邻域形态空间多源免疫检测器生成与检测

人工免疫系统（artificial immune system,简称AIS）是人工智能技术的重要分支之一,被广泛应用于异常检测、数据挖掘、机器学习等多个领域.检测器是其核心知识集,其生成、优化和检测操作决定了人工免疫的应用效果.目前,人工免疫的问题空间以实值形态空间为主,但实值非自体空间“黑洞”、检测器生成速率慢、检测器高重叠冗余、“维度灾难”等问题,使得人工免疫检测的效果不甚理想.鉴于此,使用邻域形态空间,并改进邻域否定选择算法（neighborhood negative selection algorithm,简称NNSA）,引入混沌理论和遗传算法,提出了一种多源邻域否定选择算法（multi-source-inspired NNSA,简称MSNNSA）,并基于此提出邻域形态空间多源免疫检测器生成与检测方法,改进邻域形态空间下检测器的构造与生成机制,使其更具靶向性,并使获得的检测器具有更好的分布性,提高其生成效率和整体的检测性能,解决以上实值形态空间下存在的问题.实验结果表明,该方法提高了检测器生成效率以及检测的整体性能和稳定性.     

基于改进负向选择算法的异常数据检测方法

针对基本实值负向选择算法检测率不高的问题,采用可变尺寸检测器,有效减少了漏洞问题.同时,限制检测器的最小半径,节省了存储检测器所需要的空间.通过对污水处理数据进行检测,实验结果表明,该方法提高了异常数据的检测精度.     

基于支持向量机与邻域信息的肤色检测

根据支持向量机理论和肤色信息分布特点,提出利用像素点的8邻域信息,用C-支持向量机的方法进行图像的肤色检测.在YCbCr颜色空间,去除照度分量,用像素点及其8邻域内各点的Cb、Cr分量构成的向量作为输入,像素点所属类别为输出,高斯函数为核函数,采用序列最小最优化学习算法,构造了C-支持向量机肤色检测器.实验表明,当核宽度为80,惩罚系数C为200时,该肤色检测器的检测正确率可达到0.977.     

一种采用混合检测器的入侵检测系统

传统的基于免疫的入侵检测系统采用低级别的二进制检测器,妨碍了有意义的知识提取,对Nonself空间的覆盖也不完备。对二进制Self集的确定和有效检测器的生成方法进行了改进,研究了实值否定选择算法,加入了实值检测器,构成混合检测器集合,在检测阶段对会话和数据包同时进行异常检测。实验结果ROC曲线表明有较高的检测率和较低的误报率。     

基于Monte Carlo估计的免疫检测器分布优化算法

针对免疫实值检测器的黑洞和边界入侵问题,分析规模对检测性能的影响,提出一种基于Monte Carlo估计的检测器分布优化算法,以Monte Carlo方法估计检测器对非自体空间的覆盖效果作为算法结束的条件,通过优秀子代替代不合时宜的父代来完成检测器的分布优化处理。经实验测试表明,该算法不仅可以有效地降低黑洞,而且能够以更少的检测器更精确地覆盖非自体空间,从而提升检测器的检测性能。     

基于改进负选择算法的异常检测

为解决基于负选择的异常检测算法中检测器数目和检测器对非我空间的覆盖二者之间的矛盾问题,采用粒子群优化算法(PSO)来优化负选择算法中随机产生的检测器的位置,从而实现用较少的检测器实现对非我空间更大的覆盖.在保证检测器尽可能小的覆盖自我空间的前提下,扩大检测器集合对非我空间的覆盖,并且在这个过程中检测器的数目是一定的.对正弦时间序列信号(artificial datasets)和轴承滚珠故障的振动信号(real-word datasets)进行了仿真实验.实验结果表明,该算法相对于原始的负选择算法在对非我空间的覆盖和检测率的提高方面有显著的效果.     

一种基于受体编辑的实值阴性选择算法

受生物免疫受体编辑理论的启发,提出了一种基于受体编辑的实值阴性选择算法RERNS(Receptor Editinginspired Real Negative Selection Algorithm).对于匹配自体的检测器,该算法采用定向受体编辑使之获得新生,而这些新生的检测器分布在自体与非自体的边界区域,从而增加了检测器的多样性,并改善了算法对边界区域的覆盖情况;对于不匹配自体的检测器,该算法采用识别相同最近自体的定向受体编辑,使检测器在包含原检测范围的情况下扩大了对非自体空间的覆盖.理论分析和实验验证表明,与实值阴性选择算法中具有代表性的RNS算法和V-detector算法相比,RERNS算法生成的未成熟检测器更少,且检测性能更好.     

区间值信息系统中基于邻域系统的粗糙集模型

Pawlak经典粗糙集理论主要针对离散值,对复杂现实世界中的区间值却不能有效支持。在区间值信息系统中,基于灰格运算和Hausdorff距离提出了一种区间值的邻域关系。在该邻域关系基础之上,依次提出了基于邻域关系、最大相容类和邻域系统三种灰色粗集模型,提高了近似空间的精确度;同时讨论了三种灰色粗集模型之间的上、下近似空间,并用实例进行分析及验证。     

Rough逻辑及其在数据约简中的应用

讨论了被定义在邻域值决策表上的Rough逻辑及其公式的真值,它在数据约简中的应用比Pawlak定义的决策表上的决策逻辑更加广泛.目前常用的数据约简方法有Pawlak的数据分析和Skowron的分明矩阵法.前者是非形式的,不易机械化;而后者虽说直观、易理解,但还要求生成一个分明矩阵的中间环节,从而造成时空上的不必要的开销.采取一边从邻域值决策表关于属性值邻域是分明的属性并构成邻域分明合取范式,一边做这种逻辑公式的等价变换直接得到邻域值决策表的诸多约简.由于不用生成分明矩阵的中间环节,这样便节省了空间和时间,     

超球体检测器覆盖问题的研究

研究表明实值否定选择算法在多维形状空间下呈现出很高的时间和空间复杂性.针对实值否定选择算法中最常采用的超球体检测器,在理论上研究了它的体积,以及体积随半径和维数变化的性质,以此分析了高复杂性出现的原因.针对检测器存在重叠的问题,基于蒙特卡罗方法提出了一个估计检测器覆盖率的算法,用于比较不同检测器生成算法.由于该算法基于随机分布和概率方法,它极大地简化了计算复杂性.     

一种基于LS-SVM 的联邦滤波故障检测方法

针对Х^2检验法在组合导航系统联邦滤波故障检测中的不足,提出一种基于最小二乘支持向量机（LS—SVM）的故障检测方法,即在LS-SVM对子滤波器新息进行预测的基础上构造故障检测量．以捷联惯导,卫星,天文组合导航系统为应用平台,采用无重置的联邦滤波对子系统突变和渐变两种故障的检测进行了仿真分析．仿真结果表明,所提出的LS-SVM检测法比残差Х^2检验法具有更好的故障检测能力,由此验证了方法的有效性．     

基于隐私保护的分布式异常检测方法

为获得鲁棒性的全局异常检测模型,需要多个组织之间的知识共享.存在的分布式异常检测技术常基于原始数据的交换或共享,侵犯了各自的隐私权,令人难以接受.基于隐私保护的分布式异常检测方法,采用本地模型共享技术,在保证数据隐私性的同时完成全局异常检测任务.通过7种异常检测模型在仿真和真实数据集上的实验说明,所提出的方法在保护数据隐私的同时,其全局异常检测效果能接近甚至超过将所有数据集中后建立的全局模型.     

基于子集p值检验的惯性/ 卫星紧组合多星故障识别方法

传统的 RAIM 算法对多颗卫星同时发生故障的识别能力较差,鉴于此,提出一种基于子集 值检验的多卫星故障检测与识别方法.该方法在惯导信息辅助的基础上,采用 值检验对观测量子集进行显著性水平分析,通过决策得到各卫星观测量质量值,并进行故障识别和系统重构.仿真结果表明,该方法在可见星数?5时即可进行故障识别,且对于多颗卫星同时发生故障的情况具有较好的识别效果,提高了紧组合导航系统容错性和精度.     

确定性空间的无线传感器网络节点部署策略研究

针对含障碍物的确定性区域内无线传感器网络部署问题进行研究.首先建立节点探测模型和网络部署质量评价方式;然后基于含误警率的概率模型提出一种新的部署方法,即采用分水岭算法选取候选部署区域,以Delaunay剖分算法产生新增节点的候选部署位置,从而实现传感器节点的有序高效部署.仿真结果表明,与随机部署、最大平均覆盖(MAX_MIN_COV)和最大最小覆盖(MAX_AVG_COV)等算法相比,所提出的策略能取得更好的覆盖探测概率和覆盖一致性.     

一种基于局部搜索采样的粒子滤波检测前跟踪算法

针对一类状态部分可测系统粒子滤波检测前跟踪算法中高维采样效率低的问题,提出一种基于局部搜索采样的粒子滤波器检测前跟踪算法.该算法在后验状态更新之后,在可测分量估计值的附近,对不可测分量引入先验分布信息,用少量粒子进行局部搜索采样,提高了粒子采样效率.仿真结果表明,所提出算法获得了更好的检测和跟踪性能.     

基于流形学习的局部保持PCA算法在故障检测中的应用

提出一种新的基于流形学习的数据降维及特征提取方法:局部保持 PCA 算法(LPPCA).通过在 PCA 的优化目标中融入流形学习的思想,不仅使投影得到的低维空间和原始样本空间具有相似的全局结构,并且保持了相似的局部近邻结构,克服了传统 PCA 方法只关注全局结构特征而忽略局部流形特征的缺陷,同时给出了 LPPCA 在故障检测中的应用方法. S-Curve 和 Swiss-roll 曲面数值仿真和 TE 过程仿真验证了算法的有效性和优越性.     

基于特征显著性的多特征融合车牌定位算法

在分析已有车牌定位技术以及目标检测共有特性的基础上,提出了基于视觉显著性的特征选择方法.算法依据先验样本的统计学习,利用导致最小错误概率判决方法,得到目标的特征显著性分析.在车牌定位过程中,根据得到的特征显著性序列,依次赋予特征不同的权值,然后采用融合的方式得到所需要的车牌区域.实验结果表明,该算法提高了使用单一特征进行车牌定位的准确率.     

基于概率假设密度的多目标视频跟踪算法

研究目标数变化的多目标视频跟踪问题.首先阐述了概率假设密度(PHD)滤波的基本原理;然后给出序列图像多目标跟踪系统的运动目标检测算法、状态方程、观测方程以及基于高斯混合概率假设密度(GM-PHD)的多目标视频跟踪算法的具体实现.该算法有效解决了新目标出现、目标合并、目标分裂及目标消失等多目标跟踪问题.实验结果表明,该算法在复杂场景下具有较强的鲁棒性,能有效实现目标数变化的多目标视频跟踪.     

嵌入非对称拒识代价的二元分类算法

针对传统分类算法隐含的假设(相信并且接受每个样本的分类结果)在医疗/故障诊断和欺诈/入侵检测等领域中并不适用的问题,提出嵌入非对称拒识代价的二元分类问题,并对其进行简化.在此基础上设计出基于支持向量机(SVM)的代价敏感分类算法(CSVM-CRC).该算法包括训练 SVM 分类器、计算后验概率、估计分类可靠性和确定最优拒识阈值4个步骤.基于10个 Benchmark 数据集的实验研究表明, CSVM-CRC 算法能够有效降低平均代价.     

基于粒子滤波的检测前跟踪改进算法

针对低信噪比环境下微弱目标的实时检测与跟踪,提出一种基于粒子滤波的检测前跟踪改进算法.该算法在粒子滤波的基础上融合不敏卡尔曼滤波(uKF1)算法,融合后的新算法在利用重要性密度函数产生粒子时充分考虑当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子的分布更接近状态的后验概率分布.仿真实验表明,改进算法的检测与跟踪性能优于标准的粒子滤波算法.