基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

不同段数爆破地震波的反应谱分析

为了研究段数对反应谱特性的影响,基于某石方控制爆破工程爆破振动实测数据,对不同段数爆破振动信号进行了反应谱分析。首先,利用实测的爆破振动速度信号采用直接微分法获得了加速度信号,并利用EEMD分解对加速度信号进行低通滤波去噪处理,获得了准确清晰的加速度曲线。然后,利用精确法求得了不同段数下爆破振动信号的速度反应谱和标准速度反应谱。分析结果表明:不同段数的爆破振动质点峰值速度与速度反应谱的峰值速度并不存在对应关系,因此分段数的选择应综合考虑结构对爆破振动的动态响应。     

欧美大型钢制低温储罐抗震设计方法对比分析

以欧美标准中的单包容与全包容低温储罐中的钢制储罐抗震设计方法为分析对象，从抗震设防水准与目标、抗震设计反应谱以及抗震设计准则如地震作用调整系数、阻尼比、载荷组合、抗震许用应力、抗倾覆与滑移、晃动波高等方面进行分析对比，为欧美低温储罐抗震设计方法的工程应用提供参考。为实现抗震设防目标以及与该国(区域)建筑抗震以及荷载标准体系协调，欧美低温储罐抗震各设计准则均存在一定的差异，工程设计时应合理应用以避免安全隐患。     

邻域谱概率协同表示的高光谱图像分类方法

为了提高高光谱遥感图像的分类精度, 通过结合像元邻域谱与概率协同表示方法, 提出了一种基于空间信息与光谱信息的分类方法。首先采用插值方法生成像元的邻域谱, 然后用概率协同表示方法将待测样本进行分类。用所提出的方法在AVIRIS Indian Pines和Salinas scene高光谱遥感数据库上进行分类实验, 并和主成分分析、支持向量机、稀疏表示分类器和协同表示分类器方法进行了比较。结果表明, 所提出的方法在AVIRIS Indian Pines数据库上识别精度比主成分分析法高约17%, 其识别精度和kappa系数都优于另外4种方法。该方法是一种较好的高光谱遥感图像分类方法。     

高光谱激光雷达谱位合一的角度效应分析

高光谱激光雷达以其谱位合一的技术优势为实现超三维精准遥感观测提供了可行途径,因此成为当前激光雷达与高光谱遥感领域共同大力推进的前沿发展方向。目前已有多型原型系统研发出来并得到了原理性验证,然而针对其数据处理核心环节问题的基础技术仍较为欠缺。典型问题之一是不同波段回波信号受激光入射角度的影响,该角度效应限制了高光谱激光雷达实现高性能遥感。以芬兰空间信息研究所高光谱激光雷达原型系统扫描桦树树干为例探讨了该角度效应,发现了不同激光波段对不同入射角度的回波强度响应模式,推导出了角度效应的基本规律及其精细尺度的统计规律,为后续该方向的系统研发、数据处理及信息提取等提供了可借鉴的底层机理与技术基础。     

基于小波变换的分数阶微分算法在肝脏肿瘤CT图像纹理增强中的应用

图像纹理增强过程中容易丢失平滑区域纹理细节，而分数阶微分增强虽然能够非线性保留平滑区域纹理细节，但对频率分辨率敏感。针对这个问题，提出一种基于小波变换的分数阶微分纹理增强算法，应用于平扫计算机断层扫描（CT）图像的肝脏肿瘤区域的纹理增强。首先，通过小波变换将图像感兴趣区分解成多个子带分量；其次，基于分数阶微分定义构造一个带补偿参数的分数阶微分掩膜；最后，使用该掩膜与每个高频子带分量进行卷积并利用小波逆变换重组图像感兴趣区。实验结果表明，该方法在使用较大分数阶次显著增强肿瘤区域的高频轮廓信息的同时，有效地保留了低频平滑的纹理细节：增强后的肝细胞癌区域与原区域相比，信息熵平均增加36.56%，平均梯度平均增加321.56%，平均绝对差值平均为9.287；增强后的肝血管瘤区域与原区域相比，信息熵平均增加48.77%，平均梯度平均增加511.26%，平均绝对差值平均为14.097。     

基于模糊谱聚类的不确定蛋白质相互作用网络功能模块挖掘

针对谱聚类融合模糊C-means（FCM）聚类的蛋白质相互作用（PPI）网络功能模块挖掘方法准确率不高、执行效率较低和易受假阳性影响的问题，提出一种基于模糊谱聚类的不确定PPI网络功能模块挖掘（FSC-FM）方法。首先，构建一个不确定PPI网络模型，使用边聚集系数给每一条蛋白质交互作用赋予一个存在概率测度，克服假阳性对实验结果的影响；第二，利用基于边聚集系数流行距离（FEC）策略改进谱聚类中的相似度计算，解决谱聚类算法对尺度参数敏感的问题，进而利用谱聚类算法对不确定PPI网络数据进行预处理，降低数据的维数，提高聚类的准确率；第三，设计基于密度的概率中心选取策略（DPCS）解决模糊C-means算法对初始聚类中心和聚类数目敏感的问题，并对预处理后的PPI数据进行FCM聚类，提高聚类的执行效率以及灵敏度；最后，采用改进的边期望稠密度（EED）对挖掘出的蛋白质功能模块进行过滤。在酵母菌DIP数据集上运行各个算法可知，FSC-FM与基于不确定图模型的检测蛋白质复合物（DCU）算法相比，F-measure值提高了27.92%，执行效率提高了27.92%；与在动态蛋白质相互作用网络中识别复合物的方法（CDUN）、演化算法（EA）、医学基因或蛋白质预测算法（MGPPA）相比也有更高的F-measure值和执行效率。实验结果表明，在不确定PPI网络中，FSC-FM适合用于功能模块的挖掘。