交通网络中移动对象定点CRNN查询算法

目的在交通网络中实现移动对象的定点CRNN查询监控,确定受到定点影响的移动对象集合.方法根据交通网络的特征,定义网络中RNN的概念,采用PMR四叉树来索引交通网络结构,利用监控树来简化对网络上移动对象的计算判断和监控.结果测试显示该算法能够针对现实交通网络,实现定点CRNN的查询监控.结论实验表明,在移动对象和查询数量增大时,该算法显示出较好的伸缩性.     

基于SVM的说话声实时检测

研究了说话声音频数据的音频特征,并且利用SVM实现了说话声的实时检测.首先,对原始音频数据做预处理,然后对音频数据进行了3层小波分解,并提取了第3层低频系数的MFCC特征,同时提取了音频数据的质心、谱熵特征;其次,计算MFCC特征的均值、质心和谱熵的方差,由此构造了特征向量集;最后,利用SVM模型训练音频样本,并对测试集中的样本进行了测试和实时检测.实验表明,所提取的音频特征有效、合理,并且表现出良好的分类与检测性能.     

基于物联网的移动网络交互行为异常检测

为了解决传统交互行为异常检测方法实时性差、数据分布要求较高等问题,研究基于物联网的移动网络交互行为异常检测方法.基于时间序列分量对物联网高维数据特征进行检测,以获取的移动网络交互行为数据特征值子集为基础,将高维特征空间的正向矢量数据作为验证核心,设立常数偏差函数并求取函数最小值,以此设定检测阈值.根据检测阈值采用平行时...     

多特征融合和孪生注意力网络的高分辨率遥感图像目标检测

为提高高分辨率遥感图像目标检测效果,本文将多特征融合方法和孪生注意力网络相结合,提出一种新的目标检测方法。构建遥感图像目标检测的整体框架,基于锚框模型对遥感图像目标进行多层特征的提取及融合;运用孪生注意力网络对遥感图像目标实时视觉跟踪检测,引入通道和空间的双重自注意力机制,提高目标图像的特征表达能力,由此得到更加精准的检测结果。实验分析结果表明,本文方法的平均总体精度为93.8,F1指数平均值为0.88,Kappa系数平均值为0.93,均明显高于对比方法,说明本文方法具有较好的检测效果。     

蚁群算法选择特征与WSVM融合的网络入侵检测

为了提高网络入侵检测率,提出一种蚁群算法选择特征与加权支持向量机的网络入侵检测方法.利用蚁群算法选择网络数据的关键特征,计算信息增益获得各个特征权重,根据特征权重构建了加权支持向量机的网络入侵分类器,并通过KDD CUP 99数据集验证了其有效性.结果表明:该算法能够有效降低特征维数,提高网络入侵检测率和检测效率.     

一种新的移动ad-hoc网络异常入侵检测技术

随着无线网络的发展和移动计算应用的快速增加,网络安全问题更加突出.入侵检测已经从保护固定有线网络扩展到移动无线网络.入侵检测方法有两种:异常检测和误用检测.作为构成无线移动网络两种方式之一的移动ad-hoc网络,由于其与有线网络存在很大差别,现有针对有线网络开发的入侵检测系统很难适用于ad-hoc网络,面临着网络中各种方式的入侵.提出了入侵检测技术在移动ad-hoc网络面临的挑战,并提出了基于移动ad-hoc网络的异常入侵检测系统.     

基于平均度与平均聚类系数的RWP模型的研究

RWP模型作为节点仿真移动模型被广泛应用在传统移动自组织网络研究中,而机会网络作为移动自组织网络的一个分支,具有不保证连通的网络拓扑特性,这种特殊性可能导致RWP模型不适合作为仿真机会网络的节点移动模型.结合复杂网络理论中平均度与平均聚类系数的概念,对RWP模型仿真数据与实验数据进行了对比分析.分析结论指出,在平均度相近的条件下RWP模型的平均聚类系数与实验数据有明显的差异,因此RWP模型不适合作为描述机会网络的移动模型.     

采用Netflow数据的典型异常流量检测方法

基于Netflow数据提出了根据流量特征进行异常检测的方法;分析了造成异常流量的DDoS和端口扫描的流量特征两种网络攻击行为;并根据其特征进行用户可控的实时异常流量检测,给出告警,报告异常的时空坐标.用户可以调整自己的参数设置,在计算时间和空间上平衡自己的参数,得到满意的结果.采用Web形式和CS架构模式进行异常监控的实时显示,用尸可以实时地在任何连接到服务器的主机设置参数和查看检测结果.     

一种利用霍尔导数曲线反求地层参数的新方法

改进霍尔曲线法是通过导数曲线与积分曲线的相对位置定性识别地层是否产生大孔道。由于导数曲线公式中含有与工作制度有关的参数,而实际生产中工作制度经常改变,这与改进霍尔曲线法采用的理想模型进行计算有所不同,通过实际生产数据绘制出的导数曲线特征与改进霍尔曲线法也有差异,因此为了避免工作制度对曲线产生的影响并能够定量识别孔道特征,将某区块生产数据计算出的导数数值解代入到解析解公式中,再利用提出的修正系数对与工作制度有关的参数相进行修正,得到修正系数为1.2。把渗透率作为未知数,将全区水井投产初期数据计算出的导数数值解代入到解析解公式中,将计算出的各井渗透率与实际水井地层渗透率相比较,误差小于8%的井占总井数的91.4%,验证本方法合理有效。取其中一口水井计算投产初期渗透率为16.41mD,预测长期注水后地层渗透率为36.77mD,发现长期注水后地层渗透率变大,说明产生优势渗流通道,与绘制的改进霍尔曲线规律一致。     

基于物联网技术的移动网络交互行为异常检测方法

针对移动网络交互行为异常问题 ,提出了一种基于物联网技术的移动网络交互行为异常检测 方法 装 建立移动网络交互行为特征挖掘模型 ,根据移动网络交互行为的属性分布进行特征辨识 ,挖 掘移动网络交互行为异常信息大数据 ,并进行分布融合 装 提取移动网络交互行为异常特征分布值 , 采用信息重组和线性插值拟合方法 ,重构移动网络交互行为的语义属性分析和本体模型 装 采用特征 匹配与信息融合的方法进行移动网络交互行为异常检测 装 仿真实验结果表明 ,该方法的移动网络交 互行为异常检测准确率始终高于95% ,定位性能较好 装     

面向控制的城市交通网络宏观动态模型

针对城市道路交通流非线性、不确定性和模糊性特点，提出了面向控制应用的城市交通网络宏观动态离散模型. 基于大系统分解 协调理论，把整个城市道路大交通网络分为城市区域、城市快速公路、城市区域 城市快速公路3个子 系统，分别建立了它们的宏观动态模型，并分析了这3个子系统模型之间的相互关系.对杭州市中心区域的实际交通流数 据进行了仿真研究，结果表明该交通流模型较好地反映了城市路网的交通流信息，可以作为城市交通控制系统分析和设 计的有力工具.     

基于交通流时空特性的道路网动态划分方法

提出了基于交通流时空特性的道路网动态划分方法,首先根据道路网的空间特性,建立度量各断面相近程度的广义空间距离模型。引进R-Q型因子分析法,对道路网进行空间层面上的划分;然后根据交通流时间特性,以实时获取交通流状态信息为输入,实现道路网的动态划分。最后采用城市快速路网进行实例分析,划分结果表明,子路网各断面交通流量之间具有很强的相似性。     

复杂网络在交通网络节点重要度评估中的应用

为了找到道路交通网络中的重要节点,保障交通通行.文中使用一种基于节点收缩方法的复杂网络节点重要度评估办法,将该方法应用于城市道路交通网络,并以莲湖区为例评估该区域城市道路交通网络的节点重要性.结果表明:道路交通网络中的节点重要度与通过该节点的交通流量和节点在网络中的位置有关,使用该方法得到了道路交通网络节点重要度的排序,结果更贴近实际情况.     

基于混沌理论的短时交通流局域预测模型

为了提高城市短时交通流预测的精度,对城市的短时交通流数据进行混沌时间序列分析,并对交通流时间序列数据进行相空间重构.通过对混沌时间序列预测方法的研究,提出短时交通流加权一阶局域多步预测方法.对实测短时交通流量预测结果,验证该多步预测模型的预测精度明显高于一步预测模型.     

逐步回归法在无检测器交叉口交通流量预测中的应用

在研究交叉口相关性的基础上 ,利用逐步回归法预测无检测器交叉口交通流量 ,并应用长春市路网的实际数据对结果进行了检验 ,取得了满意的效果。此研究成果有效地解决了无检测器交叉口交通流量的预测问题 ,它使得只有很少检测器交叉口的城市的交通流诱导成为可能 ,并为交叉口的宏观管理提供了理论依据。     

城市交通流诱导系统与交通控制系统集成中的信息处理

分析了诱导和控制集成下的实时交通信息采集和信息传输过程,描述了城市交通流诱导系统与交通控制系统集成中的信息处理理论模型,建议采用基于出行者出行行为的动态交通分配模型,并在此基础上给出了全局最优路径的动态交通分配模型。此外还提出系统集成中的网络通信采用计算机支持的协同网络,并给出了一种基于Multicast通信的数据通信方式。     

基于相似聚类分析的交叉口交通流量预测

从城市道路交叉口交通流量的特征出发,采用数理统计学相关系数和聚类的方法,利用安装检测器交叉口检测出来的交通流量进行相似分析和聚类分析,对无检测装置的交叉口进行判别、归类,并对其交通流量的预测,可较好实现城市路网节点交通流量的预测和交叉口的宏观管理.     

基于图卷积神经网络的城市交通态势预测算法

为了实时准确地预测城市交通流量,提高城市交通态势感知和预测准确度,提出一种改进的时空图卷积深度神经网络算法：基于自由流动可达矩阵的时空图卷积深度神经网络（FAST-GCN）. 利用图卷积神经网络有效表达城市复杂路网的结构特性,引入自由流动可达矩阵来挖掘复杂路网的时空依赖性,从而提高交通态势预测准确度;对交通流速及站点地理位置数据进行数据预处理;在现有的时空图卷积深度神经网络算法的基础上,增加基于自由流动可达矩阵的图卷积模块,以有效挖掘城市交通路网的独特空间特征;通过一个全连接的输出层输出交通流预测结果;在真实世界数据集PeMS上对算法效果进行验证. 结果表明,采用提出的FAST-GCN算法能够有效获取交通路网独特的物理特性,从而捕获交通数据的时空依赖性,优于时空图卷积（STGCN）等基线算法,其在45 min的预测准确率最好可提高5.656%;相比基线模型,所提算法能够适应大规模路网的交通流预测,且具有可扩展性.     

基于实际最大信号控制周期的交通流预测方法研究

引入非线性理论分析方法,在分析判定采样周期为实际最大信号控制周期（3min）的交通流数据表现出混沌特性的基础上,用基于相空间重构理论的局部预测方法进行预测,预测数据与实测数据吻合较好。     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.