水文时间序列多时间尺度分析的小波变换法

以长江宜昌站近100年（1890～1987）年平均流量过程为例，利用Marr小波和Morlet小波变换对水文序列的多时间尺度演变特性进行了分析，研究结果表明，其年际及年代际时间尺度在时间域中分布很不均匀，具有明显的局部化特征，小波变换法分析了水文水资源系统多时间尺度是优越的。     

小波域中的广义非局部平均去噪算法

图像小波系数的统计分布具有非高斯特性,可以用广义高斯模型进行描述．使用广义高斯分布对图像子带小波系数进行建模并估计广义高斯分布模型的参数,根据参数确定了非局部平均权值的广义表达式,在此基础上提出了一种基于广义高斯分布的小波域广义非局部平均去噪算法．仿真结果表明,相比小波域阈值去噪和小波域非局部平均去噪算法,该方法的峰值信噪比平均提高1.5～3.3dB,在边缘特征方面保持了良好的视觉效果．     

一种新的基于临界时间尺度的业务流性能刻画方法

针对实际业务流的尺度特性,首先利用分形布朗业务模型FBM推导临界时间尺度的理论依据,证明业务流性能不仅与相关性有关,而且与具体的网络环境(如缓冲区、利用率大小等)存在较大联系.同时提出采用临界时间尺度和小波变换去刻画多重分形下因尺度因素引起的性能变化.通过大量仿真发现其结果与实际情况吻合,而业务流在有限缓冲区下的重置效应和截断效应正好能解释这一现象,证明了该思路的正确性.     

工业控制网络流量特性分析与建模

采集了真实环境中的基于工业以太网的工业控制网络流量,通过对流量特性的分析发现其流量特性与普通IT网络流量特性的差异,并详细分析了其成因.通过分析发现,工业控制网络流量分布整体较规律,数据包时间间隔既不服从泊松分布又不服从重尾分布,小时间尺度上具有周期性,没有表现出自相似的特性,大时间尺度上则较为平稳.最后,应用季节乘积ARIMA模型对工业网络流量进行了实证分析.结果表明:应用该模型对工业网络流量进行建模预报是可行可靠的.     

基于二维离散小波变换自相似的图形编码

介绍了二维正交离散小波变换，分析了离散小波变换的自相似性。分形图像编码方法可有效压缩图像，其实质是消除图像中的自相似性冗余。离散小波变换非常适合于描述图像的自相似性及分形特性。给出了小波分解系数图像编码，解码的具体方法，给出了实验结果。利用图像的离散小波变换系数的自相似性的特点对图像实现高效压缩具有十分重要的意义。     

通信网络聚合流量突发性的产生机理研究

针对当前网络聚合流量突发性产生机理研究中存在的一些模糊认识,提出了一种扩展ON/OFF模型,并基于该模型证明:网络聚合流量的突发性由节点流速的分布特性决定,与ON和OFF状态持续时间的分布无关;突发性不能使用H系数来描述.仿真实验证明了理论推导结论正确.该研究揭示了网络聚合流量突发性的产生机理,可为网络流量工程提供了理...     

地海杂波的随机分形模型

引入时变分形曲面描述地面和海面的局部动态特征,给出了三个合理电磁散射假设;采用基尔霍夫解定性分析散射场的时域分形特性,导出了地杂波和海杂波的分形模型;分析了杂波模型的幅度分布、功率谱和参数的特性。理论分析和数据仿真表明,分形模型可有效地对地杂波和海杂波进行建模。     

长江上游日径流变化的多时间尺度分析

以宜昌站120年(1882—2001年)实测日流量资料为基础,利用Morlet小波变换对其汛期日最大流量过程进行多时间尺度变化特性分析.研究结果表明,宜昌站汛期日最大流量存在着18 d左右尺度的主要周期变化,体现了大时间尺度中包含小时间尺度的层次性,对三峡水库的洪水预报、调度和水资源的合理调配有指导作用.     

基于图像纹理特性的数字水印算法

提出一种基于图像纹理特性的数字水印算法,该算法采用分形参数描述图像纹理特征,选取粗糙纹理块作为水印的嵌入块,水印嵌入利用图像小波分解系数的塔式特性进行不同级之间相似块的替代,检测算法无需原始图像,仅需保留块嵌入位置作为密钥.由于水印算法充分利用了图像自身特点,同时水印嵌入分块进行,有效地提高了水印信号的鲁棒性.实验结果表明该方法对一般的图像处理操作具有很好的鲁棒性.     

基于系数相关性的多尺度Kalman滤波器组的GPS共视观测数据算法

运用基于小波系数相关性的多尺度Kalman滤波器组算法处理GPS共视观测数据。在假设GPS共视钟差数据具有1/f分形特性的条件下,用基于小波变换的算法估计GPS钟差数据的自相似参数H。当0相似文献   

基于在线特征选择的网络流异常检测

针对传统批处理特征选择方法处理大规模骨干网数据流存在时间和空间的限制,提出基于在线特征选择(online feature selection, OFS)的网络流异常检测方法,该方法将在线思想融入线性分类模型,在特征选择过程中,首先使用在线梯度下降法更新分类器,并将其限制在L₁球内,然后用截断函数控制特征选择的数量。研究结果表明,提出的方法能充分利用网络流的时序性特点,同时减少检测时间且准确率和批处理方法相近,能满足网络流异常检测的实时性要求,为网络流分类和异常检测提供一种全新的思路。     

基于显著稀疏强关联的脑功能连接分类方法

针对脑功能连接数据维度过高、冗余特征过多影响神经网络分类准确率的问题,提出一种基于显著稀疏强关联的脑功能连接分类方法. 该方法利用显著特征稀疏模块对原始特征进行筛选增强;采用稀疏强关联特征上下文融合模块对不同感受野内的显著特征信息进行聚合;使用全连接神经网络进行分类预测. 在ABIDE以及ADHD-200数据集上的实验结果表明,所提方法相较于现有的脑功能连接分类算法在准确率上分别提升了10.41%和12.50%. 重要特征的可视化结果表明所提方法能准确定位与疾病相关的脑区,具有一定实际应用价值.     

基于个性化联邦学习的无线通信流量预测

提出一种基于分布式的城市全域通信流量预测算法Fed-DenseNet,各个边缘计算服务器在中心服务器的协调下进行协同训练,中心服务器利用KL散度挑选出流量分布相似的区域流量模型,并采用联邦平均算法对具有相似流量分布的区域流量模型的参数进行融合,以较低的复杂度和通信开销实现城市全域流量预测。此外,城市范围内不同地区流量具有高度差异化的特征,为此,在Fed-DenseNet算法基础上,提出基于合作博弈的个性化联邦学习算法p-Fed-DenseNet,将本地区的各个区域性数据特征作为合作博弈的参与者,通过合作博弈的超可加性准则,进行本地区特征的筛选,从而达到既能提高模型的泛化性,又能够保持对本地流量精准刻画的目的。     

Fast network intrusion detection system using adaptive binning feature selection

Aiming at the problems of the low detection rate of traditional intrusion detection systems and the long training and detection time of intrusion detection systems based on deep learning,an adaptive binning feature selection algorithm using the information gain is proposed,which is combined with LightGBM to design a fast network intrusion detection system.First,the original data set is preprocessed to standardize the data;then the redundant features and noise in the original data are removed through the adaptive binning feature selection algorithm,and the original high-dimensional data are reduced to the low-dimensional data,thereby improving the accuracy of the system and reducing the training and detection time;finally,LightGBM is used for model training on the training set selected by the characteristics to train an intrusion detection system that can detect attack traffic.Through verification on the NSL-KDD data set,the proposed feature selection algorithm only takes 27.35 seconds in feature selection,which is 96.68% lower than that by the traditional algorithm.The designed intrusion detection system has an accuracy rate of 93.32% on the test set,and its training time is low.Compared with the existing network intrusion detection system,the accuracy rate of the proposed system is higher,and its model training speed is faster.     

基于多特征融合的交通标志分类

为有效提高交通标志分类的准确度,提出一种融合全局特征和局部特征的多特征交通标志分类方法。首先提取能够描述标志图像内部纹理信息的局部二值模式(local binary pattern, LBP)特征,再提取能够表示标志图像形状信息的方向梯度直方图(histogram of oriented gradient, HOG)特征和描述图像粗略轮廓信息的全局Gist特征,然后采用线性组合方式,实现特征融合互补,并通过主成分分析(principal components analysis, PCA)法进行数据降维,最后采用支持向量机(support vector machine, SVM)分类器进行交通标志训练与识别。试验结果表明:相对于单一特征的交通标志分类方法,基于多特征融合的算法获得了更高的分类精确度,同时也满足实时性要求。     

基于特征符号表示的网络异常流量检测算法

为了准确检测网络中的流量异常情况,确保网络正常运行,提出基于特征符号表示的网络异常流量检测算法（NAAD-FD）. NAAD-FD算法利用趋势转折点将网络流量数据按照基于趋势特征的符号表示方法进行转化,按照表示结果将原始数据转化为包含7项特征值的子序列,将7项特征值运用到提出的距离计算方法中;结合基于密度的算法,按照时间序列的网络异常流量定义执行异常检测. 通过对算法参数、仿真数据和真实网络流量数据的实验与分析可知,该算法具有较强的鲁棒性,验证了该算法的有效性和稳定性. 该算法通过降维简化表示,显著降低了算法的时间复杂度,有效加速异常检测过程约40%.     

基于目标形状卷积神经网络在舰船分类中的应用

针对传统卷积神经网络采用通用卷积核提取目标特征造成更高的时间和空间开销的问题,提出一种适应目标几何形状的卷积核结构以替代通用卷积核,可使单个卷积核充分提取目标特征,简化目标提取过程,减少冗余计算。实验以网上收集的舰船可见光图像数据集为研究对象,实验结果表明:本方法在舰船目标识别任务中达到了99.7%的分类准确率,与目前通用的分类模型进行对比要高出约1%,训练速度是通用模型中收敛速度最快的模型的3倍。     

混合交通特征表达及快速检测算法

针对混合交通特征表达和分类识别的问题,提出了基于边缘偏心率向量的混合交通视频检测算法。将利用上下文比对获取的边缘信息与图像重心相结合构建混合交通的边缘偏心率向量,对混合交通前景进行了特征表达。再结合极限学习机建立了快速学习机制,实现了快速分类识别,克服了采用支持向量机训练难以达到实时检测的问题。试验结果表明:本文算法中各个类别的混合交通边缘偏心率特征区分明显,识别准确率可达93%以上,且处理速度快,能够满足实时检测的需求。     

一种基于改进深度残差收缩网络的恶意应用检测方法

恶意应用的快速增长给移动智能终端带来了巨大的安全威胁,实现恶意应用高精度检测对移动网络信息安全具有重要意义.本文提出一种基于改进深度残差收缩网络的恶意应用检测方法.首先将流量特征预处理成卷积神经网络输入,接着引入通道注意力机制和空间注意力机制,从通道和空间两个维度对样本特征进行加权.然后再引入深度残差收缩网络,自适应滤除样本冗余特征并通过恒等连接优化参数反向传播,减小模型训练和分类的难度,最终实现安卓恶意应用高精度识别.所提方法可避免手工提取特征,能实现高精度分类并且具有一定泛化能力.实验结果表明,所提方法在恶意应用的2分类、4分类和42分类中准确率分别为99.40%、99.95%和97.33%,与现有方法相比,具有较高的分类性能与泛化能力.     

在线聚类的网络流量识别

针对网络流量在线识别的难题,提出一种聚类算法和在线流量识别方案.以网络数据流的若干初始数据包作为子流,提取子流的统计特征,应用基于滤波器算法的属性相关性算法提取子流最佳特征子集,并提出基于密度的在线带噪声空间聚类算法对子流特征向量进行聚类,采用优势概率业务实现聚类和应用类型的映射.实验结果表明,该方案具备识别新应用类型和加密数据流的功能,且能实现在线的网络流量分类.