动态网络流分类研究

动态网络流模型在微观层面上通过对流量的细分,建立了网络上主机之间的数据交互模型.该文通过对大量原始流量分析,发现单一动态网络流与网络应用协议之间不存在一一对应关系,但是它具有反映用户网络行为在数据传输方面特点的能力,这种能力对基于动态网络流模型的用户网络行为分析具有重要意义.针对数据传榆中动态网络流主要在数据传榆总量、传榆速率、传榆模式方面存在的不同,提出了完整的动态网络流分类方法.实验结果表明分类法得到的类别能够反映用户网络行为的特点,为后续的相关工作打下了基础.     

基于流视图的动态QoS保障机制

为实现对网络新兴业务的QoS保障支持,以及根据网络状态感知实施动态QoS保障,提出了一种基于流视图的动态QoS保障机制。该机制的基本思想是根据网络的实时流量分布即流视图,在同类型流量分布密集的区间为该类型数据流提供QoS保障。这种保障机制能够合理分配网络资源,使得各种类型的数据流能够以“各取所需”的方式得到QoS保障,同时其自适应性和可扩展性使得该机制能够满足网络新兴业务的QoS保障需求。仿真实验表明,基于流视图的动态QoS保障机制能够动态适应不断变化的网络环境,并为各种类型的网络流提供相应的QoS保障服务。     

碱金属对煤焦异相还原NO的催化机理：量子化学研究

针对碱金属催化煤焦异相还原NO的相关反应,采用密度泛函计算方法UB3LYP/6 31G(d)优化获得了反应通道上所有驻点的几何构型,得到了微观反应进程.采用高精度能量计算方法QCISD(T)/6 311G(d,p)计算得到了所研究反应的活化能,并结合经典过渡态理论,计算得到反应速率常数,拟合出阿仑尼乌斯表达式.通过比较各反应的活化能和反应速率常数发现,碱金属的存在使煤焦异相还原NO的活化能大大降低,提高了反应速率,起到催化作用;碱金属的活泼性越强,则其与NO反应的活化能越低,对煤焦异相还原NO的催化性能越好.     

基于带宽和延时度量的QOSPF改进路由算法

针对开放最短路径优先(OSPF)服务质量(QoS)扩展(QOSPF)算法中预剪枝高延时链路后仅考虑带宽度量计算路由,提出考虑带宽和延时度量的QOSPF改进(BD QOSPF)路由算法,为应用流寻找满足其QoS请求(带宽约束、延时最小或延时约束)的可行路径. 该算法保持QOSPF的算法复杂度,并支持逐跳和显式路由,比较可用带宽和延时度量预计算路由表,处理等资源、等开销路径和重路由阻塞流. 仿真结果表明,BD QOSPF可提高QoS流路由成功率,降低流路径延时和节省带宽资源;其重路由策略对于改善流阻塞性能是有效的,但要付出随流负荷增长的重路由开销.     

QoS预测机制的个性化云媒体服务选择

针对现有云媒体服务选择算法服务质量（QoS）不高和用户满意度低的问题,提出了一种基于QoS预测机制的个性化云媒体服务选择算法.首先,建立信任度模型,并将其引入用户相似度的计算来优化近邻用户,再利用协同过滤方法计算未知服务的QoS值,选出QoS较高的候选服务;其次,利用逼近理想解排序方法,选择并提供给用户符合其偏好的云媒体服务,进而提高用户满意度.仿真实例说明了该算法的有效性.     

综合服务网络中基于类分布信息的QoS路径选择算法

在综合服务网络中，多类流共享网络资源。因此在确保Qos流方面，路径选择算法起关键的作用。在这篇文章中，我们利用用户需求的波动和基于类分布信息提出路径选择算法。它可以避免因用户的贪婪需求而强占网络资源。仿真结果表明当网络负载处于非均匀分布时。高优先级别的类流的QoS性能得到了较大的提高而对低优先级别的类流产生较小的影响。     

H. 264视频码流自适应传输的研究与实现

针对IP网络带宽的有限、时变和“尽力而为”的特性,为了保障视频传输的服务质量（QoS）,提出了一种新的GAIMD_Buffer自适应传输方案.该方案在GAIMD算法的基础上增加了服务端和客户端的H-264视频流缓冲控制策略.当网络处于稳定或拥塞状态时,若下一个RTT时刻缓冲区占有量的估计值位于设定的阈值内,则按照GAIMD算法来调整发送速率,否则通过调整视频的编码码率来保证缓冲区不会发生上溢或下溢.实验表明该方案在嵌入式系统中能够更有效地平滑速率抖动,减少数据丢失,降低播放延时,进一步提高视频播放质量.     

一种基于主成分分析算法的网络异常检测实现

针对分布式网络的网络异常检测,提出一种多维数据特征自适应的异常检测算法,算法在主成分分析算法（PCA）的基础上进行异常特征自适应修正.在对网络流量数据经过了PCA处理后,确定贡献率高的维度,给出异常与维度特征的关联,进行特征自适应修正.实验结果表明,算法降低了网络异常检测的执行开销,提高了网络异常检测的报警精度.     

一种基于资源分配的QoS路由

针对网络中不同优先级数据流对QoS的不同需求提出一种新的基于半动态网络资源分配策略,并且根据每类流分得的资源以及各类流在该时刻内链路中剩余的资源实施路由选择策略。实验结果表明,与其它两种基于资源分配的QoS策略相比,该算法能够兼顾公平,又能满足不同类流对网络资源的需求。     

一种防篡改且可恢复流指纹编码方案

针对流交换中网络抖动和流变换导致的流指纹不可用、不可信问题,提出了一种防篡改且可恢复的流指纹编码方案。通过提出流特征信息作为自适应参数,以此作为超混沌系统的初值,构造双重指纹。与此同时,利用门限理论,以提高流指纹信息的防篡改能力和流指纹的自恢复能力。通过增加密钥空间以加大攻击难度、降低检测计算复杂度以提高检测效率。同时,为了实现流指纹的自恢复能力,将流指纹分为相互关联的两重子指纹信息,并对每一重子指纹再次进行分散。此外,对该方案的防篡改性和可自恢复能力进行了理论分析。最后,实验说明了该方案的高正确率和良好实用性.     

基于多神经网络分类器的军事目标识别方法研究

对军事目标类型的识别是军事信息处理中的一个重要环节.本文首先对军事目标进行特征提取,以矩和圆度两种不变矩特征向量作为神经网络的输入,分别采用了BP神经网络、自组织竞争网络、Hopfield网络对军事目标进行识别,最后采用了分类器多数投票法对识别结果进行融合,仿真实验结果表明采用多神经网络分类器融合的方法比单一神经网络识别率高,这对提高军事信息处理的准确性具有重要意义.     

整体特征通道识别的自适应孪生网络跟踪算法

针对孪生网络目标跟踪算法仅使用特征提取网络提取特征,在遮挡、旋转、光照与尺度变化中容易出现跟踪失败的问题,提出整体特征通道识别的自适应孪生网络跟踪算法. 将高效的通道注意力模块引入ResNet22孪生网络中,提高特征的判别能力. 使用整体特征识别功能计算全局信息,提取更为丰富的语义信息,提高跟踪算法精度. 同时,引入自适应模板更新机制,解决遮挡与长期跟踪导致的模板退化问题. 为了验证所提方法的有效性,在OTB2015、VOT2016与VOT2018等公开数据集上进行测试,并与其他跟踪算法进行对比. 结果表明,所提算法在精确度与成功率上表现较好,在背景杂乱、旋转、光照与尺度变化等情况中表现稳定.     

基于数学形态学和分形理论的电缆局放识别

为解决电缆附件绝缘缺陷故障类型识别过程复杂、特征选择冗余问题,提出了一种直接利用含噪局部放电信号进行绝缘故障识别的方法。选取3个工频周期内的含噪局放信号作为一个样本,首先采用数学形态学滤波技术进行放电脉冲提取,获得平均放电量和放电次数两个统计特征;利用Hurst指数对局放信号分形性进行判断,若条件满足,直接求取其盒维数作为一个分形特征;最后将3个特征导入可拓神经网络进行模式识别,验证该方法的可行性和有效性。结果表明:平均放电量、放电次数和盒维数3个特征具有较强的可分性,解决了特征选择冗余问题;可拓神经网络能较好地识别出不同类型的绝缘缺陷,识别率高于基于支持向量机和BP神经网络的同类方法。     

自适应深度卷积神经网络模型构建方法

针对传统卷积神经网络(CNN)模型构建过度依赖经验知识、参数多、训练难度大等缺点,同时鉴于复杂多类问题的CNN模型构建策略的重要价值,提出一种自适应深度CNN模型构建方法.首先,将初始网络模型的卷积层和池化层设置为仅含一幅特征图;然后,以网络收敛速度为评价指标,对网络进行全局扩展,全局扩展后,根据交叉验证样本识别率控制网络展开局部扩展,直到识别率达到预设期望值后停止局部网络学习;最后,针对新增训练样本,通过拓展新支路实现网络结构的自适应增量学习.通过图像识别实验验证了所提算法在网络训练时间和识别效果上的优越性.     

基于3D-CBAM注意力机制的人体动作识别

针对已有的动作识别方法的特征提取不足、识别率较低等问题,结合双流网络、3D卷积神经网络和卷积LSTM网络的优势,提出一种融合模型. 该融合模型为了更好地提取人体动作特征,采用SSD目标检测方法将人体目标分割出作为局部特征和原视频的全局特征共同训练,并采用后期融合进行分类; 将3D卷积块注意模块采用shortcut结构的方式融合到3D卷积神经网络中,加强神经网络对视频的通道和空间特征提取; 并且通过将神经网络中部分3D卷积层替换为ConvLSTM层的方法,更好地得到视频的时序关系. 实验在公开的KTH数据集     

虹膜与眼周深度特征融合网络模型

虹膜识别虽然识别率很高,但单模态识别时存在环境、欺骗攻击等影响,并且对于远距离或移动端、较少约束等场景下,虹膜识别率会大大下降。为解决此问题,采用虹膜和眼周双模态融合识别是较好的思路。为实现精确自适应的融合识别,本文提出新颖的虹膜与眼周深度特征融合网络模型（MultipleFusionNet）。根据特征通道注意力和通道分组注意力的思想,设计出自动权值生成网络,通过网络学习自动获得虹膜与眼周的权值。权值与卷积神经网络生成的虹膜与眼周深度特征加权计算,实现两个模态的深度特征动态精确地融合,从而提高识别准确率。本文网络模型中融合部分可作为通用的深度特征融合模块使用,该模块可灵活地嵌入在任何的CNN主干网络中,轻便且易于实现。在中科院公开的远距离虹膜库图像库CASIA-Iris-Distance和近距离光照变化虹膜图像库CASIA-Iris-Lamp进行了实验验证,实验结果显示,本文的特征融合模型准确率最高为99.56%,采用余弦距离度量的EER值最低为0.0027,优于单模态方法和相关的特征融合方法。计算复杂度方面,参数量和计算量比单模型的两倍少1.5%,计算量只比基准融合方法高1%,表明该融合模型计算复杂度低,具有良好的性能。     

Adaptive key SURF feature extraction and application in unmanned vehicle dynamic object recognition

A new method based on adaptive Hessian matrix threshold of finding key SRUF( speeded up robust features) features is proposed and is applied to an unmanned vehicle for its dynamic object recognition and guided navigation. First,the object recognition algorithm based on SURF feature matching for unmanned vehicle guided navigation is introduced. Then,the standard local invariant feature extraction algorithm SRUF is analyzed,the Hessian Metrix is especially discussed,and a method of adaptive Hessian threshold is proposed which is based on correct matching point pairs threshold feedback under a close loop frame. At last,different dynamic object recognition experiments under different weather light conditions are discussed. The experimental result shows that the key SURF feature abstract algorithm and the dynamic object recognition method can be used for unmanned vehicle systems.     

基于多视图循环神经网络的三维物体识别

对于三维物体的识别任务,基于多视图卷积神经网络的方法(MVCNN)在准确性和训练速度等方面都优于基于三维数据表示的方法。但MVCNN依赖于三维模型,且采用了固定视角的视图,不符合实际的应用场景;此外,其视图特征融合采用了最大值池化操作,会损失部分原始特征信息。针对这一问题,该文提出了一种基于多视图循环神经网络(MVRNN)的三维物体识别方法,从3个方面对MVCNN进行改进。首先,在交叉熵损失函数中引入特征辨识度指标,以提高不同物体特征之间的辨识度;其次,使用循环神经网络代替MVCNN的最大值池化操作来融合多个自由视觉视图特征,得到一个更加紧凑且物体外观信息完备的融合特征;最后,利用二分类网络对自由视角单视图特征和融合特征进行匹配,实现三维物体的细粒度识别。为了验证MVRNN的性能,分别在公开数据集ModelNet和自建数据集MV3D上进行对比实验。实验结果表明,与MVCNN相比,MVRNN提取的多视图特征具有更高的辨识度,在两个数据集上的识别准确率均较有明显提升。     

一种改进的卷积神经网络SAR目标识别算法

针对卷积神经网络在标签数据不足条件下易发生的过拟合现象及噪声条件下的合成孔径雷达目标识别问题,提出了一种改进的卷积神经网络目标识别算法．首先利用数据增强技术扩增训练集,以提高网络泛化能力;其次利用零相位成分分析对目标进行特征提取,得到一组特征集对卷积神经网络进行预训练．为优化网络结构,防止过拟合现象,在网络中采用了修正线性单元、Dropout、正则化、单位卷积核等稀疏性技术．实验表明,算法对各类目标及其变形目标子类具有较好的识别性能,并对噪声有较强的鲁棒性,是一种有效的目标识别算法．     

基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.