基于Bi-LSTM模型的轨迹异常点检测算法

定位技术的飞速发展催生了时空轨迹大数据,轨迹数据中往往存在着明显偏离轨迹的异常点。检测出轨迹中的异常点对提高数据质量和后续轨迹数据挖掘精度至关重要。该文提出了一种基于双向长短时记忆网络(Bidirectional Long Short-Term Memory, Bi-LSTM)模型的轨迹异常点检测算法。首先对每个轨迹点提取一个6维的运动特征向量,然后构建了一个Bi-LSTM模型,模型输入为一定序列长度的轨迹数据特征向量,输出为轨迹点的类型结果。同时,算法采用了欠采样和过采样的组合方法缓解类别不平衡对检测性能的影响。融合了长短时记忆网络单元和双向网络,Bi-LSTM模型能够自动学习正常点和邻近异常点在运动特征上的差异。基于真实船舶轨迹标注数据的实验结果表明,该文算法的检测性能显著优于恒定速度阈值法、不考虑数据时序性的经典机器学习分类算法和卷积神经网络模型,尤其是召回率达到了0.902,验证了该文算法的有效性。      

基于声源定位的信息传输异常点智能识别算法研究

为了解决传统方法识别声音信息异常点时存在精确度低的问题,研究基于声源定位的信息传输异常点智能识别算法,采用改进模糊C均值聚类算法得到可能性C均值聚类算法,采用此声源定位算法计算异常声源聚类中心,当聚类符合限制条件时,输出的聚类中心为异常声源定位结果;以该结果为前提,依据短时幅度与短时过动态门限率变量判断声音信息异常点的起始端与终止端,识别出声音信息传输异常点。实验结果表明,所提算法对识别声音信息传输异常点的丢包率误差最大在3.45～3.7之间,说明所提算法对丢包率存在一定的抵抗能力。     

基于LSD和FLD融合的道路裂缝图像预处理方法研究

针对道路中的路标、路沿等直线类干扰物影响道路裂缝识别的问题,提出一种基于LSD(Line Segment Detector)和FLD(Fast Line Detector)融合的道路裂缝图像预处理方法。首先,基于LSD算法和FLD算法对裂缝图像进行直线检测,获取直线类干扰物的线段坐标值;其次,根据直线检测算法返回的线段坐标值进行断线重连,解决了直线检测算法提取线段不连续的问题;最后,根据线段重连后获取的直线类干扰物的掩膜图和裂缝图像原图,运用FMM(Fast Marching Method)图像修复算法达到消除直线类干扰物的目的。经过大量实验分析可得：该方法能够有效地消除裂缝图像中的直线类干扰物,使得裂缝检测的准确率提升了7.1%。     

子空间聚类算法在高维数据异常检测中的应用

传统异常检测技术是基于距离和密度的,快速的异常检测算法过分依赖于索引结构或网格划分,在低维数据上有很好的效果;面对高维数据的稀疏性、空空间现象等特性,索引结构失效,网格划分的数目呈指数级增长,传统算法性能下降;文中采用信息熵确定高维数据异常子空间,在异常子空间上使用DBSCAN聚类算法,在高维数据异常检测中表现出较好的性能。     

利用卷积神经网络的车道线检测方法

车道线检测是自动或智能辅助驾驶的核心问题之一。本文主要研究单目视觉下车道线检测算法。车道线具有多样性,其存在的环境又具有复杂性,因此准确高效车道线检测是一个具有挑战性的问题。本文提出了一种新的车道线检测算法,在传统车道检测方法中引入深度学习模型,主要包括下了步骤:首先使用基于车道线先验特征的图像增强算法进行边缘增强,对于边缘增强后的图像采用线段检测器进行线段提取,然后利用卷积神经网络构造线段分类器排除线段噪声,最后通过对消失点聚类排除无关线段,并按斜率聚类产生主车道线。实验表明,本文实现的算法具备较强的鲁棒性和很高的检测准确度。      

基于自适应邻域双边滤波的点目标检测预处理算法

该文通过分析点目标的成像原理,提出一种基于自适应邻域时空双边滤波的点目标检测预处理算法。算法针对每个像素建立自适应邻域,对不同类的邻域分别定义其定义域和值域势函数的乘积为滤波模板,并通过限制自适应邻域的大小加快了算法速度。与固定邻域的空域双边滤波算法和时空双边滤波算法相比,该文算法能够快速、有效去除噪声,同时增强点目标和背景的对比度。     

自由曲面高斯图闭域包含测试算法设计

提出了一种闭域包含点检测算法,对曲线边先进行包含测试,再找到相交线段,其中对抛物曲线段用二分查找法找到相交线段。由于曲边数远小于逼近多边形的边数n·m,该算法时间复杂度仅为o(n·lnm),加快了检测速度。     

浅析数据挖掘算法在入侵检测中的应用

随着互联网的高速发展,计算机网络在现代社会中扮演了日益重要的角色,它们也因此成为许多恶意攻击者攻击的对象。因此,无论是商业还是政府机构,对入侵行为的察觉和防护成为一个日益迫切的需求。目前应用于异常检测的方法有统计方法、神经网络、专家系统、数据挖掘等。基于数据挖掘等。本文采用了一种基于关联规则的数据挖掘算法来分析入侵检测系统数据库来检测出攻击事件。对于异常检测,主要研究了分类算法;对于误用检测,主要研究了模式比较和聚类算法,在模式比较中又以关联规则和序列规则为重点研究对象。最后对目前数据挖掘算法在入侵检测中应用所面临的难点进行了分析,并指明了今后的研究方向。     

基于聚类粒子群算法网络异常检测模型研究

提出了一种新的基于聚类算法和遗传算法相结合的入侵检测方法模型.算法对聚类的中心采用二进制编码,将网络的正常行为和非正常行为分为不同的类,把每个点到它们之间的各自的聚类中心的欧几里得距离的综合作为相似度量,然后采用粒子群优化算法,有效的降低网络拓扑路径长度,通过优化算法来寻找聚类的中心.Matlab仿真实验结果表明,提出的改进的网络异常检测方法,与较传统网络入侵检测系统模型相比,具有更好的入侵识别率和检测率,同时提高了算法的执行效率.     

基于改进LOF的高维数据异常检测方法

作为数据挖掘的核心问题之一，检测离群点或异常值是及时发现故障和隐患问题的重要判断依据。随着物联网设备量的持续增长，传统的单维异常检测算法已经难以满足日益复杂的大数据应用场景。对多维、庞大的数据流进行异常检测时，容易发生检测速度慢和研判准确度下降的问题。本文提出了一个基于高维数据的改进LOF异常检测算法，以提高检测速度和检测精度。同时构建了一个面向海量监控指标数据的流式处理框架，保障异常检测的正常运行。实验结果表明，改进后的算法在准确率和计算效率上有明显提升。     

基于孤立点检测的欠定混合矩阵盲辨识

本文将孤立点检测的思想引入到欠定混合矩阵的盲辨识问题,提出了一种基于孤立点检测的混合矩阵盲辨识方法.首先计算混合信号的空间时频分布并检测出单源时频点,然后检测出单源时频点中的孤立点并将其从中去除,再通过聚类的方法估计混合矩阵.该方法降低了对信号稀疏性的要求,通过去除数据中的孤立点,提高了矩阵的估计精度,同时也有助于对源信号数目的估计.仿真实验表明,与已有算法相比,本文方法进一步提高了混合矩阵的估计精度,并且有更强的鲁棒性.     

Temporal and spatial outlier detection in wireless sensor networks

Outlier detection techniques play an important role in enhancing the reliability of data communication in wireless sensor networks (WSNs). Considering the importance of outlier detection in WSNs, many outlier detection techniques have been proposed. Unfortunately, most of these techniques still have some potential limitations, that is, (a) high rate of false positives, (b) high time complexity, and (c) failure to detect outliers online. Moreover, these approaches mainly focus on either temporal outliers or spatial outliers. Therefore, this paper aims to introduce novel algorithms that successfully detect both temporal outliers and spatial outliers. Our contributions are twofold: (i) modifying the Hampel Identifier (HI) algorithm to achieve high accuracy identification rate in temporal outlier detection, (ii) combining the Gaussian process (GP) model and graph‐based outlier detection technique to improve the performance of the algorithm in spatial outlier detection. The results demonstrate that our techniques outperform the state‐of‐the‐art methods in terms of accuracy and work well with various data types.     

基于结构相似度的轨迹聚类算法

针对目前轨迹数据聚类直接以整条轨迹数据作为基本单元,导致聚类效果降低的问题,提出了基于结构相似度的轨迹聚类算法。算法引入轨迹结构的概念,并给出结构相似度计算函数来分析轨迹内外部特征。首先根据转角将轨迹划分成若干轨迹段,然后通过计算轨迹段的结构相似度来判断轨迹的匹配程度,进而完成轨迹聚类。真实数据的实验结果表明:该算法较其他同类算法分析轨迹更全面、效率更高;可以通过不同参数灵活调整特征的敏感度,聚类结果更具有实际意义。     

Abnormal trajectory detection method based on enhanced density clustering and abnormal information mining

Aiming at problems of low accuracy in the recognition and difficulty in enriching the information of abnormal behavior in the social security incidents，an abnormal trajectory detection method based on enhanced density clustering and abnormal information mining was proposed.Firstly，combined with Hausdorff distance，an enhanced DTW distance aiming at the problem of sampling to describe the behavior in detail was proposed.And based on the MBR distance， some definitions to describe the geographical distribution of trajectory were proposed.Secondly，with the density-distance decision model of CFSFDP algorithm，intelligent recognition of cluster was realized by using the difference of SSVR which was proposed based on SVR.Finally，based on the analysis of distribution under the two kinds of density，more abnormal information could be mined，three kinds of abnormal trajectories would be recognized.And the simulation results on trajectory data of Shanghai and Beijing verify that the algorithm is objective and efficient.Comparing to existing method，accuracy in the clustering is promoted by 10%，and the abnormal trajectories are sorted， abnormal information is enriched.     

一种基于模糊信息粒化的视频时空显著单元提取方法

提出一种基于模糊信息粒化的视频时空显著单元提取方法,为视频分析及检索等高层应用提供一个有效的内容表示模式.本文首先提出了一种类相关的特征粒化方法,粒化后的模糊粒特征简化了分类关系且在一定程度上解决了感知主观性问题,因而通过简单的分类器可以有效地提取空域中具有高视觉感知显著度的区域(简称为显著区域);其次,通过对显著区域的时域一致性分析提取视频序列中时域连续的显著区域集合,定义为时空显著单元.提取的时空显著单元能作为一种较为通用的语义级内容表示模式.实验结果分别从时域和空域两个方面验证了本文方法的有效性.     

一种多光谱红外舰船目标融合检测方法

针对复杂岸岛背景下的红外舰船目标检测问题,提出了一种多光谱融合红外舰船目标检测方法。首先根据不同谱段信息相互间的关系进行基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform, NSCT)域的多级多光谱图像融合,然后利用LSD线段检测和聚类对融合后的图像进行岸岛线检测。采用选择性搜索算法生成初始目标候选区域,然后结合岸岛线空间位置以及舰船目标的几何特征和灰度特征约束剔除部分虚假目标区域,最后提取候选区域的方向梯度直方图(Histogram of Oriented Gradient, HOG)特征算子。利用线性支持向量机(Support Vector Machine, SVM)分类器进行分类识别,以检测出真实舰船目标。实验结果表明,与单谱段红外舰船目标检测方法相比,本文方法在检测精度上有较大提升。     

运动视频对象的时空联合检测技术

提出了一种具有全局运动的视频运动对象时空联合检测算法。针对传统时间分割使用主观固定阈值的缺点,采用了对差分图像进行噪声参数自适应学习的算法获取自动阈值,并利用形态学运算获取修正的时间分割模板;考虑传统分水岭空间分割的不足,提出了基于人眼视觉特征的改进分水岭算法,包括基于形态重建滤波的图像降噪、形态梯度变换以及基于韦伯感知原理的视同灰度非线性变换,有效地解决了过分割问题;对时、空间分割结果进行信息融合处理,从而得到完整的运动对象。仿真实验结果表明,本文算法可以快速准确地分割视频运动对象。     

基于聚类模型预测的无线传感网自适应采样技术研究

该文利用无线传感网(WSNs)的数据空间相关性,提出一种基于数据梯度的聚类机制,聚类内簇头节点维护簇成员节点的数据时间域自回归(AR)预测模型,在聚类内范围实施基于预测模型的采样频率自适应算法。通过自适应优化调整采样频率,在保证数据采样精度的前提下减少了冗余数据传输,提高无线传感网的能效水平。该文提出的时间域采样频率调整算法综合考虑了感知数据的时空联合相关性特点,仿真结果验证了该文算法的性能优势。     

改进谱聚类算法在MCI患者检测中的应用研究

为了利用功能核磁影像（fMRI, functional magnetic resonance imaging）数据进行轻度认知障碍（MCI, mild cognitive impairment）自动检测,对患者的fMRI数据进行聚类分析,得到患者大脑血氧依赖水平(BOLD, blood oxygen level dependence)的变化模式,并将异常模式用于疾病检测中。由于传统谱聚类算法需要计算相似矩阵所有的特征值和特征向量、时间与空间复杂度较高。提出一种改进的谱聚类方法,在相似矩阵的构造以及σ与k值的确定等方面进行了改进,将其用于MCI fMRI数据的聚类与诊断研究中。与传统谱聚类及Nystr?m算法进行的对比实验结果表明,改进的谱聚类方法可以更准确得到患者异常BOLD模式,分类正确率较高,且时间和空间复杂度均小于传统算法。