异常数据检测及异常类型识别有助于提高无线传感器网络的数据质量,基于分类的异常检测算法存在传感器数据分类特征提取困难,无法进一步区分异常数据类型等问题,而基于时空特征的异常检测方法存在过度依赖于数据的假设分布等问题。针对这些问题,提出一种融合数据流时空特征和多分类模型的异常检测算法,算法首先基于Markov链提取传感器数据流的时空特征,然后将时空特征作为多分类卷积神经网络模型的输入特征,对数据流进行异常检测及异常类型识别。结果表明:该算法在不同数据集上均表现出较高的检测准确率以及较低的漏检率和误检率,可以有效地检测无线传感器网络中的异常值并判断异常类型。     

基于VQ 和GMM 的实时声纹识别研究

目前声纹识别系统已经实现较高的识别精度,但是随着目标说话人个数的增加,一般系统很难满足实时性的要求,由此提出一种双层识别模型。在第一层识别模型中,采用基于VQ-VPT（Vector Quantization-Vantage Point Tree）模型进行快速匹配,挑选出与测试者声纹特征最相近的K个目标说话人声纹模型。在第二层识别模型中,采用GMM-UBM（Gaussian Mixture Model-Universal Background Model）模型,精确匹配上层模型得到的K个目标说话人声纹模型,并做出最终的判决。实验验证,双层识别模型在确保高识别精度的前提下,大幅度的提高了系统的识别速度。     

三维网格模型增量式聚类检索

针对大规模三维网格模型库中的形状检索问题,提出了基于增量式聚类的三维形状描述和检索方法。首先根据三维模型的曲率分布直方图提取特征点得到特征向量;然后根据特征向量描述建立模型库的关键词词典;在特征 匹配阶段基于增量聚类方法判断目标模型的特征向量是否属于某一个关键词,并根据增量聚类的结果更新检索关键词词典;最后匹配特征向量检索模型库中与目标模型形状相同和相近的三维网格模型。相关实验结果证明了该方法快速有效,具有较高的准确性。     

基于动态二进制分析的密码算法识别

针对网络安全领域中应用程序内部密码算法识别问题,提出一种基于动态二进制分析的密码算法识别方法。该方法以二进制分析平台DynamoRIO作为支撑,动态记录程序执行期间的数据信息,并综合利用基于统计特征的过滤和分类、基于密码算法常数特征的匹配以及基于数据流分析的函数参数识别等技术,对密码算法进行识别。测试结果表明,该方法能够迅速识别并准确定位应用程序中所使用的密码算法。     

基于多特征的PSO-MSVM动态过程质量异常模式识别

为了提高动态过程质量异常模式识别效率,将动态过程质量模式的均值特征与小波包分解特征作为分类特征,并构建两层多支持向量机识别模型进行分类.利用均值特征,在第一层MSVM中把动态过程变化趋势划分为正常与周期、上升与向上阶跃、下降与向下阶跃三大类别;采用小波包分解特征,在第二层MSVM中对这三大类别进行再分类.仿真结果表明提出的识别模型的识别精度相比采用单一特征的识别模型有明显提高.     

基于BP神经网络的景象匹配算法

针对以可见光图像为基准、红外图像为实测的景象匹配问题,提出了一种基于BP神经网络的景象匹配方法。该方法首先抽取满足平移、旋转、尺度不变性的Krawtchouk不变矩作为红外目标的特征描述并构造特征向量,随后,基于主分量分析法消除特征向量各个分量间的相关性,去掉多个对目标匹配识别贡献不大的特征的影响,形成描述目标的有效特征向量。接下来,构造三层BP神经网络,以有效匹配特征作为输入,匹配位置作为输出,按照经验公式确定隐层节点个数,基于样本集对红外目标在可见光基准图像中的匹配过程进行训练,最终形成智能化景象匹配识别器。实验结果表明,与常用的景象匹配算法相比,提出方法不仅具有更高的匹配精度和速度,而且鲁棒性好,能抵抗实测图像的旋转几何畸变。     

基于数据包内容的网络异常行为分析方法研究

文章通过模拟网络异常访问行为,对数据包内容进行解剖分析,提取数据内容所反映的异常行为特征,结合数据包包头特征信息,构成基于数据包内容的网络异常行为特征。通过大量模拟实验,以提取的网络异常行为特征为记录,形成异常行为数据库。在网络异常行为检测过程中,将异常行为数据库中的特征翻译成正则表达式,与检测到的数据包内容特征进行匹配,以此较为准确地判断数据包是否臭奄舟靠行为。     

基于带约束语义文法的领域相关自然语言理解方法

开放域问答系统通常可以借助一些数据冗余方法来提高问答准确性,而对于缺乏大规模领域语料的领域相关问答系统来说,准确理解用户的意图成为这类系统的关键。该文首先定义了一种带约束语义文法,与本体等语义资源相结合,可以在词汇级、句法级、语义级对自然语言句子的解析过程进行约束,解决自然语言理解歧义问题;然后给出了一个高效的文法匹配算法,其首先依据定义的各种约束条件预先过滤一些规则,然后依据提出的匹配度计算模型对候选的规则进行排序,找到最佳匹配。为了验证方法的有效性,将方法应用到两个实际的应用领域的信息查询系统。实验结果表明,本系统提出的方法切实有效,系统理解准确率分别达到了82.4%和86.2%,MRR值分别达到了91.6%和93.5%。     

基于改进SSD算法的双目鱼群图像检测

针对水下鱼群图像对比度低、鱼群尺寸不一致以及双目图像拼接出现的伪影问题,通过改进SSD(single shot MultiBox detector)算法提高图像拼接精度,实现不同尺寸鱼群快速准确检测。借助卷积层重叠相加法融合多个卷积特征,增强各个特征层的特征强度;构建特征金字塔模型,实现低卷积层的高分辨率特征与高卷积层的语义特征的融合,提高水下低对比度图像中小目标鱼群的检测精度;利用两个相同的卷积模型进行特征匹配,依据反向传播机制将第六层匹配特征逐级映射到第四层,提高特征匹配精度。在Labeled fish in the wild数据集上对本文算法进行验证,对小目标鱼群的检测精度在90%以上。     

基于电流特征的电梯运行状态监测装置研制

电梯非正常停机识别是电梯运行安全监测和故障报警的基础。介绍一种基于电流特征的电梯运行状态监测方法,研究基于快速模板匹配的电梯非正常停机识别算法,开发电梯运行状态监测装置的硬件和软件,实现电梯非正常停机识别、停电监测和故障报警。试验表明：该方法可行,装置安装容易,识别准确率高,报警及时有效。     

基于扩展主题模型的异常医疗处方检测方法

异常处方指的是医生为患者所开具的存在异常的处方。医疗处方中出现异常,如滥用药或者开错药等,会影响患者的治疗效率,甚至造成严重的后果。由于一些主观或者客观原因,医生总会开具一些异常处方。检测出这些异常处方能够提升患者就医效率,减少社会医疗成本,并且对药物滥用、多开药、错开药的有效管理等都有着重要意义。为此,提出了一种基于扩展主题模型的异常处方检测方法。该方法能够自动地从大量处方数据中检测出异常处方,并且对于每一个新的处方,该方法都能够判断其诊断和用药是否匹配,进而判断其是否正常。与其他异常检测算法相比,该方法具有更广泛的应用,不仅可以在医疗领域中使用,以检测异常处方,还可以在其他领域中使用,以检测其他特征之间的匹配关系异常。该方法已经得到了实现,并在真实的处方数据集中得到了验证。     

一种基于数据聚类的鲁棒SIFT特征匹配方法

针对噪声敏感造成的SIFT特征匹配鲁棒性低问题,提出一种基于数据聚类的两阶段特征匹配方法.在满足特征匹配几何距离最邻近本质要求下扩展了k d数据结构,使其不但能够完成算术平均化匹配特征离线聚类,而且能够实现第1阶段聚类特征在线匹配.在此基础上,给出一种概率最优投票策略选择关键图像进行第2阶段匹配,最后合并两阶段属于关键图像的所有匹配特征对.实验结果表明,对于大量存在重叠关系的图像集合,该方法能够有效减少重复特征数量,降低噪声信息对特征匹配的干扰,极大地提高特征匹配的鲁棒性.     

基于深度学习算法的无线传感器异常数据检测

提出了基于深度学习的异常数据检测的方法,精准检测到无线传感器异常数据并直观展现检测结果。基于无线传感器网络模型分簇原理,通过异常数据驱动的簇内数据融合机制,去除无线传感器网络中的无效数据,获取无线传感器网络有效数据融合结果。构建了具有4层隐含层的深度卷积神经网络,将预处理后的无线传感器网络数据作为模型输入,通过隐含层完成数据特征提取和映射后,由输出层输出异常数据检测结果。实验证明：该方法可有效融合不同类型数据,且网络节点平均能耗较低;包含4层隐含层的深度卷积神经网络平均分类精度高达98.44%,1000次迭代后隐含层的训练损失均趋于0,可实现无线传感器异常数据实时、直观、准确检测。     

Sequential Monte Carlo for Bayesian matching of objects with occlusions

We consider the problem of locating instances of a known object in a novel scene by matching the fiducial features of the object. The appearance of the features and the shape of the object are modeled separately and combined in a Bayesian framework. In this paper, we present a novel matching scheme based on sequential Monte Carlo, in which the features are matched sequentially, utilizing the information about the locations of previously matched features to constrain the task. The particle representation of hypotheses about the object position allow matching in multimodal and cluttered environments, where batch algorithms may have convergence difficulties. The proposed method requires no initialization or predetermined matching order, as the sequence can be started from any feature. We also utilize a Bayesian model to deal with features that are not detected due to occlusions or abnormal appearance. In our experiments, the proposed matching system shows promising results, with performance equal to batch approaches when the target distribution is unimodal, while surpassing traditional methods under multimodal conditions. Using the occlusion model, the object can be localized from only a few visible features, with the nonvisible parts predicted from the conditional prior model.     

基于多尺度和多层级特征融合的立体匹配方法

基于卷积神经网络的立体匹配方法未充分利用图像中各个层级的特征图信息,造成对图像在不适定区域的特征提取能力较差。提出一种融合多尺度与多层级特征的立体匹配方法。通过在双塔结构卷积神经网络模型的前端设计一个池化金字塔层,提取图像的多尺度低层结构特征。在该网络模型的后端融合最后三层网络的高级语义特征来提取图像特征,并对图像特征进行相似性度量后输出视差图。在KITTI 2015数据集上的实验结果表明,与LUO和Anita方法相比,该方法的像素误差精度分别由14.65%、8.30%降至8.02%,且可得到细节信息更好的视差图。