基于HMM和BP神经网络组合模型的用水行为识别

在当前水资源短缺以及用水量不断增加的背景下,识别农村居民用水行为,对于农村地区居民用水安全和管理、缓解水资源短缺具有重要的意义。为此,提出了一种隐马尔可夫模型(Hidden Markov Model,HMM)和BP神经网络(Back Propagation,BP)相结合的组合模型,模型综合了BP网络优秀的分类识别能力和HMM强大的时域建模能力的优点。该模型首先为居民用水行为的6个事件分别建立1个HMM,然后计算各个模型的最佳状态的输出概率,再将此概率和期望输出共同训练BP神经网络,最后选取测试数据和已建立的组合模型进行匹配,得到识别结果。研究结果表明:该组合模型在用水行为识别准确度上比单独应用HMM模型高8. 78%,比单独应用BP神经网络高8. 92%,具有一定的应用价值。     

农村居民用水行为的识别方法

实时准确地识别居民用水行为对制定有效的家庭用水需求管理策略、提高用水安全、改善当前水基础设施的规划和管理有重要的研究意义。针对每个用水事件的流量特点,通过分析几种典型的居民用水行为,提出了两种居民用水行为识别方法。分别利用HMM和BP神经网络建立不同类型居民用水行为的识别模型,对居民用水行为进行实时而有效的识别。这两种方法首先从训练集合中提取不同用水行为的流量特征、并建立该行为的参考模型,然后从测试集合中提取用水行为的流量特征和已设置的参考模型进行匹配,得出识别结果,最后对两种识别方法的结果进行了对比分析。可以得出两个结论:在不同流量模式用水事件下,HMM模型比BP神经网络的识别准确度高6%左右;在相似流量模式用水事件下,BP神经网络比HMM模型的识别准确度高约6%。     

LoRa数据传输网络混合加密设计

随着L o Ra网络应用深度与广度的增加,关于信息安全的需求逐渐变大,所以确保数据传输网络的安全性是LoRa网络发展与应用的必要条件.传统LoRa网络在数据传输过程中自身具有加密机制,其使用A ES-128加密算法对数据报文进行加密.但是,在加/解密过程中,2个密钥是相对称的,以至于各项参数大致相同,当一对密钥中任何一个密钥泄露时,都很容易计算出另外一个密钥.针对存在的安全问题,提出一种改进的混合加密方案:在LoRa网络的基础上引进RSA非对称加密算法,利用RSA加密算法安全性高的优势对AES加密算法加/解密数据过程中所用到的密钥进行加密处理,降低LoRa网络数据传输过程中的安全隐患,提高安全性;并在此基础上对A ES和RS A加密算法优化改进,以确保数据传输的效率.最后,对本文设计的方案进行测试,测试结果表明,本文方案在保证数据传输效率的同时增强了密钥的防窃取性,很大程度上提高了L o Ra网络数据传输的安全性.