基于粒子群优化相关向量机的网络入侵检测

构建计算机网络的入侵检测系统,对于保护网络中的信息免受各种攻击显得非常重要.为了克服支持向量机的缺点,提出了一种基于粒子群优化相关向量机(RVM)网络入侵检测方法.相关向量机是一种建立在支持向量机上的稀疏概率模型.与支持向量机相比,它不仅具有较高检测精度,还具有较好的实时性,粒子群优化算法用于确定相关向量机的核参数.最后结合试验将提出的方法同支持向量机算法、BP神经网络进行了比较,结果表明提出的相关向量机相比于支持向量机、BP神经网络有着更高的入侵精度.     

基于图像特征及改进支持向量机算法的交通标志识别

研究一种基于图像特征以及改进支持向量机算法的交通标志识别方法。使用颜色以及形状特征对交通标志图像特征进行提取,使用Gabor滤波方法增强处理交通标志图像。针对支持向量机识别算法的精度在很大程度上受到基本参数的影响,通常根据经验来进行参数的选取等问题,使用模拟退火算法对支持向量机的参数进行优化选择。研究结果表明,使用研究的交通标志检测方法的检测精度高于其他三种方法,使用颜色和形状特征提取的检测精度要高于单独使用颜色或形状特征提取方法。     

一种基于内壳向量的SVM增量式学习算法

本文针对支持向量机难以快速有效地进行增量式学习的问题,提出了一种基于内壳向量的支持向量机增量式学习算法.算法通过线性规划运算求得最可能包含支持向量的壳向量和内壳向量集合,在保证分类精度的前提下最大程度地缩小训练集规模,进而在新的训练集中快速训练支持向量机.将该算法应用于公开数据及低空飞行声目标分类识别,结果表明,新算法...     

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。     

粒子群算法支持向量机的半监督回归

将基于粒子群算法的支持向量机与半监督学习理论相结合,提出了粒子群算法支持向量机的半监督回归模型。针对典型的实验数据集进行实验,并将实验结果与常规的遗传算法支持向量机和粒子群支持向量机模型进行对比。实验结果表明,粒子群算法支持半监督回归模型明显提高了回归估计的精度。     

自适应迭代最小二乘支持向量机回归算法

 基于最小二乘支持向量机回归算法,本文在前期工作的基础上进行了扩展,提出了更加详尽的自适应迭代最小二乘支持向量机回归算法. 与标准的LSSVR相比,本文提出的算法在学习新样本的时候利用了已有的学习结果,可以快速获得新的学习机. 模拟结果表明,自适应迭代最小二乘支持向量机回归算法能够自适应地确定支持向量的数目,保留了QP方法在训练SVM时支持向量的稀疏性,在相近的回归精度下,该算法极大地提高了标准LSSVR学习的速度.     

基于DGA支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在实际操作中存在的不足,提出两种解决方案:基于粒子群优化支持向量机的变压器故障诊断、基于差分进化支持向量机的变压器故障诊断。通过分析两种方案的算法原理建立支持向量机的变压器故障诊断模型,从而完成参数的优化,对得到的最优参数进行验证,获取最优的支持向量机模型。在Matlab软件平台上进行仿真实验,结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果获取的变压器故障诊断率较高;基于差分进化支持向量机的变压器故障诊断方法的误判率较低,全局寻优能力较好,相比于粒子群优化算法,差分进化支持向量机的优化精度更高。     

最小二乘支持向量机的一种非均衡数据分类算法

为了提高支持向量机的非平衡数据分类能力,分析了最小二乘支持向量机的本质特征,提出了一种基于中心距离比的非平衡数据分类算法,同时通过修剪边界样本,解决了最小二乘支持向量机缺失稀疏性的问题.在UCI标准数据集上进行的试验表明:该算法能够有效地提高支持向量机对非均衡分布数据的正确性,且该算法在不影响训练精度的前提下,可以得到稀疏解,算法的训练速度也有了一定的提高.     

基于支持向量机的飞机图像识别算法

研究了一种基于支持向量机的飞机图像识别算法。采用基于神经网络的图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练。提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验,实验表明基于支持向量机的飞机图像识别算法具有更好的性能。     

一种基于深度学习的图像裂缝分类方法

随着机器学习的兴起,基于深度学习的裂缝检测分类得到重视.本文设计了一种基于卷积神经网络结合支持向量机的图像裂缝分类算法,解决了现阶段存在的小样本学习能力不足、分类精度低等问题,实现了对桥梁裂缝图像的有效分类.     

基于主成分分析的改进贝叶斯网络入侵检测研究

传统的贝叶斯网络入侵检测技术中,未考虑到入侵检测数据集中属性数量过多的问题,导致贝叶斯网络构造过程中计算量过大,严重影响了检测效率;传统的贝叶斯网络入侵检测技术,在检测的过程中也没有考虑到当前网络受到的攻击行为和安全状态,仅仅根据原始训练数据集生成的贝叶斯网络进行测试,对检测精度造成一定的影响。针对上述两个问题,提出结合主成分分析和滑动窗口的贝叶斯网络入侵检测技术,仿真实验表明,改进后的技术能够大大降低数据维数,提高运算效率和检测精度。     

基于迁移学习的红外图像多目标检测技术

针对用传统方法难以解决城市背景下红外图像多目标检测的问题,采用迁移学习技术把深度学习中可见光域的目标检测框架迁移到红外域中。利用该方法建立的模型的小目标检测性能非常好,在制作的测试集上平均精度mAP（IoU=0.50）为0.858。还对训练数据与模型检测性能之间的关系进行了初步研究。制作了大数据量和小数据量2个训练集,对模型进行训练,然后在相同的测试集上进行测试。通过小数据量训练的模型在制作的测试集上的平均精度mAP(IoU=0.50)为0.615。实验结果表明,数据的多样性、数量、质量等都会影响模型的好坏。     

基于改进的朴素贝叶斯的入侵检测方法

随着当前网络安全环境的日益严峻,针对网络入侵事件的检测至关重要。面对网络入侵检测中数据集合存在的冗余特征,提出一种改进后的朴素贝叶斯算法。该算法在原有朴素贝叶斯的基础上巧妙引入卡方检验,通过筛选数据集中占比重要的特征降低数据维度,提高了入侵检测的准确性。最后,结合实验结果证明,该方法有效提高了入侵检测的准确性。     

改进k-means算法的网络数据库入侵检测

提出改进的k-means算法,加入过滤优化功能,通过簇候选集合中攻击簇的数目优化,删除掉非最优聚类数据集合中的攻击数据,生产最优簇,提高后期网络数据库入侵检测的时效性,降低漏检率.实验结果表明,本文的方法能够优化聚类后生成攻击簇的数目的数目,为网络数据量入侵检测提供便利,提高了检测的准确性,降低了漏检率.     

基于深度学习的光学遥感图像目标检测综述

目标检测是光学遥感图像解译的核心环节,广泛应用于情报侦察、土地利用、城市规划等领域。近年来,深度学习的发展成熟使光学遥感目标检测的精确度和效率得到大幅提升。本文首先综述了基于深度学习的通用目标检测算法;然后介绍了当前常用的光学遥感图像目标检测数据集并依据数据特点分析了数据集的发展趋势;接着根据遥感图像检测难点,从任意方向、多尺度、小目标、密集分布、复杂背景5个方面详细梳理了算法的优化方案;最后展望了光学遥感图像目标检测研究的发展方向。     

一种提高检测率的免疫优化模型

文章建立了一种基于免疫原理的提高检测率的优化模型.通过提出匹配强度概念,给出了检测子之间的重叠和检测集与自我集的重叠的计算方法.进一步用最小化检测子之间的重叠代替最大化检测集的覆盖,用检测集与自我集的重叠代替自身耐受约束,建立了计算检测集分布的优化模型,避免了在检测集的覆盖计算中使用并集公式和蒙特卡罗方法.选择经典的Iris数据集进行实验,结果表明,基于免疫优化模型的二进选择算法产生的检测集的覆盖大于线性算法和贪婪算法产生的检测集的覆盖,提高了入侵检测等异常检测的检测率.     

基于图像检测识别的数据增强技术

当前,在图像目标检测识别方面,深度学习技术已经成为研究的热点.然而深度学习在进行网络训练时需要使用大量的样本,当样本数目较少时,得到的训练模型其检测效果往往不佳.介绍了色彩变换、水平翻转、旋转、亮度变换、缩放、裁剪、添加噪声等不同数据增强方法,并结合VOC2007数据集,采用数据增强技术实现样本扩充.实验结果表明对样本...     

基于深度学习的无人机载平台多目标检测和跟踪算法研究

无人机技术和计算机视觉技术相结合,在民用和军用领域都有着广泛的需求,然而当前算法不能很好的适应无人机视角旋转、障碍物遮挡、目标尺度变化等特殊情况.根据实际的难点和挑战,提出了基于深度学习的无人机载平台多目标检测和跟踪算法.主要工作有:在检测方面,通过公开数据集和实际采集的大量数据,训练了基于Darknet53的检测网络...     

Subspace Partitioning for Target Detection and Identification

Detection of a given target or set of targets from observed data is a problem countered in many applications. Regardless of the algorithm selected, detection performance can be severely degraded when the subspace defined by the target data set is singular or ill conditioned. High correlations between target components and their linear combinations lead to false positives and misidentifications, especially for subspace-based detectors. In this paper, we propose a subspace partitioning scheme that allows for detection to be performed in a number of better conditioned subspaces instead of the original subspace. The proposed technique is applied to Raman spectroscopic data analysis. Through both simulation and experimental results, we demonstrate the improvement in the overall detection performance when using the proposed subspace partitioning scheme in conjunction with several subspace detection methods that are commonly used in practice.      

基于群卷积神经网络的恶意域名检验方法

针对恶意域名检测中存在的随机性大、现实样本少的缺陷,导致深度学习模型训练易出现过拟合的问题,提出了一种基于群卷积神经网络的恶意域名检测方法。首先将域名转换为嵌入词向量表示,然后通过随机维度组合生成随机数据集并构建卷积神经网络组,鉴于Inception结构优势将其加入到网络中,最后针对数据集易出现的类间样本失衡问题,引入了类间平衡系数以抑制模型训练过拟合,提高模型泛化能力。实验结果表明,在采集的域名检测数据集上,所构建的模型能够有效实现恶意域名检测;经过参数优化,相比于浅层模型组合分类器与典型深度神经网络模型LSTM-CNN,群卷积神经网络对所构建的域名检测集检测准确率分别提升了4%、1%,达到98.9%。