采用信息增益率的混合入侵检测模型设计

针对现有混合入侵检测模型仅定性选取特征而导致检测精度较低的问题，同时为了充分结合误用检测模型和异常检测模型的优势，提出一种采用信息增益率的混合入侵检测模型.首先，利用信息增益率定量地选择特征子集，最大程度地保留样本信息；其次，采用余弦时变粒子群算法确定支持向量机参数构建误用检测模型，使其更好地平衡粒子在全局和局部的搜索能力，然后，选取灰狼算法确定单类支持向量机参数构建异常检测模型，以此来提高对最优参数的搜索效率和精细程度，综合提高混合入侵检测模型对攻击的检测效果；最后，通过两种数据集进行仿真实验，验证了所提混合入侵检测模型具有较好的检测性能.     

校园网安全机制的研究

针对校园网络的特点,总结校园常见网络流量协议特征;深入讨论网络协议识别技术,详细对基于端口、基于行为特征和基于负载三种常用的协议识别方法进行了介绍。     

基于ARM／GPRS／ZIGBEE水产养殖远程监控系统设计

为了满足水产养殖智能化的要求,设计了水产养殖中水质参数的远程实时监控系统,该系统由基于传感器节点,汇聚节点的水质参数无线监测网络和远程数据管理节点组成。采用以CC2430为核心的ZigBee模块传感器节点方案,构建基于ZigBee协议的无线传感网,实现水质数据采集;应用以ARM9微处理器S3 C2410开发的汇聚节点实现数据的汇聚和GPRS无线通信实现远程数据的传输。利用ZigBee技术和GPRS技术,此系统不仅满足了无线数据采集和数据传输的相关指标要求,而且有效地解决了水产养殖系统中布线困难、节点不可移动、不易维护等问题,满足了水产养殖中水质监测的需要。     

利用RSS推送的主动服务解决藏书呆滞的研究

将通过系统提取的读者兴趣及需求信息与不断更新的RSS资源库进行比对,筛选出最能满足用户要求的RSS信息,并通过RSS主动推送技术,将资源及时发送给读者,是提高馆藏图书利用率,减少图书呆滞量的一种有效途径。     

基于单片机的无线遥控智能小车的设计与实现

从控制的角度论述基于单片机的无线遥控智能小车的工作原理。该智能小车采用STC8C52单片机作为核心控制器,通过无线通信模块遥控小车,实现前进、后退、转弯、刹车等基本功能,并利用红外传感器探测障碍物,实现小车的自动避障。整个系统电路结构简单,且可靠性高。     

物联网智能家居系统的研究与设计

智能家居有广阔的应用前景.针对传统家居控制上的缺陷,采用B/S架构设计了智能家居管理系统,采用ZigBee无线网络实现对各类家居设备的信息采集和指令控制.用SQL Server 2005数据库管理系统与家庭网关,进行数据的传递与接收.通过Web浏览器,用户可以实现对智能家居系统的管理.     

用正弦函数描述非线性惯性权重的微粒群算法

为改进标准微粒子群算法,提出了一种用Sin函数非线性描述惯性权重动态调整微粒群的方法。由于原算法存在早熟收敛和搜索效率低,提出改进基本微粒群算法的惯性权重参数,将微粒群算法中的惯性权重用正弦函数来描述,通过对粒子位置和速度进行自适应非线性调整,使算法在前期阶段具有较快的收敛速度,在算法后期局部搜索能力也不错,减少了微粒陷入局部极值的机会,使结果收敛于全局最优解,为了验证算法的有效性,采用Shaffer’s F6和Levy No.5函数进行测试,实验结果表明,新方法具有比较好的效果。     

基于N步不变集的时滞切换系统的饱和控制

构造离散时滞切换系统的不变集,提出基于N步不变集的切换控制器设计方法,估计执行器饱和非线性的吸引域范围。首先,考虑时滞的影响,选取依赖于时滞的Lyapunov函数,构造时滞切换系统的不变集,并将其表达为若干个椭球集的凸组合,椭球集的个数与时滞常数相关。其次,在系统的前N个采样时刻,分别施加不同的饱和约束,求解得到一组椭球集,椭球集的个数与常数N相关,而每一步计算得到的椭球集均为时滞切换系统的不变集。再将N个不变集用一组凸包系数拟合,即可获取较大的吸引域估计。最后,在满足平均驻留时间约束的条件下设计切换律,并设计状态反馈控制器,保证闭环系统渐近稳定。控制器的求解转化为线性矩阵不等式的可行性问题。仿真结果验证了所提方法的可行性和有效性。     

基于ACO优化SVM参数的蛋白质耐热性预测

氨基酸含量是影响蛋白质耐热性的主要因素,为了提高以氨基酸含量为特征向量的蛋白质耐热性预测的精度和预测模型的性能,提出了一种基于机器学习蚁群算法(ACO)优化支持向量机(SVM)参数的蛋白质耐热性预测方法。建立了SVM参数优化模型,探讨了基于网格划分策略的连续蚁群算法,通过对SVM的惩罚因子和径向基核函数的全局搜索,筛选出最优参数,使SVM的蛋白质耐热性预测率最优。结果表明:采用未优化的SVM建立的预测模型的蛋白质耐热性总预测率相对较低,约为76.5%,采用遗传算法优化预测模型参数后的预测率约为86.6%,采用ACO优化预测模型参数后预测率达到87.8%。采用ACO优化的SVM模型参数的寻优速度快,预测结果准确。