一种基于云模型理论的雷达辐射源识别方法

针对雷达辐射源识别问题,建立了基于云模型和信息融合的识别系统.利用云模型对区间型参数和离散型参数建模,计算被测辐射源的隶属度并将其作为基本概率赋值,运用时域和空域信息融合算法完成辐射源识别,给出了辐射源识别算法步骤,并建立了相应的辐射源识别系统,仿真结果表明所提出的识别算法和所建系统是有效的,并且识别率较高.     

基于云模型的DSm证据建模及雷达辐射源识别方法

为了提高雷达辐射源特征参数存在互相交叠和多个模式情况的雷达辐射源正确识别率,该文提出一种基于云模型的DSm(Dezert-Smarandache)证据建模及雷达辐射源识别方法。该方法首先将存在互相交叠和多个模式的先验雷达辐射源特征参数进行基于云模型的DSm建模,然后将含有噪声的测量信号特征参数进行基于云模型的DSm隶属度赋值,再通过隶属度与基本信度赋值的关系求得DSm模型的基本信度赋值,最后通过DSmT+PCR5的方法将多传感器测量信号的同特征的基本信度赋值进行融合,再将各特征的融合结果进行DSmT+PCR5融合得到最终的识别结果,如果仅为单传感器测量信号的特征参数,则仅将不同特征参数的基本信度赋值进行DSmT+PCR5得到融合识别结果。最后通过多种情况下的仿真实验,验证了该文方法的优越性。     

一种基于云模型的辐射源识别方法

该文针对测量参数的不确定所造成的辐射源不能正确识别问题,提出了一种基于云模型的识别方法。该方法首先利用云模型对雷达模板库中区间类型的参数变量进行正态云建模从而得到测量参数的隶属度,然后利用云模型的定性定量转换特性来描述离散型参数变量的调制匹配程度,同时给出了一种确定辐射源识别权值的新方法,能够动态调整各特征参数的权值。仿真结果表明,这种基于云模型的识别方法是适用有效的。     

变权灰关联分布式传感器信息融合的辐射源识别

针对复杂电磁环境中辐射源正确识别率低的问题,提出采用变权重灰关联分布式传感器信息融合的辐射源识别新方法。利用灰关联分析法进行辐射源识别能克服辐射源参数间的不确定性,其中特征参数的权重获取是灰关联法的难点,给出三种权值确定方法。然后根据分布式传感器信息融合和基于基本概率赋值的准则,进行时域和空域的证据融合,得到辐射源识别结果。仿真结果表明,三种定权法均具有高的辐射源识别率、好的环境适应性和好的识别鲁棒性。     

基于模糊集和指纹特征的辐射源识别

针对辐射源识别率较低的问题,提出一种基于模糊集和指纹特征的特定辐射源分布式传感器信息融合识别算法。利用特定辐射源脉冲上升沿和下降沿作为指纹特征,借助模糊集理论构造基本概率赋值函数,然后由分布式传感器进行时域、空域融合,最后基于基本概率赋值函数的决策规则和专家经验知识完成特定辐射源识别。实验结果表明,利用该算法搭建的识别系统实用有效。     

基于最小平方误差的辐射源识别

针对测量参数不确定所造成的辐射源不能正确识别问题,提出一种基于最小平方误差模型的识别方法。该方法首先计算辐射源的特征参数相对于数据库中相应特征参数的平方误差,然后利用最小平方误差来确定辐射源隶属度。该模型与几何距离度模型、云模型相比,在识别辐射源类型时,增加了雷达特征参数（重复频率、脉宽和天线扫描周期）的多值性和相关性,仿真结果表明,该方法的正确识别率比前2种方法分别高出5%和40%。     

一种基于属性测度的改进时域融合识别方法

基于时域融合的辐射源识别方法提高了单个传感器的识别准确度。文中提出了一种采用属性测度法获取基本概率赋值函数(BPAF),同时应用D-S(Dempster-Shafer)证据理论将多个量测周期识别结果进行有效融合的方法。该方法通过对已知辐射源库中的样本训练,获取样本特征参数的统计分布和权重来计算BPAF。当辐射源库中样本模式较多时,由于引入了统计的思想,在低信噪比情况下的正确识别率较其他时域融合方法得到提高。此外,由于大量的计算在样本识别之前已经完成,融合识别的速度很快。仿真和实验表明该算法是一种实时、有效的辐射源识别方法。     

基于云模型和改进灰关联算法雷达辐射源识别

针对由辐射源特征参数的不确定性所带来的区间型特征参数辐射源识别问题,提出了一种基于云模型的改进灰关联算法,该算法利用云模型和动态加权算法,有效地解决了特征参数区间交叠的雷达辐射源识别问题。仿真实验表明,该方法是可行的。     

基于最大隶属度与证据理论的目标识别融合

为解决各传感器的类型、精度,外界干扰以及不同传感器对不同目标敏感程度的不同对目标识别的决策结果的影响,通过运用智能信息处理和多源信息融合的相关知识建立了基于最大隶属度与证据理论的目标识别融合模型.该模型首先分析了影响目标识别的因素;然后各雷达站依据最大隶属度选取了不同的权重,从而求出了所测目标相对于目标库中参考目标的隶属度,并将得到的本站对目标的决策结果进行归一化处理后送往了融合中心.研究了比较常用的对不确定信息进行处理的D-S证据理论法,并深入分析了其证据合并规则与决策规则.在融合中心运用了D-S证据理论的有关知识进行融合,最终输出了融合后的目标识别的决策结果.实例证明了该目标识别融合模型的可行性.     

分布式检测系统的模糊有序统计融合算法

为提高基于二元局部判决的分布式检测系统的检测性能，研究了基于模糊隶属度函数的分布式检测系统融合算法，提出了模糊有序统计融合准则。通过对肼传感器进行分布式检测系统仿真，结果表明：模糊有序统计融合准则在均匀环境中能获得比基于二元判决准则更好的检测性能，也好于同样采用模糊隶属度函数的求和准则的检测性能，且在多目标环境下获得了较强的适应性。     

一种基于模糊隶属度区间决策的雷达辐射源识别方法

现代密集信号环境中,随着复杂体制雷达装备数量的不断增多,雷达辐射源的识别面临越来越严峻的问题,提出一种新的基于模糊隶属度区间的雷达辐射源识别方法,仿真结果表明,该方法在不同信号环境下能够有效识别雷达辐射源。     

基于自适应云粒子群算法的造影图像增强

针对造影图像增强现有算法的不足,采用自适应云粒子群算法.首先,由云模型产生云滴,确定云的特征值;接着正向云发生器产生粒子,基于粒子个体适应值把种群分3个云子群,且分别采用不同惯性权重的调整策略,自适应算子使权重随着粒子适应度值的减小而减小,从而实现了较优粒子取得较小的权重,在适应度最大时并非绝对的零值,从而提高了避免陷入局部最优的能力;最后,造影图像通过对数灰度变换增强,把求最佳的参数组合问题转化为自适应云粒子群算法寻优问题.实验仿真证明,在云隶属度大的地方图像像素的灰度域比较集中,增强效果边沿清晰.     

基于云计算的海量网络流量数据分析处理及关键算法研究

为了应对日益增长的网络流量数据量和对网络安全的需求,提高网络流量数据的处理效率和准确性,文中从云计算架构出发,设计并搭建了一个能承载大规模网络流量数据处理的云计算平台。基于该平台,采用了分布式存储、并行计算和机器学习等技术,对海量网络流量数据的预处理、聚类分析、异常检测等关键环节进行了研究。结果表明,基于云计算的海量网络流量数据分析处理的关键算法取得了显著成果。通过分布式存储和并行计算技术,实现了对海量网络流量数据的高效读写和处理。在预处理阶段,针对流量数据进行采样和滤波,减少了数据量,并保留了关键特征。在聚类分析方面,利用机器学习算法实现了对网络流量的分类和统计,通过构建模型、训练和优化算法,实现了对网络攻击和异常行为的准确识别和及时报警。     

基于云计算环境下的分布存储技术

云计算是一种新型的计算模式,它在商业计算领域与科学计算领域均占据着重要的成分,由于其可以将大量的数据存储于数据中心,并可以提供稳定、安全、可靠的数据存储服务特点,并可以在任意时刻供上层的应用,因此云计算得到了各界的重视。但由于云计算的核心部分由许多节点组成,这就增加了云计算的成本费用,对其的发展起到一定程度的限制作用。本文主要针对如何提高云计算的容错性以及可扩展性,最大程度的降低其成本费用等,对云计算环境下的分布存储技术做些简要的分析。     

基于Hadoop的海量电信数据云计算平台研究

传统的数据分析方法面对海量电信数据存在管理和分析难的问题.Hadoop是一个可实现大规模分布式计算的开源框架,具有高效、可靠、可伸缩的优点,被广泛应用于云计算领域.本文在对云计算和Hadoop进行分析和研究的基础上,提出了一种针对海量电信数据的分布式云计算方法,建立了基于Hadoop的海量电信数据云计算平台.实验证明,该平台能够有效完成海量数据的管理和分析任务,提高海量数据分析的速度和效率.     

Game theory approach for detecting vulnerable data centers in cloud computing network

Nowadays, cloud computing has many benefits to accessibility, scalability, and cost‐effectiveness, leading to network security risks and vulnerabilities. Cloud computing is gaining in popularity with the advances and growth of its systems. Therefore, the security of this system and the identification of vulnerable data centers are more complicated than the past. Definitely discovering vulnerable data centers that are vulnerable to attacks can help to strengthen these data centers and provide a safer and more secure network structure. This paper examines the vulnerability of malware data centers in the infrastructure and cloud computing network structure. Based on the analysis of the cloud computing system in the field of game theory, we introduce a developed model for identifying vulnerable data centers in cloud computing. The developed model in this paper is based on the game theory as a mathematical tool. According to the game theory, we introduce a measure of the degree of vulnerability of data centers in the cloud computing network.     

Hadoop云平台下的并行化图像处理实现

近年来,云计算在IT行业掀起了新一轮技术革新浪潮。云计算是一种新兴的计算模型,它是并行计算、分布式计算、网格计算的综合发展,以简单、透明服务的形式提供无限制的计算资源。Hadoop实现的开源云平台提供了并行计算模型MapReduce、分布式文件系统HDFS和分布式数据库HBase等。随着数字图像数据量不断增长,单机模式的图像处理已逐渐不能满足用户需求。文中提出了利用Hadoop云平台实现海量图像的并行