基于深度信念网络的光通信网络数据异常识别研究

为提高光通信网络数据传输能力,基于深度信念网络研究光通信网络数据异常识别方法。先构建光通信网络数据传输模型,采用深度信念网络进行传输信道均衡控制,利用模糊多分类支持向量机提取数据异常特征,构建数据分类学习模型,实现对数据异常重构和关联规则挖掘,采用深度信念网络对光通信网络数据进行异常张量切片重组,用张量对多关系网络进行建模,实现对光通信网络数据异常识别。仿真结果表明,所提改进方法的能量开销仅为1.2 kJ,生命周期为55.75 h,且识别时间仅为1.0 ms,优于其余两种方法,具有更大的应用价值。     

基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。     

分布式光纤应变传感网络节点异常状态识别方法

受到恶劣环境影响及外部因素攻击时,针对网络产生异常节点、数据以及行为影响网络正常传输问题,提出一种分布式光纤应变传感网络节点异常状态识别方法,根据通信状态与特征筛选,确定存在异常的网络链路层,提取异常节点特征向量,在有事件和无事件两种情况下,利用双阈值法检测光纤传感网络内异常节点,在每次检测后,根据结果更新节点间信任值,既保护正常节点不被牺牲,也提高节点异常状态识别精度。经实验证明,所提方法,在400 s～550 s这一实验时间段内,第15个节点为网络内的异常节点,邻居节点能耗在1.1×10⁴ J左右,可以准确识别异常节点位置和特征向量,节点消耗相对更小,适应性更强。     

基于深度学习的视频异常行为识别算法

针对传统的异常行为检测算法仅使用RGB图像作为网络的输入,而未考虑到视频序列中隐藏运动信息的问题,文中提出一种基于双流卷积神经网络的视频异常行为检测算法。该算法分别使用RGB图像与视频帧间的光流信息作为两个网络分支的输入来学习空间维信息与时间维信息,并使用长短时神经网络来建模长时视频帧间的依赖关系,从而得到最终的行为分类结果。仿真测试结果表明,所提出的方法在UCSD Ped1、Shanghai Tech和Pedestrian 2数据集上均能取得较好的识别效果,且使用帧间运动信息能够显著提升异常行为检测性能。     

基于深度信念网络的光通信网络数据异常识别研究

为了降低光通信网络被攻击的概率,保证光通信的安全顺畅,提出基于深度信念网络的光通信网络数据异常识别方法。利用时间-频率相结合的算法建立光通信信道模型,获取信道特征。根据信道特征密度设计数据异常特征的判断准则,利用数据挖掘聚类算法提取异常数据特征。融合BP网络和受限玻尔兹曼机网络,确立深度信念网络结构,结合隐藏层与可见层单元的概率分布情况构建数据异常识别模型,经过数据采集、特征归一化和模型微调等过程完成光通信网络数据异常识别。仿真实验表明,所提方法能够获取准确的光通信网络异常数据特征,光通信网络数据异常识别高和误报率低。     

基于深度学习网络的物联网非法入侵识别研究

为了获得理想的物联网非法入侵自动识别结果,提出基于深度学习网络的物联网非法入侵自动识别方法.首先采用物联网非法入侵的数据,并从中提取数据的异常入侵行为特征,然后将特征作为深度学习网络的输入,物联网非法入侵类型为作为输出,通过深度学习网络的训练建立物联网非法入侵识别分类器,最后与其它方法进行了物联网非法入侵识别仿真实验,结果表明,深度学习网络获得了高精度的物联网入侵行为识别结果,能够有效保证物联网安全,具有一定的实际应用价值.     

基于现代网络的深度学习应用协议识别技术研究与实现

现代网络视域下,在对应用协议识别技术进行研究的过程中,需对其所包含的技术类型进行全面了解。确保实现高精度的、高效率的选择与利用应用协议识别技术。即结合现代网络特征,构建科学的技术识别计划。基于应用协议识别技术类型,优化与完善端口与识别方式。并将技术改革与应用与现代网络发展态势进行有效连接,确保真正展现与发挥应用协议识别技术的功能与优势。     

基于深度学习的网络传输数据异常识别方法

互联网技术的广泛普及使得网络用户数量急剧增加,网络传输数据体量也随之增大,在多种因素的影响下,内部异常数据占比也越来越高,为网络数据传输、应用带来了极大的困难,为此提出一种基于深度学习的网络传输数据异常识别方法。该方法在LSTM神经网络模型的应用下,大幅度提升了评价指标——F1值,能够更加精确的识别异常数据,为网络传输数据的应用与处理提供更有效的方法支撑。应用高斯混合模型分割网络传输数据集合（训练集合/测试集合）,引入深度学习技术——LSTM,构建网络传输数据异常识别模型,根据LSTM神经网络长期与短期记忆单元需求重塑网络传输数据,基于梯度下降法制定构建模型训练程序,确定异常数据判别规则,将测试集合输入至训练好的识别模型中,输出结果即为异常数据识别结果。实验数据显示：应用所提方法后,F1值呈现波动状态,最小值为83.70%,最大值为94.50%,符合数据异常识别需求,证明该方法具备可行性。     

基于计算机视觉的人体异常行为识别综述

人体行为识别是计算机视觉和模式识别领域的研究热点之一。作为人体行为识别的一个重要分支,人体异常行为检测近年来也不断得到学界及工业界的重视。人体行为识别研究从早期的依赖人体形状特征发展到基于梯度设计的特征检测,再到当前随着神经网络的新发展,深度学习开始广泛应用于行为识别。同时由于红外波段具有适应弱光照环境、可全天候检测等优点,基于该波段的人体行为识别研究开始兴起,它也必将成为人体行为识别领域中一个新的研究热点。     

深度学习在绝缘子红外图像异常诊断的应用

绝缘子的红外图像分析一般采用图像处理的方法,易受背景环境和数据量的影响,准确率和效率均较低,本文提出一种深度学习的异常诊断方法,基于改进的Faster R-CNN方法搭建检测网络,开展不同类型的绝缘子测试.研究结果表明:相对于神经网络(Back Propagation,BP)、Faster R-CNN方法,本文方法可高...     

无线通信网络异常节点分段定位方法研究

为解决现有网络异常节点定位方法准确率低的问题,研究无线通信网络异常节点分段定位方法。首先设定采样时间间隔,提取无线通信网络的节点数据;其次监视网络性能,实时更新信息库数据,设定异常行为临界值;然后计算异常节点的异常度以及异常节点到邻近节点的Pearson相关系数,确定无线通信网络异常节点属性特征;最后构建异常节点分段定位模型,获取参考点到异常节点的距离,在逐次迭代后得到最终的分段定位结果。经实验论证分析,文章方法总体准确率均在90%以上,分段定位中估计的坐标平均误差值均在0.20以下,证明本文方法准确率高,分段定位效果较好,具有可行性。     

基于低分辨率红外传感器的深度学习动作识别方法

近年来动作识别成为计算机视觉领域的研究热点,不同于针对视频图像进行的研究,本文针对低分辨率红外传感器采集到的温度数据,提出了一种基于此类红外传感器的双流卷积神经网络动作识别方法.空间和时间数据分别以原始温度值的形式同时输入改进的双流卷积神经网络中,最终将空间流网络和时间流网络的概率矢量进行加权融合,得到最终的动作类别....     

基于深度学习的手写体数字图像识别

如今,越来越多的人使用图像来表示和传递信息,从图像中学习大量信息对人们而言十分便捷,在这个更加强调人机交互效率的信息技术时代,如何快速、准确地识别这些手写数字,成为学术界和科技界关注的问题。对于手写数字的图像识别问题,重点在于如何用数据代表图像,从而表示数据,这里的数据不是像素,而是具有高级表示的图像特征,其提取的结果对识别的准确性非常重要。     

基于轻量化深度网络的舰船目标识别技术研究

针对海上多平台资源受限条件下的舰船目标识别任务,提出一种基于轻量化深度网络的舰船目标识别方法,通过深度可分离卷积及多尺度语义信息融合等进行改进。设计了嵌入式平台应用背景下的轻量化舰船目标识别方法,在自建目标数据集保证top5准确率达到93.5%情况下,实现了模型参数量与计算量的大幅度削减。证明了该网络在低功耗资源受限情况下能够有效完成舰船目标识别任务。     

基于深度学习的通信辐射源识别研究综述

为改进完善通信辐射源识别课题,引入深度学习作为分类方法。为探究深度学习对辐射源识别的作用,介绍了与通信辐射源识别相关的深度学习理论,从辐射源个体识别与调制方式识别两个方面,对基于深度学习的通信辐射源识别技术的研究现状进行综述,并详细分析了基于深度学习的通信辐射源识别技术的主要难点问题,同时讨论了发展方向和解决方案。     

基于深度学习的笔迹性别识别

笔迹性别识别在取证分析中具有重要意义.近年来,虽然笔迹性别识别获得了越来越多的关注,但是目前提出的算法都基于人工设计的特征,难以准确地表达笔迹包含的信息,因而准确率较低.针对这个问题,本文提出了一种基于深度学习的笔迹性别识别方法,使用深度学习caffe工具,将预处理后的笔迹图像输入本文设计的卷积神经网络进行分类.本文首先提取笔迹图像的每个单词,然后取单词的不同全排列拼接成基础图,接着按照固定的大小从基础图截取材料图,最后以材料图为输入数据,以包含7个卷积层的网络为模型进行分类.本文的方法在IAM On-Line公开数据库上进行了测试,取得了较高的识别率.     

大规模光纤网络异常节点数据深度挖掘方法研究

为解决常用光纤网络异常节点数据挖掘方法耗时长、精度低的问题,提出一种可应用于大规模光纤网络的异常节点数据深度挖掘方法。预处理光纤网络节点数据,提取信息熵特征,并对数据进行降维操作,引入随机森林算法,通过自助采样形成多个随机样本空间,通过投票机制合并处理并输出树群中各棵子树光纤网络异常节点数据深度挖掘结果,实现光纤网络异常节点挖掘。实验结果表明,所提方法的精确度高达99.8%,耗时仅为9.2 min,漏检率为0.12%,因此,该方法可以获取高效率、高精度的光纤网络异常节点数据深度挖掘结果。