基于核密度波动的异常检测算法

异常检测是数据挖掘中的一个重要研究方向,当前大多数基于密度的异常检测算法常常基于样本分布假设,敏感于近邻参数[k]并且缺乏对集体异常点的检测能力。针对这些问题,提出了一种基于核密度估计的核密度波动算法。定义了可以综合评估数据点邻域内和邻域外核密度值波动的核密度波动因子,将其作为检测指标,并制定检测规则来识别异常点,这一指标可以综合考虑数据点的局部特征和全局特征,而且有助于发现集体异常。数据集上的实验结果表明,所提算法可以取得更好的检测结果,同时对算法参数具有相当的鲁棒性。     

考虑用户偏好和平台收益的共享泊位分配模型

与机动车数量激增类似,泊位短缺也是导致城市交通拥堵主要问题之一,在不增加车位的情况下提高泊车位利用率也是解决交通拥堵的一种方法。针对城市“泊车难”和部分泊车场利用率较低的问题,考虑了用户的偏好特征,研究了一种具有用户偏好的泊车位共享策略。考虑存在三种不同的泊车方式,在中央商务区（CBD）等待泊车、共享私人泊位、共享公共泊位,运用累积前景理论分析用户的泊车成本,发现用户在不同情形下的选择存在差异。平台通过对关键路径法修改,采用了偏好分组法进行分配。算例对偏好分组的结果与采用关键路径法的分配结果进行了比较,结果表明,基于偏好分组法的分配满足了更多的用户需求,平台收益更高,为管理者提供决策参考。     

考虑停车位不足的出发时刻选择问题

针对目的地停车位不足,出行者如何选择出发时刻的问题,在有限理性视野下综合考虑道路拥堵状况、出行者个人感知差异、目的地车位供给状况以及无法停入合法停车位后将受到惩罚等因素对出行者出发时刻选择的影响.依据前景理论设计实验,通过调查获取出行者出发时刻选择意向数据,构建出行者出发时刻选择模型.研究结果表明:停车位剩余状况影响出行者对出行结果的满意程度以及下一次出行决策.出行者出行结果满意度随着目的地剩余车位的减少而降低,当出行者的出行结果为满意时,出行者下一次出行由倾向于早到逐渐变为倾向于晚到.在车位不足,不能合法停车的情况下,不同的惩罚措施会影响到出行者下一次出发时刻的决策结果,惩罚越严重,出行者越倾向于早出发.     

一种新型Linux内核级Rootkit设计与实现

传统的内核级Rootkit无法绕过当前主流的Rootkit检测方法。对传统的内核级Rootkit的实现机制和当前主流的Rootkit检测方法进行了分析,设计并实现了一种新型Linux内核级Rootkit。通过实验证明,该Rootkit能够实现后门提权、进程隐藏及文件隐藏等功能,并能绕过当前主流的Rootkit检测工具的检测,其抗检测能力明显好于传统的内核级Rootkit。     

基于Intel VT硬件虚拟化的Rootkit技术

Intel VT硬件虚拟化技术使Rootkit可以利用底层优势实现深度隐藏。首先结合木马协同隐藏的思想,提出了基于Intel VT硬件虚拟化的Rootkit(HVRootkit)的协同隐藏模型,并给出形式化描述;然后根据该模型,在深入分析进程切换过程和操作系统内核数据结构的基础上,设计并实现了HVRootkit原型,该原型能够监控系统进程的切换过程,并通过修改与内核层进程视图和用户层进程视图相关的数据结构,隐藏系统进程。实验表明,HVRootkit原型符合协同隐藏的思想,能够实现对进程的深度隐藏,隐藏性能明显优于传统的内核级Rootkit。     

基于贝叶斯框架的显著目标检测

图像和视频显著性检测在计算机视觉领域引起了极大的关注,广泛应用于物体分割、可疑物检测、图像检索等领域,在贝叶斯框架下,将人类视觉注意力理论中Bottom-Up模式被动感知与Top-Down模式主动检测按照时间先后顺序结合在一起,并结合像素的"Center-Surround"模型和核密度估计,提出一种能由粗到精逐步感知和获取视场中视觉显著性目标位置及尺度的实时显著目标检测算法,称其为基于贝叶斯框架的显著目标检测.通过在微软MSRA数据集上进行ROC和Precision-Recall测试,证明该算法取得比目前经典算法更好的效果.     

一种电气设备状态诊断方法

随着电网技术的不断发展和电网规模不断扩大,电气设备数量激增、智能化程度越来越高;同时,终端用户对用电可靠性越来越重视,借助智能技术基于设备运行数据对设备进行故障诊断势在必行.本文以基于范例推理的理论(CRB)与支持向量机技术(SVM)为主要工具,提出了一种基于范例推理的电气设备状态智能诊断模型,试图通过电气设备已有数据的挖掘,获取电气设备故障的潜在发生规律,进而作为依据及时发现并排除电气设备的潜伏性故障.首先研究CRB和SVM在电气设备状态诊断中的应用;然后建立电气设备状态智能诊断模型,以电气设备的海量运行数据、历史数据、测试数据以及环境因素等为基础,建立电气设备的状态范例库,应用SVM回归对设备状态范例库进行深度的挖掘与分析,建立设备状态指纹,并以此为据进行电气设备运行状态的诊断分析;最后以油浸式变压器状态诊断为例,对实际数据进行分析诊断,并与三比值法的诊断结果进行比较.诊断结果表明,智能诊断模型诊断范围更广,诊断结果更准确.     

复合型第二种Weber方程边值问题的新解法

研究了复合型第二种Weber方程的一类边值问题,经变量替换转换为变型的Hermite方程边值问题.通过引入左(右)相似核函数,得到边值问题的左区间解可由左区间相似核函数和左边界条件的系数进行组装,右区间解可由左边界条件的系数和左引解函数、交界面条件的系数和右相似核函数进行组装,证明了复合型第二种Weber方程组边值问题的解式具有相似结构,由此提出了求解该类边值问题的一个新解法——相似构造法.     

丙烯在醇类溶液中的溶解过程热力学分析

用静态法测定了温度为30~60℃,压力为0.3~0.9 MPa时丙烯在醇水质量比分别为7∶3、8∶2、9∶1及1∶0的甲醇、异丙醇和仲丁醇水溶液中的溶解度数据。比较了丙烯在这3种醇水溶液(相同浓度)中的溶解度大小:仲丁醇>异丙醇>甲醇。此外,醇水溶液中醇的含量越大,丙烯的溶解度就越大。计算了丙烯在甲醇、异丙醇、仲丁醇三种醇水溶液中溶解过程的热力学函数值,主要是溶解焓和溶解熵,醇溶液浓度的增加对溶解焓的影响大于溶解熵。从溶解热力学函数、溶解度参数、缔合溶液的空腔假说等方面探讨了3种醇溶剂中溶解度差异的原因,解释了一些相关的溶解现象。丙烯溶解度关联的偏差及溶解度随醇浓度变化的“S”形曲线是由于醇水溶液明显偏离理想溶液所致。     

二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测

用户级综合能源系统多元负荷存在随机性、波动性相对更大的特点,现有预测方法不能得到很好的预测效果.为此提出一种基于核主成分分析(KPCA)、二次模态分解、深度双向长短期记忆(DBiLSTM)神经网络和多元线性回归(MLR)的多元负荷预测模型.首先,运用自适应噪声的完全集合经验模态分解分别对电、冷、热负荷进行本征模态分解,对分解得到的强非平稳分量运用变分模态分解进行再次分解.然后,运用KPCA对天气、日历规则特征集提取主成分实现数据降维;将分解得到的非平稳、平稳分量结合特征集主成分分别用DBiLSTM神经网络、MLR进行预测.最后,将预测结果进行重构得到最终预测结果.通过实际算例分析可知,与其他模型相比,所提模型具有更高的预测精度.