基于可视化技术的海量数据安全特征提取算法

由于传统算法在海量数据安全特征提取中应用效果不佳,不仅提取误差比较大,而且提取时间比较长,无法达到预期的特征提取效果,提出基于可视化技术的海量数据安全特征提取算法。在网络日志记录集中拾取与数据提取源相关的海量数据,利用聚类分析法对海量数据进行聚类分析,以数据的可靠性对海量数据安全特征进行识别,利用可视化技术对安全特征进行统计提取,以此完成基于可视化技术的海量数据安全特征提取。实验证明,设计方法数据安全特征提取误差小于1%,提取时间在1s以内,可以有效保证海量数据安全特征提取精度和速度。     

基于加权模糊C均值算法改进的高光谱图像分类方案设计

为了有效改善高光谱图像数据分类的精确度,减少对大数目数据集的依赖,在原型空间特征提取方法的基础上提出一种基于加权模糊C均值算法改进型原型空间特征提取方案。该方案通过加权模糊 C 均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与业内公认的原型空间提取算法相比 该方案在相对较小的数据集下,其性能仍具有较为理想的稳定性,且具有相对较高的分类精度,这样子就大大降低了对数据集样本数量的依赖性,同时改善了原型空间特征方法的效率。     

基于混合时频域特征的卷积神经网络心律失常分类方法的研究

心律失常是常见的心血管疾病之一，目前很多方法通过计算机辅助系统对心电图进行分析以识别心律失常，但由于大多数心律失常数据样本较少，计算机辅助系统识别心律失常效果不佳.本文提出了一种基于混合时频域分析特征提取的卷积神经网络方法，该方法提取心电图的RR间期时域特征、希尔伯特-黄变换提取的频域特征和连续小波变换提取的时频域联合特征，经过特征融合后输入卷积神经网络训练分类模型，并采用Focal Loss作为网路的损失函数，实现对心律失常的分类.本文使用MIT-BIH(Massachusetts Institute of Technology-Boston’s Beth Israel Hospital)心律失常数据库验证本文提出方法对4类心电数据分类的结果，实验结果表明，与现有的分类算法相比，本文所提出的混合时频域特征方法能有效提升心律失常分类的准确性.     

数据驱动的双通道CNN-LSTM调制分类算法

为同时利用卷积神经网络(Convolutional Neural Network, CNN)的空间特征提取能力和长短时记忆(Long Short-Term Memory, LSTM)网络的时序特征提取能力，提出了一种由双通道一维CNN与LSTM相互串联的调制分类算法。算法采用数据驱动的方式，直接将信号送入至2路CNN提取其在不同维度的空间特征信息；把2个通道的特征融合信息输入至LSTM学习其时序上的特征；与全连接网络连接实现对5种目标信号的调制分类。实验结果表明，CNN与LSTM相互串联能够学习到更加丰富的特征信息，更有利于分类；与传统方法相比，提出的方法无需人工提取信号特征，减少了预处理步骤并有效提升了识别性能。     

基于频域注意力的水下目标检测算法研究

针对水下目标检测过程中由于水下成像模糊、目标物与背景对比度低等原因导致的水下图像特征提取与目标理解困难的问题,本文提出了一种基于频域注意力的水下目标检测算法。该方法首先将训练集图像变换到频域,并使用低频特征引导组件(low frequency feature guiding suite, LFGS)计算频率分量,然后该分量将作为参数被应用到低频特征提取模块(low frequency feature extraction model, LFM)来更好地提取图像的低频特征,融合了图像低频信息的特征经过进一步特征提取生成高层特征,最后将高层特征输入到检测头中进行检测。在URPC2021数据集上进行验证,平均精度均值达到了83.35%,验证了本文方法的有效性。     

时频分析方法初探

信号特征的提取是雷达干扰与干扰的关键技术之一，本文简要探讨了信号时频域特征提取的常用算法，并介绍侦察接收到的几种常见雷达信号的时频域分析结果。     

基于多特征融合的人脸识别算法

针对局部二值模式描述子提取的纹理信息以及梯度幅值量化算子提取的边缘特征无法有效且全面地描述人脸信息的问题,文中提出一种基于马尔可夫稳态特征模型的多特征融合算法。首先,将通过GMQ算子提取的边缘特征以及通过LBP描述子提取的纹理特征分别与马尔可夫稳态特征模型进行融合,然后再将两者进行有效地线性加权融合。最后,在ORL数据集上进行的实验显示,文中提出算法的识别精度可达到 95.83%。与单一的特征提取算法以及常见的人脸识别算法对比结果表明了该方法的有效性。     

基于LabVIEW的海量数据处理系统软件设计

针对海量测试数据在进行后期处理时存在的处理速度缓慢、特征提取困难的问题,在对数据稀化算法进行深入研究的基础上,提出了基于曲率变化的海量数据稀化算法,并对稀化后及局部重构数据的时域、频域、时频域信号处理方法进行系统研究,在此基础上以LabVIEW为平台,采取模块化设计思想,完成了海量数据处理系统软件的设计。     

电力计量主站通信网最大可靠性路径选择方法

为保证电力计量主站通信网平稳运行，提出基于蚁群算法的通信网最大可靠性路径选择方法。使用网络邻接矩阵算法推算全部节点间最短路径长度与数量，提取抽象化的通信网邻接矩阵，创建通信网可靠性评估模型；计算信息传输时延，将最大可靠性与最低传输时延当作路径选择的双重目标，初始化路径选择参数；凭借蚁群算法的自组织特征更新信息素，实现高精度、最大可靠性路径选择任务。实验结果表明，所提方法可有效优化电力计量主站通信网络带宽，提高网络吞吐率，为计量数据高效率传输提供借鉴与帮助。     

蚁群算法优化支持向量机的人脸识别

针对角点特征检测进行人脸识别中特征配准度低、识别精度不高的问题,提出基于蚁群算法和支持向量机的人脸识别算法。首先采用支持向量机算法进行人脸多重特征检测提取,然后对提取到的特征信息采用蚁群算法进行训练分类,实现对人脸特征的准确检测和分类识别,最后在Matlab仿真平台上进行性能测试,仿真结果表明,采用该算法进行人脸识别的精度较高,训练过程的收敛性较好,计算开销降低。     

基于激光点云的深度语义和位置信息融合的三维目标检测

提出一种高性能的基于深度语义和位置信息融合的双阶段三维目标检测（DSPF-RCNN）算法。在第一阶段提出深度特征提取-区域选取网络（DFE-RPN），使网络在俯视图中能够提取目标更深层次的纹理特征和语义特征。在第二阶段提出逐点语义和位置特征融合（ASPF）模块，使网络能够自适应地提取目标最有差异性的特征，增强中心点在特征提取时的聚合能力。算法在KITTI数据集上进行测试，结果显示，测试集中Car类目标在Easy、Moderate和Hard水平的检测精度均优于现有的主流算法，检测精度分别为89.90%,81.04%和76.45%；验证集中Car和Cyclist类目标在Moderate水平的检测精度分别为84.40%和73.90%，相对于主流算法提升了4%左右，推理时间为64 ms。最后将算法部署在实车平台上实现了在线检测，验证了其工程价值。     

一种云计算环境下海量数据安全特征提取算法

面对云计算环境下大规模数据和多变入侵行为,提出了一种云计算环境下海量数据安全特征提取算法。该算法在定义最佳提取特征指标的基础上,构建基于改进离散狼群算法(Improved Discrete Wolf Pack Algorithm,IDWPA)的安全特征提取模型,最大限度的降低了提取特征冗余度和问题复杂度。针对安全特征提取问题特点,重新设计IDWPA个体编码方式和更新策略,并将IDWPA应用于安全特征提取模型求解,从而实现了最佳安全特征提取。仿真结果表明,相比于其他特征提取算法,基于该算法特征提取的数据分类准确率明显改善。     

时频分析方法初探

信号特征的提取是雷达干扰与反干扰的关键技术之一。本文简要探讨了信号时频域(调制域)特征提取的常用算法,并介绍侦察接收到的几种常见雷达信号的时频域分析结果。     

基于离群点检测算法的电力大数据异常值检测

目前提出的电力大数据异常值检测方法由于检测过程中无法提取异常特征,因此检测到的异常电流和异常电压所在时间不同,为此提出基于离群点检测算法的电力大数据异常值检测方法。利用高斯混合模型中提取电力大数据异常值的特征,通过离群点检测出符合距离要求的异常值,初步检测易于识别的异常数据。分析离群点与异常值分布密度之间的关联性,确定更深层次的异常值,使用离群点进入数据簇中和聚类中心中寻找缺少异常特征的异常值。实验结果表明,基于离群点检测算法的电力大数据异常值检测方法检测到的异常数据离散情况和振幅波动响应状态具有一致性,异常电流和异常电压所在时间都为0.3～0.4 s,证明了方法的可行性。     

基于SIFT特征的多视点云数据配准和拼接算法

针对无特征标志点的大场景多视点云数据,提出了一种新的基于SIFT特征的配准和拼接算法。算法提出了有效纹理图像的概念,并对有效纹理图像进行SIFT特征提取和匹配;然后将提取的SIFT特征点和匹配关系反射到三维点云数据,获取多视点云数据的特征点和匹配关系,完成多视点云数据的拼接。算法在有效纹理图像中提取和匹配特征点,排除了点云数据中孔洞和无效数据的干扰,并且算法只利用较高鲁棒性的特征点对进行拼接,计算简单,匹配精度和效率都得到提高。对室内和室外两个大场景的2个视点数据进行实验,实验结果证明拼接速度和精度都有较大的提高。     

基于频域特征提取的红外小目标跟踪算法

针对红外小目标的目标特性,像素少,强度弱,特征提取困难的问题,本文分析了两种常用的特征提取算法,提出了一种在频域范围内进行红外小目标特征提取的改进粒子滤波算法。分析了在背景中加入目标点后频域的变化,指出了从频域进行目标提取的可行性。实际的仿真结果表明,使用频域的特征提取能够比较好地描述目标,区分目标和背景,具有很好的跟踪性能。     

基于随机森林算法的模拟电路故障诊断

为提高模拟电路参变故障的诊断率,提出基于多特征向量提取和随机森林(RF)算法的模拟电路故障诊断新方法。采用时域和频域特征向量组合的多维特征向量以反映不同故障特征,经RF算法进行决策,并对决策树棵数及候选特征向量个数进行优化。故障诊断实验结果表明,所提方法能较好地实现容差模拟电路故障诊断,与支持向量机(SVM)方法相比,表现出更好的分类性能;与小波(包)特征提取方法相比,简化了多维数据特征提取步骤,易于实现在线故障诊断。     

基于谱特征与数据结合的辐射源个体识别技术

针对基于传统特征的个体识别算法难以满足实际需求，与仅靠数据驱动的神经网络识别方法所需数据量较大、针对性较差的问题，设计了一种基于谱特征与数据相结合的通信辐射源个体识别算法。文中方法结合先验知识对原始采样信号进行双谱和功率谱的谱特征提取，并将提取的特征与原始数据进行融合，得到更符合网络模式且具有信号意义的数据集。设计并行可分离卷积结构，得到针对辐射源个体识别的网络。通过实际采集信号对网络进行训练和测试以验证其有效性，实验得到采用文中方法的平均分类识别准确率为97%。     

基于隐含狄利克雷分布主题模型和特征级异构数据融合的电力故障主动性预警研究

智能化客服系统是国家电网在传统人工客服上转型的重要方向。相对于传统客服,智能客服可以并发处理电力用户的诉求事件,掌握覆盖辖区内配电网准确、可靠、全面、及时的状态信息,并通过分析历史诉求文本数据和电力用户相关的多源异构大数据来积极应付突发事件,对诉求热点进行预测并进行主动性预警。文中首先通过隐含狄利克雷分布概率(LDA)主题模型对电力用户的交互式诉求文本进行主题挖掘,获得诉求用户的诉求主题标签。根据电力公司所收集到的多源异构大数据,文中设计多种特征提取算法,搭建基于卷积神经网络(CNN)和特征级数据融合的分类模型,来实现对未来时间内诉求热点的预测。实验证明LDA模型可以很好地提取出诉求文本中的主题,多源异构数据分类模型最终得到高达94%的分类准确率,相对于传统分类器平均提升12.6%,最终可以实现电力公司对电力故障和用户诉求的主动性预警功能。     

顾及目标运动多信息特征的蚁群数据关联方法

针对多目标跟踪的数据关联问题,提出一种将目标运动信息多特征进行融合的蚁群数据关联方法。首先,根据数据关联的具体问题,重新定义了蚁群数据关联方法中路径与路径长度两个概念。其次,考虑目标运动过程中的多种信息特征,即距离信息、方向信息以及灰度信息,将这三种信息特征有机融合,共同作为数据关联标准实现多目标的蚁群数据关联。在多目标跟踪实验中,论文采用EKF滤波方法对目标运动状态进行估计。仿真实验对两个目标交叉运动的情况进行了跟踪估计。实验结果表明,考虑多信息特征后的基于蚁群数据关联的方法在计算量相当的情况下,能较未考虑方向信息以及灰度信息的蚁群数据关联方法获得更高的正确关联率,算法的综合性能优于现有的数据关联方法。