智能化网络安全防攻击检测中数据抽取和分析

针对传统智能化网络安全防攻击检测平台处理数据效率低、误差大等问题,本研究提出一种新型的解决方案;该方案数据抽取模型和大数据分析构建智能化网络安全防攻击检测平台,采用特征模板、卷积神经网络算法模型和条件随机场算法3种方法结合构建出数据抽取模型来抽取网络安全检测数据;其中,利用特征模板提取局部特征向量并进行语句转换得到初始局部向量序列,通过CNN算法对每个网络安全检测数据样本进行卷积和聚合,并提取其特征信息,将语义特征和局部特征相结合经过条件随机场算法进行序列标记,并抽取最优的特征向量序列,最后通过置信传播改进的逻辑回归模型进行分析;实验表明,本研究所提方案克服了现有技术存在的不足,显著提高了处理数据效率和精准度,在数据量为2GB的环境下,经过对数最大似然损失函数得出的损失值只有0.35.     

基于堆叠稀疏自动编码器的手写数字分类

将稀疏自动编码器(Sparse Autoencoder,SAE)模型应用于数字识别中,并通过多个稀疏自动编码器的堆叠构建了深度网络,采用非监督贪婪逐层训练算法(Greedy Layer-Wise Unsupervised Learning Algorithm)初始化网络权重,使用反向传播算法优化网络参数。利用堆叠稀疏自动编码器学习数字图像的特征,使用softmax分类器进行数字分类。经实验证明,与其它浅层学习模型对比,深度网络不仅进一步学习了数据的高层特征,同时还降低了特征维数,提高了分类器的分类精度,最终改善了手写数字的分类效果。     

基于自动编码器组合的深度学习优化方法

为了提高自动编码器算法的学习精度,更进一步降低分类任务的分类错误率,提出一种组合稀疏自动编码器(SAE)和边缘降噪自动编码器(mDAE)从而形成稀疏边缘降噪自动编码器(SmDAE)的方法,将稀疏自动编码器和边缘降噪自动编码器的限制条件加载到一个自动编码器(AE)之上,使得这个自动编码器同时具有稀疏自动编码器的稀疏性约束条件和边缘降噪自动编码器的边缘降噪约束条件,提高自动编码器算法的学习能力。实验表明,稀疏边缘降噪自动编码器在多个分类任务上的学习精度都高于稀疏自动编码器和边缘降噪自动编码器的分类效果;与卷积神经网络(CNN)的对比实验也表明融入了边缘降噪限制条件,而且更加鲁棒的SmDAE模型的分类精度比CNN还要好。     

煤矿井下基于降噪自编码器的航向估计算法研究

针对煤矿井下高动态、强磁场的复杂环境,使用智能手机中陀螺仪解算航向角存在较大累积误差这一问题,提出一种基于降噪自编码器的卡尔曼滤波融合航向估计算法.该算法由卡尔曼滤波融合航向解算和旨在消除原始惯性传感器数据噪声的降噪自动编码器组成,通过训练降噪自编码器对井下惯性传感器数据进行降噪处理,并利用卡尔曼滤波融合陀螺仪积分航向解算和九轴传感器航向解算,得到矿工运动的航向角.本文在鄂尔多斯高头窑煤矿采集矿工运动数据,试验结果表明,在高动态复杂矿井下,本文算法较九轴传感器航向解算有较强的抗干扰能力,满足井下矿工PDR航向估计需求.     

基于多传感器融合的叉车型AGV定位技术研究

对移动机器人定位问题进行研究,提出一种改进的正态分布变换-无迹卡尔曼滤波(NDT-UKF)算法。该算法利用无迹卡尔曼滤波(UKF)对移动机器人编码器数据及激光雷达观测数据进行融合。相比于扩展卡尔曼滤波(EKF),采用无迹卡尔曼滤波进行数据融合时,无需对系统的非线性方程进行线性化处理,因此不存在系统线性化误差。同时,无迹卡尔曼滤波也不需要求解系统非线性方程的雅可比矩阵,对于复杂的非线性系统,减小了计算量。为了对提出的算法进行验证,以叉车型自动导引小车(AGV)为背景,在Matlab R2019b软件中对提出的算法进行仿真,并将仿真结果与NDT算法、NDT-EKF算法进行对比。结果表明,提出的NDT-UKF算法定位精度更高。该研究为移动机器人定位提供了一种新思路,并且定位精度的提高有利于创建高度一致性的环境地图。     

基于改进SAE和双向LSTM的滚动轴承RUL预测方法

针对稀疏自动编码器(Sparse auto encoder, SAE)采用sigmoid激活函数容易造成梯度消失的问题, 用一种新的Tan函数替代原有的sigmoid函数; 针对SAE采用Kullback-Leibler (KL) 散度进行稀疏性约束在回归预测方面的局限性, 以dropout机制替代KL散度实现网络的稀疏性. 利用改进SAE对滚动轴承振动信号进行无监督深层特征自适应提取, 无需人工设计标签进行有监督微调. 同时, 考虑到滚动轴承剩余使用寿命(Remaining useful life, RUL)预测方法一般仅考虑过去信息而忽略未来信息, 引入双向长短时记忆网络(Bi-directional long short-term memory, Bi-LSTM)构建滚动轴承RUL的预测模型. 在2个轴承数据集上的实验结果均表明, 所提基于改进SAE和Bi-LSTM的滚动轴承RUL预测方法不仅可以提高模型的收敛速度而且具有较低的预测误差.     

基于深度学习模型的无线传感器网络数据融合算法

为了在无线传感器网络中提高数据融合性能,基于深度学习模型,提出一种将层叠自动编码器(SAE)和分簇协议相结合的数据融合算法SAEMDA,该算法在各个簇内构建特征提取分类模型SAEM,通过SAEM对节点数据进行特征提取和分类,之后将同类特征融合并发送给汇聚节点。SAEM的训练既可以采用离线有监督学习也可以采用在线无监督学习。仿真实验表明:和BPFDA,SOFMDA算法相比,SAEMDA在网络能耗大致相当的情况下能将数据融合正确率提高最多7.5%。     

面向增强现实的多传感器组合位姿注册算法

持续稳定的准确注册是构建增强现实系统的关键,为提高跟踪注册的稳定性和精度,提出了一种基于互补滤波(CF)和无迹卡尔曼滤波(UKF)的多传感器融合注册方案.该算法采用互补滤波器融合陀螺仪、加速度计和地磁感应计数据估计摄像头姿态;在处理视觉图像时,结合惯性姿态数据进行图像特征匹配;利用UKF融合视觉和惯性数据进行摄像头位置估计.实验表明:该算法在跟踪稳定性、精度、效率和抗干扰能力均优于传统的基于扩展卡尔曼滤波(EKF)的融合算法.     

深度自编码与自更新稀疏组合的异常事件检测算法

基于深度学习的异常检测算法输入通常为视频帧或光流图像,检测精度和速度较低。针对上述问题,提出了一种以运动前景块为中心的卷积自动编码器和自更新稀疏组合学习(convolutional auto-encoders and self-updating sparse combination learning, CASSC)算法。首先,采用自适应混合高斯模型(gaussian mixture model, GMM)提取视频前景,并以滑动窗口的方式根据前景像素点占比过滤噪声;其次,构建3个卷积自动编码器提取运动前景块的时空特征;最后,使用自更新稀疏组合学习对特征进行重构,依据重构误差进行异常判断。实验结果表明,与现有算法相比,该方法不仅有效地提高了异常事件检测的准确性,且可以满足实时检测需求。     

新型稀疏自动编码器组合的深度学习方法

针对自动编码器在强噪声环境下分类效果低的特征,提出了基于改进型稀疏自动编码器组合的深度学习方法。在采用计算相关熵的方法,增强了稀疏自动编码器对非高斯噪声的鲁棒性的基础上,利用卷积神经网络对自动编码器进行边缘降噪,接着将改进后的稀疏自动编码器和边缘降噪自动编码器相结合,得到新的稀疏边缘降噪自动编码器。实测数据的实验结果表明,新的稀疏边缘降噪自动编码器比现有的分类算法,计算时间更短、准确率更高、效果更明显。     

一种基于数据预处理和卡尔曼滤波的 温室监测数据融合算法

温室具有空间大、无线传感器节点易受到干扰等特点,节点采集的数据波动性较大且易出现丢失现象.为了提高温室监测无线传感网的可靠性和数据融合的精度,提出了一种基于数据预处理和卡尔曼滤波的无线传感器网络数据融合算法.经过对各传感器数据进行预处理和卡尔曼滤波估计,再将数据发送到簇头节点进行基于状态补偿策略的加权数据融合.通过对温室湿度数据进行仿真,结果表明:数据预处理能明显减小数据波动,大幅减少网络数据传输量和能耗,提高抗干扰能力.另外,针对温室无线传感器网络容易出现丢包的现象,基于状态补偿策略的加权数据融合算法可以明显提高在数据丢包情况下的融合精度.     

一种改进的无线传感器网络信息融合技术①

针对矿井环境监测系统的安全隐患问题,提出基于改进Kalman滤波与SVM的分布递阶信息融合方法,将系统中的传感器分为源节点和汇聚节点,在源节点采用改进Kalman滤波,汇聚节点采用SVM信息融合方法。该算法可以有效地降低无线传感器网络的能耗和网络信息冲突,仿真结果表明,该方法具有可靠性,并有效地提高无线传感器网络的信息融合精度。     

一种改进的无线传感器网络信息融合技术①

针对矿井环境监测系统的安全隐患问题,提出基于改进Kalman滤波与SVM的分布递阶信息融合方法,将系统中的传感器分为源节点和汇聚节点,在源节点采用改进Kalman滤波,汇聚节点采用SVM信息融合方法。该算法可以有效地降低无线传感器网络的能耗和网络信息冲突,仿真结果表明,该方法具有可靠性,并有效地提高无线传感器网络的信息融合精度。     

基于卡尔曼的无线传感器网络时空融合研究

无线传感器网络(WSNs)因其传感节点数目多,且节点易受环境干扰出现故障或失效的特点,对融合技术提出了新的要求。引入中值滤波,利用其良好的抑制脉冲噪声能力,结合卡尔曼滤波开发适用于WSNs的融合算法。采用时空分级融合减少集中计算量,使网络具有实时处理能力。算法具有容错能力,可提高网络鲁棒性。仿真结果表明了算法的有效性。     

基于改进SSD的电力检修多目标人员追踪方法

随着计算机人工智能领域的日益飞速发展, 对摄像头数量要求日益增加, 视频数据量也在迅速增加, 视频下的人形轨迹安全监控跟踪, 是大规模智能监控系统的重要研究方向. 考虑到安全管控现实场景中不同摄像头的光照亮暗程度和每帧图片的人形角度、尺寸等的差异, 会影响人形追踪的准确度, 为此提出具有快速优势的CSSD网络(Correct Single Shot multi-box Detector, CSSD)和关联分析应用于人形目标追踪. 本文基于行人多目标追踪技术基础, 提出了一种CSSD网络来进行模型的检测, 并使用简单的卡尔曼滤波方法跟踪预测目标的位置状态, 预测检测框位置, 使用IOU方法和匈牙利算法来解决视频连续前后帧目标匹配问题. 经验证, 该方法可以有效地提高人形目标准确率, 缓解目标之间的部分遮挡和位置突变问题, 能最大程度的适应目标的尺寸、远近和角度改变等.     

ADS-B与TCAS II数据融合算法研究

面对空中交通密度越来越大,TCAS II在实际应用中暴露出的虚警和不必要告警等问题愈加明显。为了提供可靠连续的监视信息,提高防撞系统的性能,给出了一种ADS-B与TCAS II组合监视数据融合算法。该算法首先建立了飞机状态空间模型,并分析了ADS-B和TCAS II数据内容和特点,然后研究了数据融合前需要解决的关键问题,利用Kalman滤波器对数据进行处理,采用了在线性最小方差意义下的按标量加权最优信息融合准则和算法对数据进行融合。对该算法进行仿真,结果表明融合后的数据估计误差比任何一个传感器单独估计的误差都要小,说明该算法能够得到较高精度的数据,有效增强了防撞系统的性能。     

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。     

基于多传感器融合的机器人编队ADRC控制

针对移动机器人编队问题,设计了一种基于多传感器信息融合和自抗扰控制器的编队控制系统。首先,为提高机器人的定位精度,采用卡尔曼滤波算法对激光数据和里程计数据进行融合,以更加精确的获得移动机器人的坐标信息,并建立主从机器人轨迹跟踪误差模型。进而设计了自抗扰控制器,完成扩张状态观测器以及控制规律的设计,实现移动机器人的跟踪编队控制。最后,设计了编队控制实验平台,并在该平台上验证了所提出方法的有效性和优越性。     

多传感器集中式增量卡尔曼滤波融合算法

在单个传感器的状态估计系统中,标准的增量卡尔曼滤波方法可以有效消除量测系统误差。对于多传感器情况,标准算法失效。针对该问题,提出了多传感器集中式增量卡尔曼滤波融合算法,即:增量卡尔曼滤波的扩维融合算法和增量卡尔曼滤波的序贯融合算法。在标准增量卡尔曼滤波算法的基础上,结合扩维融合和序贯融合的思想来实现多传感器数据的融合。实验结果表明,当存在量测系统误差时,提出的集中式融合算法与传统的集中式融合算法相比,提高了滤波精度,并且能够成功地消除量测系统误差。