基于深度特征学习的网络流量异常检测方法

针对网络流量异常检测过程中提取的流量特征准确性低、鲁棒性差导致流量攻击检测率低、误报率高等问题,该文结合堆叠降噪自编码器(SDA)和softmax,提出一种基于深度特征学习的网络流量异常检测方法。首先基于粒子群优化算法设计SDA结构两阶段寻优算法：根据流量检测准确率依次对隐藏层层数及每层节点数进行寻优,确定搜索空间中的最优SDA结构,从而提高SDA提取特征的准确性。然后采用小批量梯度下降算法对优化的SDA进行训练,通过最小化含噪数据重构向量与原始输入向量间的差异,提取具有较强鲁棒性的流量特征。最后基于提取的流量特征对softmax进行训练构建异常检测分类器,从而实现对流量攻击的高性能检测。实验结果表明：该文所提方法可根据实验数据及其分类任务动态调整SDA结构,提取的流量特征具有更高的准确性和鲁棒性,流量攻击检测率高、误报率低。

     

基于深度学习的虹膜识别方法研究

随着信息化社会的高速发展,人们生活水平的不断提升,与此同时人们开始越来越注重身份验证的准确性、安全性、稳定性.人体生物特征表现出了几大特点:唯一性、稳定性、不可复制.本文通过深度学习技术简述、分析特性、探究支持,研究了生物特征识别中的虹膜识别方法.虹膜识别性能指标在应用中相比其他生物指标高,具有很高的研究价值.希望通过本次对虹膜识别方法的探究,促进虹膜识别在人工智能方面的新发展.     

基于深度学习的雷达信号目标识别方法研究

雷达信号目标识别是智能感知领域的重要研究方向。传统方法在处理复杂场景和多目标识别时存在局限性,而深度学习方法以其强大的表达能力和自适应性在雷达信号目标识别中展现出巨大潜力。文章通过综合分析深度学习在雷达信号目标识别中的应用,探讨了数据预处理、深度学习模型选择、目标检测和分类方法、目标跟踪和预测方法以及深度学习与传统方法的融合策略等关键问题,重点讨论了深度学习模型的优化和改进方法。     

基于深度学习的法律文书识别方法研究

为了提升数字化法律文书知识库的建设效率,文中提出了基于深度学习理论的法律文书识别方法。该方法基于长短期记忆(LSTM)网元结构构建深度神经网络,引入遗忘门进行网元的状态更新,使用Softmax函数作为非线性传播函数,实现自然语言中的实体识别。经测试,该方法可以有效的提取法律文书中的当事人姓名、案由和审判机构等;在文中所采用的测试集上,相较于CRFs算法,该方法在准确率、召回率和F上均可以取得约10%的提升。     

基于深度学习的VPN加密流量协议识别

当下网络科技的快速发展,引起了人们对于隐私安全意识的加强,对于加密流量的使用也在逐步提升。与此同时,现有的加密流量技术例如Shadowsocks、SOCKS5、VMess等,也给网络安全管理大大增加了难度。如何在信息量巨大的网络数据中精准识别VPN加密流量,成为当今科学的一大热点问题。为此,本文在研究了VPN加密特性和协议原理的基础上,运用了深度学习算法对VPN的不同加密协议进行了识别区分。     

基于深度学习的商品识别方法与检测算法研究

由于人们对美好生活的向往愈发强烈,消费已经成为拉动我国经济发展的重要引擎,而在消费过程中强化消费体验也是提升消费者服务效益的关键所在。为了能够在提升消费体验的同时降低人力的投入,引入智能化商品识别工具,研究一种利用注意力机理进行特征抽取与学习的方法。文章简要介绍了深度学习方法和基于深度学习的商品识别方法,探讨了深度学习多目标商品检测算法,对比分析了改进后的MaskR-CNN,可有效防止因网络复杂性的提高而造成的性能下降,从而提高了检测效率和检测精度。     

基于深度学习的自动调制识别方法综述

自动调制识别(Automatic Modulation Recognition,AMR)是复杂电磁环境下的信号感知和识别领域中的重要技术,广泛应用于频谱感知、链路自适应、干扰防护等领域。传统的AMR方法主要依赖于人工提取特征、决策理论和识别器的选择。而深度学习(Deep Learning,DL)算法直接从海量数据中自动获取信号特征,同时实现特征提取和识别。因此,针对复杂多变的电磁环境中的信号识别问题,提出了将DL算法应用于AMR任务。首先,从数据集、信号表示和网络模型三个层面系统地综述基于DL的AMR方法;其次,详细总结了针对不同的信号表示所设计的神经网络模型,其中接收信号可以由专家特征、序列和图像来表示;最后概述了AMR存在的问题、潜在的研究方向和结论。     

基于深度学习的网路图像缺陷识别方法

计算机的发展推动了图像识别技术的发展,使其在各个领域都得到了有效的应用,但网路图像缺陷识别方法存在某些问题,导致图像缺陷识别不准确,识别效率低下,因此,基于深度学习设计了新的网路图像缺陷识别方法。首先进行了图像去噪增强预处理,其次基于深度学习进行了图像分割与边缘检测,最后构建了卷积神经网络图像缺陷识别模型,实现了网路图像缺陷识别,进行实验,结果表明,设计的图像缺陷识别方法的识别耗时短,识别准确率高,有一定的应用价值。     

基于深度学习的图像分类研究综述

近年来,深度学习在计算机视觉领域中的表现优于传统的机器学习技术,而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据,且无法满足人们对图像分类精度和速度的要求,而基于深度学习的图像分类方法突破了此瓶颈,成为目前图像分类的主流方法。从图像分类的研究意义出发,介绍了其发展现状。其次,具体分析了图像分类中最重要的深度学习方法（即自动编码器、深度信念网络与深度玻尔兹曼机）以及卷积神经网络的结构、优点和局限性。再次,对比分析了方法之间的差异及其在常用数据集上的性能表现。最后,探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。     

基于深度学习的遥感图像分类研究

作为机器学习的分支,深度学习克服了机器学习在提取特征上的弱点,能从海量数据中提取抽象特征.其特征表达能力和泛化能力高,面对海量遥感影像数据也能高效准确的提取特征.遥感影像分类是从提取影像中各类地物特征并归类处理,是遥感影像处理中的关键技术.基于深度学习的遥感图像分类可以弥补传统机器学习分类精度不高、效率低和泛化能力不足...     

基于深度学习的遥感建筑物识别方法研究

针对遥感影像建筑物识别中遇到的小目标漏检、背景复杂度高、虚警干扰因素多等问题,提出了一种基于深度学习的改进YOLOv3算法。以一阶段代表算法YOLOv3为基础,通过改进网络结构,修改特征图尺度,嵌入空洞卷积模块,加强算法检测能力和精度。实验数据表明,改进YOLOv3算法在满足了实时性的基础上,平均检测精度和召回率都较之原算法分别提高了4.47%和2.59%,因此提出的方法有效提高了对遥感建筑物的检测效果。     

基于深度学习的场景识别方法对比研究

随着大数据技术的发展以及计算机处理能力的增强,深度学习在计算机视觉领域取得了巨大成功,场景识别精度得到了大幅提高.本文对基于混合表示、基于显著性区域和基于多阶段特征融合三类基于深度学习的场景识别方法进行了总结和分析,并在常用数据集上进行了评估,最后对未来的研究方向进行了展望.     

基于深度学习网络的舞蹈动作识别方法研究

针对互联网中对视频动作迅速精确识别的需求,文中在传统深度学习网络上进行了改进,构建时域与空间域上的双路卷积网络.该网络以卷积神经网络(CNN)中的卷积、池化与全连接计算为基础,一方面在空间域上提取视频帧中的像素信息作为网络输入特征;另一方面在时域上,为了更优地表示视频动作的变化特征,引入了光流信息,借助金字塔算法(LK...     

基于深度学习的视频行为识别方法综述

近年来,自动学习特征的深度学习方法在视频行为识别领域中不断被挖掘探索。在总结了常用的行为识别数据集的基础上,对传统的行为识别方法以及深度学习的相关基础原理进行了概述,着重对基于不同输入内容与不同深度网络的行为识别方法进行了较为全面、系统性的总结、对比与分析。最后,对深度学习在行为识别领域的发展做了总结并展望了未来的发展趋势。     

基于深度学习的单多载波信号识别方法

信号调制识别技术在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中有着重要的应用.然而,在单多载波识别方面,大多数传统方法为模型驱动,需要对信号进行预处理.另外其适应信道环境单一,在复杂信道环境时识别性能较差.针对以上问题,提出了一种基于改进ResNe...     

基于深度学习和多通道融合的低空目标声识别方法

低空目标声识别主要指被动接收低空飞行目标辐射声信号,依据声纹信息对目标类型进行判别的技术方法 .基于单个传声器通道的目标识别性能往往会受到传声器周边环境和传声器本身特性异常的影响,因此需要研究基于多通道融合的低空目标声识别方法。对此,采用卷积神经网络处理各通道声信号的Mel频率倒谱系数特征,获取目标识别概率,并利用基于证据距离的信息融合方法,计算最终的目标识别结果。实测数据验证结果表明,基于多通道融合的低空目标声识别方法相较于单通道具有更高的稳健性,对单通道异常情况不敏感,仍然具有较高的识别准确率。