基于三级信息融合结构的多平台多雷达目标识别算法

为了解决多平台多雷达目标识别时空信息融合过程中存在的时效性不高,识别特征信息模糊和雷达识别结果高冲突等问题,提出了一种基于三级信息融合结构的多平台多雷达目标识别算法。一级特征融合中,基于模糊评判法解决了多特征识别信息模糊问题。二级空域融合中,基于DS融合规则和折扣融合规则,提出了以平均证据距离为阈值的自适应证据融合算法。三级时域融合基于多雷达序列信息,给出了时域自适应融合算法。仿真计算结果表明文中提出的融合结构能够在保证结果正确的同时,每个周期都能输出结果,时效性较之以往的融合结构有了明显改善。文中的自适应证据融合算法能够克服证据间可能存在的高冲突性,并且与采用折扣证据融合算法相比计算量显著减少。     

基于云模型构造BPA的瓦斯监测证据合成算法

煤矿瓦斯监测中,利用D-S证据合成方法实现多传感器信息融合可以提高系统整体决策和预警能力.根据煤矿安全规范设定区域危险等级,使用云模型建立危险等级属性隶属度曲线簇,输入传感器检测量提取各属性隶属度作为D-S融合的基本概率赋值.为了实现高度冲突证据合成,提出D-S与加权平均法混合的分步证据合成算法.仿真结果表明文中提出的算法合成高度冲突证据时,具有令人满意的收敛效果.     

粮库储粮空洞检测过程中证据冲突研究

针对粮库内储粮的状况,分析了冲突证据下粮库储粮空洞检测的特点,提出了一种简便的方法来区分证据间的冲突程度,并给出了算法和检测系统的模型.通过优先级判别法和基于证据理论的决策融合算法,对数据进行理论分析和对比,证明该方法是可行的.     

遗传算法在入侵检测系统中的应用

针对目前入侵检测系统不能有效检测未知入侵行为的问题,根据遗传算法在动态环境中的鲁棒性、自适应性强的特点,采取了将遗传算法与入侵检则系统结合的方法,提出了一种基于网络性能的检测算法,此算法实时性强,可自学习,能有效地检测未知入侵行为。     

混合型入侵检测系统中联合分析与数据融合技术

针对目前国内外研究的入侵检测系统大多存在误报率高、检测效率低等问题,改进了入侵检测系统的分析器,采用2层结构,在误用分析层之上,增加联合分析层.联合分析层运用数据融合技术,采用Dempster-Shafer证据理论作为数据融合算法,并引入了一种新的基于Dempster组合规则的融合方法.通过对使用该入侵分析器与未使用入侵分析器的入侵检测系统进行比较实验表明,该分析器可以有效地降低误报率.     

基于网络性能异常检测算法的研究

针对目前入侵检测系统不能有效检测未知入侵行为的问题,提出了一种新的入侵检测系统．在结构上采用分布式结构,各个检测器不但具有针对主机的检测功能,还可以联合起来检测大规模的分布式网络入侵行为．对网络数据的检测根据遗传算法在动态环境中的鲁棒性、自适应性强的特点,采取了将遗传算法为主,并借鉴人工免疫系统的思想,给出了一种基于网络性能的异常检测算法．经实验证明,此算法实时性强,能有效地检测未知的入侵行为．     

基于证据排序融合的局部冲突信息再分配算法

为提高证据冲突度量和融合结果的准确性,提出一种基于证据排序融合的局部冲突信息再分配算法.该算法首先基于证据距离和冲突系数共同度量证据冲突,在此基础上对证据融合顺序进行优化,并对不同证据中不同焦元的冲突度量算法进行改进.进一步,在对证据进行依序融合过程中,将新的证据以及焦元冲突度量结果应用于对局部冲突信息进行再分配.与已有相关算法进行的理论和应用对比分析结果表明,所提算法的证据融合效果更加稳定、可靠.     

修正的D-S证据理论在液压故障诊断中的应用

针对液压系统出现故障隐蔽性强、可变性强的问题,给出基于修正的D-S（Dempster-Shafer）证据理论的多传感器时空域信息融合方法。通过测试待诊断部分的压力、温度、流量并结合经验值,得到各部分信度函数分配,根据D-S组合、决策规则,对多个传感器多个测量周期的时空域信息进行融合,识别出故障部分。实验表明：该方法在证据高度冲突时仍有效果并有效防止了指数爆炸现象,算法简单,能准确定位故障。     

基于视觉显著性和小波分析的烟雾检测方法

基于视频图像的烟雾检测对火灾预警系统性能具有重要作用.该文提出一种基于时空域信息处理的烟雾检测算法:基于视觉注意模型的时空域ROI区域提取,以及基于小波时域分析的烟雾动态特征识别.该文用基于颜色对比度、亮度对比度和运动3个初级视觉特征的显著性图融合捕捉场景中的ROI区域.针对在时域中烟雾区域小波高频能波动小以及归一化颜...     

基于显著性检测的实时车载行人检测方法

针对车辆辅助驾驶系统中行人检测的实时性问题,提出了一种新的基于显著性检测和参数融合的LUT-HOG车载行人检测方法.在车载行人检测方法中提出基于多局部区域的空域调频对比度的显著性检测方法,快速标注图像中的"行人"区域;在"行人"区域,提出基于参数融合的LUT-HOG的快速行人特征提取算法;采用逼近线性SVM计算时间的AK-SVM进行高效分类.该算法通过使用显著性检测代替穷尽搜索办法,并用快速的行人特征提取和分类算法,能够大幅提高行人检测的速率.在Visual Studio 2012软件中使用C语言验证行人检测算法的正确性和实时性.基于INRIA数据库的测试结果表明,在不降低准确率的前提下,该行人检测系统可以达到25帧/秒(640×480)的检测速率.然后,将行人检测系统移植到BF-609的开发板上进行实时行人检测,在不使用GPU的前提下,可以达到20帧/秒的检测速度,可满足车载行人检测系统的实时性要求.     

Application of detecting algorithm based on network

Because currently intrusion detection systems cannot detect undefined intrusion behavior effectively,according to the robustness and adaptability of the genetic algorithms, this paper integrates the genetic algorithms into an intrusion detection system, and a detection algorithm based on network traffic is proposed. This algorithm is a real-time and self-study algorithm and can detect undefined intrusion behaviors effectively.     

多类场景下无人机航拍视频烟雾检测算法

在无人机航拍视频烟雾检测领域中,由于不同检测场景差异大,导致现有烟雾检测算法经常出现检测精度低、速度慢等问题。为了解决以上问题,建立了一个基于无人机视角的多类场景下的烟雾数据集（UAV smoke dataset,USD）,并提出了一种改进YOLOx的多类场景下无人机视频烟雾检测算法。首先,在YOLOx网络模型中引入改进的注意力机制,分别改进通道特征和空间特征的提取过程,提取更加具有表征能力的烟雾特征;然后,提出一种双向特征融合模块,增强多尺度特征融合模块对小目标烟雾特征的融合能力;最后,引入Focal-EIOU损失函数,解决训练过程中出现正负样本不平衡,以及预测框和真实框不相交时无法反映两个框的距离远近和重合度大小等问题。实验结果表明,所提算法在应用于多类场景下无人机视频烟雾检测任务时具有较好的鲁棒性,对比多个经典烟雾检测算法,本文算法在不同数据集上的烟雾检测准确率均有不同的提升,比如对比原有的YOLOx-s模型,准确率提升2.7%,召回率提升3%,速度达到73.6帧/s。     

遗传算法在蜜网中的应用研究

分析了网络攻击和入侵行为日趋复杂的现状,传统的网络被动防御技术已经无法有效地保护网络安全。研究了蜜网技术和遗传算法,根据遗传算法在动态环境中的鲁棒性、自适应性的特点,提出了将遗传算法应用到蜜网系统中,并设计了遗传算法在蜜网中的数据分析流程,该算法弥补了传统的统计检测方法的缺陷。仿真实验证明,该系统能有效地捕捉恶意行为,防御多种新型攻击,该算法具有一定的优越性。     

基于多层前向神经网络入侵检测系统的研究

针对目前入侵检测系统不能有效检测未知入侵行为的问题,根据神经网络的自学习和自适应性强的特点,采取了将多层前向神经网络与入侵检测系统相结合的方法,提出了一种入侵检测模型,给出了此模型中神经网络模块的改进训练算法,实验证明,此算法入侵检测率可达86％,最大误报率为3％,加大训练样本可进一步提高检测率,从而更有效地检测出未知的入侵行为;此算法实时性强,可有效提高神经网络的学习效率。     

一种复杂环境下多传感器数据融合方法

针对现有方法没有利用证据数据采集源头的可靠性信息这一问题,结合温度数据采集,提出一种复杂环境下多传感器数据融合算法。从多传感器采集的原始数据出发,通过原始数据分析当前传感器节点的信任度,对当前传感器证据进行相应的修正,从证据源层面修正冲突证据。在证据融合阶段引入支持度修正证据迭代融合思想,比较融合证据与原证据的差异冲突等属性来评估原证据的支持度并修正原证据,将修正后的证据再次融合,多次迭代至最终融合结果收敛。试验仿真与现存的多种融合方法进行比较,仿真结果验证了本研究方法在解决证据冲突问题上的有效性。     

三维网格模型零水印技术

为解决网格模型水印算法中水印鲁棒性与透明性之间的矛盾,提出了一种适用于任意拓扑连通结构的网格模型零水印算法。水印由网格的几何数据经过空域特征提取及变换域能量集中后生成。实验结果表明:算法构造的水印不仅能抵抗顶点重排序、平移、旋转、各向一致缩放等攻击,而且对加噪、网格简化攻击也表现出较好的鲁棒性。     

一种复杂环境下多传感器数据融合方法

针对现有方法没有利用证据数据采集源头的可靠性信息这一问题,结合温度数据采集,提出一种复杂环境下多传感器数据融合算法。从多传感器采集的原始数据出发,通过原始数据分析当前传感器节点的信任度,对当前传感器证据进行相应的修正,从证据源层面修正冲突证据。在证据融合阶段引入支持度修正证据迭代融合思想,比较融合证据与原证据的差异冲突等属性来评估原证据的支持度并修正原证据,将修正后的证据再次融合,多次迭代至最终融合结果收敛。试验仿真与现存的多种融合方法进行比较,仿真结果验证了本研究方法在解决证据冲突问题上的有效性。     

Fast network intrusion detection system using adaptive binning feature selection

Aiming at the problems of the low detection rate of traditional intrusion detection systems and the long training and detection time of intrusion detection systems based on deep learning,an adaptive binning feature selection algorithm using the information gain is proposed,which is combined with LightGBM to design a fast network intrusion detection system.First,the original data set is preprocessed to standardize the data;then the redundant features and noise in the original data are removed through the adaptive binning feature selection algorithm,and the original high-dimensional data are reduced to the low-dimensional data,thereby improving the accuracy of the system and reducing the training and detection time;finally,LightGBM is used for model training on the training set selected by the characteristics to train an intrusion detection system that can detect attack traffic.Through verification on the NSL-KDD data set,the proposed feature selection algorithm only takes 27.35 seconds in feature selection,which is 96.68% lower than that by the traditional algorithm.The designed intrusion detection system has an accuracy rate of 93.32% on the test set,and its training time is low.Compared with the existing network intrusion detection system,the accuracy rate of the proposed system is higher,and its model training speed is faster.