基于深度学习的通信辐射源指纹特征提取算法

针对在小样本条件下难以有效提取通信辐射源指纹特征的问题，设计了一种堆栈自编码网络的通信辐射源个体细微特征提取算法。首先通过预处理（高阶谱分析）将原始通信辐射源信号从时域转化到高维特征空间，然后利用大量无标签的通信辐射源高维样本训练堆栈自编码器网络，在此基础上，通过少量有标签的通信辐射源样本对softmax回归模型进行精校训练，从而获得面向通信辐射源指纹特征提取的深度学习网络。实际采集的通信电台数据集上的实验结果验证了该模型的可行性与有效性。      

栈式自编码器特征表达能力研究

以深度学习中的自编码器为基础,堆积稀疏自编码形成深度网络,以贪心算法逐层训练实现特征层的层抽象映射,监督训练Softmax分类器,然后使用BP(反向传播)算法优化权值,构建SAE(栈式自编码器),并重点对其特征表达能力进行探究。第一,以单层自编码器作为特征表达的基础模块,探究自编码器中隐藏层节点数对特征表达能力影响;第二,重点探究对于多层自编码器的理解,堆积自编码器是否是一个好的获取理想特征表达的途径,主要评估多层自编码器对于特征表达的准确性和稳定性影响。基于MNIST(美国国家标准与技术研究所数据库)数据集的实验与PCA(主成分分析)、LLE(局部线性嵌入)、BP算法特征表达能力进行对比分析,验证栈式自编码器特征表达能力的有效性。     

基于深度特征学习的旋转机械滚动轴承状态在线监控

针对现有算法在旋转机械设备动态监控中的不足，提出基于深度特征学习的滚动轴承状态监控算法研究。在深度学习模型编码器的构建方面，考虑到隐层神经元活跃度的设定，并确保自动编码器具有一定的稀疏性和降噪性；采用堆叠式稀疏降噪编码器的结构设计，对故障数据做无监督逐层训练，以降低损失函数值；结合GLUP算法提取故障数据集的特征，达到提高在线监控精度的目的。实验数据表明，该算法在故障样本集的训练和测试中，均保持较高故障分类准确率和监控精度，在模型损失函数值控制方面也优于现有监控算法。     

基于CBAM的深度序数回归方法

本文针对单目深度估计模型深度序数回归算法中全图像编码器易丢失较大像素值像素特征信息和位置信息的缺点,提出一种基于CBAM的深度序数回归方法.首先,将CBAM嵌入到深度序数回归算法中作为全图像编码器,依次采用通道注意力机制和空间注意力机制来捕获图像完整的特征信息和位置信息,通过获得的注意力图重新调整原始特征;其次,对像素的深度值进行离散,将深度估计重新转化为序数回归问题;最后,使用回归损失函数对网络进行训练.实验结果表明,相比于其他有监督学习、半监督学习和无监督学习的方法,该方法在KITTI数据集上取得更好的效果.     

基于自编码器的显微图像色彩恒常算法

针对显微图像领域色彩恒常(CC)数据集缺乏、CC算法跨数据集训练效果不佳的问题,通过相机采集和模拟生成两个步骤建立了显微CC数据集,并提出了一种基于自编码器的显微图像CC算法.该算法用改进的UNet结构自编码器进行半监督训练,同时引入一种新的复合损失函数优化网络参数,使恢复的图像色彩更准确.实验结果表明,相比传统自编码器,本算法训练的图像清晰度更高,在NUS-8 CC数据集、RECommended CC数据集和自建显微CC数据集中的角误差估计值更小.     

基于Grassmann流形几何深度网络的图像集识别方法

近年来,深度学习以其强大的非线性计算能力在目标检测和识别任务中取得了巨大的突破。现有的深度学习网络几乎都是以数据的欧氏结构为前提,而在计算机视觉中许多数据都具有严格的流形结构,如图像集可表示为Grassmann流形。基于数据的流形几何结构来设计深度学习网络,将微分几何理论与深度学习理论相结合,提出一种基于Grassmann流形的深度图像集识别网络。同时在模型训练过程中,使用基于矩阵链式法则的反向传播算法来更新模型,并将权值的优化过程转换为Grassmann流形上的黎曼优化问题。实验结果表明:该方法不仅在结果上识别准确率得到了提高,同时在训练和测试速度上也有一个数量级的提升。     

基于自编码器结构改进的无监督图像异常检测

基于自编码器结构的无监督学习算法已经被广泛应用在异常检测中如智能制造、医疗影像、安防监控等领域。针对现有的基于自编码器结构的图像异常算法模型与传统有监督模型相比仍存在识别精度差、鲁棒性较差、训练效率低的问题,提出了基于图像特征重建方法的自编码器架构和基于迁移学习思想对自编码器进行特征增强处理的异常检测算法。通过引入预先训练的特征提取网络作为前置图像特征提取模块完成对输入图像多尺度特征的提取和融合,得到输入图像的多尺度特征融合图,再据此选择搭另一个预训练网络和自编码器组成Teacher-Student模型,完成自编码器模型的快速收敛。基于多尺度特征融合图的重建思想是利用了图像卷积特征的可判别性,实现了对图像潜在的异常信息的辨识。在自编码器与预训练网络构成的T-S模型中,经过预训练的T模型将S模型的解空间限定在一定范围,极大加速了模型的训练过程。在MVTec-AD标准数据集上将本文所提方法与现有方法进行实验对比,验证了方法的可行性。     

基于深度学习的装备故障诊断方法

深度学习作为模式识别和机器学习领域的最新成果,在装备故障诊断和健康管理方面有着广阔的前景。结合装备故障大数据的特点和深度学习理论的优势,提出一种新的装备故障诊断方法。根据去噪自动编码器原理,实现训练网络的无监督特征学习,完成整个神经网络的构建;根据故障种类确定输出层,使用BP算法对整个网络进行有监督微调,提升故障分类的准确度。利用上述方法,通过实验完成了某通信电台的模块级故障诊断。     

基于无监督学习的行人检测算法

提出了一种基于无监督学习的行人检测方法,用以解决学习样本未标记的问题。将深度学习应用于行人识别,数据增强用来生成额外的训练数据而无需对训练样本进行标记。利用无监督卷积稀疏自动编码器进行前期训练获得特征,在此基础上,利用端对端监督训练对分类器进行训练,同时对获得的特征进行微调得到最终的行人特征。INRIA数据集中的实验结果表明,无监督学习获得的特征提高了检测率,证明本文方法的可行性和有效性。     

基于无监督栈式降噪自编码网络的显著性检测算法

针对现有的显著性检测算法检测目标类型单一、通用性差的问题,提出一种基于无监督栈式降噪自编码网络的显著性检测算法.该算法利用无监督栈式降噪自编码网络（Stacked Denoising Auto Encoder,SDAE）在多个尺度对原始图像进行稀疏重构,将原始图像与SDAE网络重构图像之间的差作为显著图,二值化后的显著图作为显著性目标检测结果.在SDAE网络训练过程中,将原始图像作为原始数据,网络重构的图像作为观察数据.为了提升网络训练效率,首先利用无监督逐层贪婪方法训练同结构的深度信念网络（Deep Belief Network,DBN）,将训练得到的DBN网络参数设为SDAE网络的初始参数,再计算原始数据与观察数据之间的互信息作为网络收敛代价,利用反向传播进行网络参数微调.实验表明,该网络模型可以完成多类型目标的显著性检测,具有通用性好,准确度高等优点.     

Network threat situation assessment based on unsupervised multi-source data feature analysis

Aiming at the limitations of supervised neural network in the network threat testing task relying on data category tagging,a network threat situation evaluation method based on unsupervised multi-source data feature analysis was proposed.Firstly,a variant auto encoder-generative adversarial network (V-G) for security threat assessment was designed.The training data set containing only normal network traffic was input to the network collection layer of V-G to perform the model training,and the reconstruction error of the network output of each layer was calculated.Then,the reconstruction error learning was performed by the three-layer variation automatic encoder of the output layer,and the training abnormal threshold was obtained.The packet threat was tested by using the test data set containing the abnormal network traffic,and the probability of occurrence of the threat of each group of tests was counted.Finally,the severity of the network security threat was determined according to the probability of threat occurrence,and the threat situation value was calculated according to the threat impact to obtain the network threat situation.The simulation results show that the proposed method has strong characterization ability for network threats,and can effectively and intuitively evaluate the overall situation of network threat.     

多模态特征融合的网络安全态势评估

针对网络安全监测设备信息来源单一以及预警质量较低等问题,文中提出了融合多种数据来源的网络安全态势评估方法。通过引入Endsley模型和Agent理论,构建了网络安全态势的NSSA框架。利用径向基神经网络的思想,通过消除多余噪声与无关信号实现多源异构数据的融合,从而提出具有多模态特征融合的网络安全态势评估方法。MATLAB仿真结果表明,与传统的BP神经网络相比,文中提出的网络安全态势评估方法具有更好的学习能力和泛化能力。     

基于贝叶斯深度学习的一维雷达有源干扰信号识别方法

雷达干扰信号准确识别是雷达抗干扰的前提,对于雷达生存至关重要。针对传统雷达干扰信号识别方法需要繁琐的分析计算提取特征,通用性差,泛化能力弱,难以适应复杂的雷达工作环境问题。本文考虑无需人工提取特征信息且具有较好的分类识别效果的深度学习网络。考虑到传统的深度学习网络由于使用点估计方式,不能够很好的衡量预测结果中的不确定性,本文提出了一种基于贝叶斯深度学习的干扰识别方法。首先,通过概率建模代替网络参数模型的点估计,解决了不确定性随机数据引起的网络过拟合问题。其次,考虑有效利用雷达回波信号的时序特性设计了LSTM层,同时解决训练过程中的梯度消失问题。基于线性调频雷达有源干扰实测数据完成了网络训练与测试,实验结果表明,引入贝叶斯方法可以在加快网络收敛速度的同时有效提高识别准确率。     

基于Deep Belief Nets方法的中文名实体分类研究

DBN是一种快速全局最优的神经网络分类方法,包含数层无监督学习网络和一层有监督学习网络。本文验证了DBN方法很好地适用于中文名实体分类任务。首先,采用多层RBM方法无监督地从字特征向量提取结构信息,得到更具有表征能力的特征;然后,利用BP方法微调网络参数并对提取后的特征向量进行分类,以此构成分类器进行名实体分类。通过对ACE 04的中文名实体进行的分类测试,准确率达到91.45%,明显高于支持向量机和反向传播神经网络等传统分类算法。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.     

基于深度信念网络的铁路信号设备故障识别

针对现有铁路信号设备故障识别算法特征提取不准确导致正确率偏低的问题,提出了深度信念网络(DBN)的故障识别模型。该模型首先利用无监督训练方法对DBN的多个堆叠受限玻尔兹曼机(RBM)进行预训练,获得网络初始参数;然后,结合铁路信号设备识别问题,构建BP神经网络,利用有标签样本进行反向传播训练,实现网络参数微调。实验结果表明,该模型避免特征提取的人工操作,能够有效实现铁路信号设备故障的准确智能识别。     

网络安全态势要素指标体系研究

针对网络安全态势评估指标体系的不完善和难以选取及构建等问题,以相关标准和规范为基础,从系统安全机制出发,按照既定原则,提出一种网络安全态势要素指标体系构建方法,并给出了网络可用性态势要素数据获取和指标值的计算方法。实验表明,网络安全态势要素指标体系的构建具有一定的科学性,为网络安全态势评估提供了一种新的数据解决途径。     

基于深度学习的蓝牙射频指纹识别系统

蓝牙射频指纹具有难以伪造的优点，基于射频指纹的身份识别能有效提高网络的安全性。文中设计了一种基于深度学习网络的蓝牙射频指纹识别系统。首先，利用Hackrf One软件无线电平台和GNU Radio软件在蓝牙信号广播阶段采集多种蓝牙信标信号。其次，对蓝牙信号进行预处理，将预处理后的数据分为训练集与验证集。然后，使用MATLAB深度学习工具箱来设计长短期记忆网，利用训练数据集对各个网络进行训练，得到蓝牙射频指纹识别网络。最后，利用验证集对上述网络进行测试和分析。当迭代次数为300时，网络对3种蓝牙信标的射频指纹识别的准确率均达到80%以上。     

基于图像退化模型的红外与可见光图像融合方法

基于深度学习的红外与可见光图像融合算法依赖人工设计的相似度函数衡量输入与输出的相似度,这种无监督学习方式不能有效利用神经网络提取深层特征的能力,导致融合结果不理想。针对该问题,该文首先提出一种新的红外与可见光图像融合退化模型,把红外和可见光图像视为理想融合图像通过不同退化过程后产生的退化图像。其次,提出模拟图像退化的数据增强方案,采用高清数据集生成大量模拟退化图像供训练网络。最后,基于提出的退化模型设计了简单高效的端到端网络模型及其网络训练框架。实验结果表明,该文所提方法不仅拥有良好视觉效果和性能指标,还能有效地抑制光照、烟雾和噪声等干扰。