基于GAN的雷达HRRP数据增强方法

在雷达自动目标识别(RATR)中,数据驱动方法是强有力的工具之一.然而数据驱动方法的性能十分依赖数据集的质量,数据增强方法通过扩充数据集,能够提升数据驱动模型在现有数据集上的识别率.本文提出了用于高分辨距离像(HRRP)数据生成的一维基础生成对抗网络(BGAN)结构和条件生成对抗网络(CGAN)结构,并利用生成的人工样...     

基于卷积神经网络的业务识别

基于机器学习的业务识别对扩展网络功能,实现网络的精细化管控具有重要意义.目前基于机器学习的业务识别方法主要通过分析业务流的统计特征来实现,而从业务流中提取有效特征比较困难,因此识别精度不高.针对此问题,首先提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的业务识别方法,并进行...     

基于GAN网络的面部表情识别

本文为了解决姿态不变的面部表情识别即在任意姿态下的面部表情识别问题,提出了一种端到端的深度学习模型,该模型利用不同的姿态和表情进行面部图像合成扩充训练集,提高了模型的准确度,并有效地解决了姿态不变的面部表情识别问题。本文将介绍表情识别的主要过程以及模型中使用到的生成对抗网络(GAN)。     

基于GAN网络的面部表情识别

本文为了解决姿态不变的面部表情识别即在任意姿态下的面部表情识别问题,提出了一种端到端的深度学习模型,该模型利用不同的姿态和表情进行面部图像合成扩充训练集,提高了模型的准确度,并有效地解决了姿态不变的面部表情识别问题。本文将介绍表情识别的主要过程以及模型中使用到的生成对抗网络(GAN)。     

基于数据增强的小样本辐射源个体识别方法

临近空间高动态飞行器在高速飞行过程中与大气强烈作用,形成十分复杂的高温等离子鞘套,改变了目标的散射回波特性,给目标探测带来不确定性,需要及时判别当前目标是否处于等离子鞘套状态。本文提出一种基于波形熵判别和变带宽确认的等离子鞘套自动判别方法,首先提取目标回波波形熵、包络长度等特征信息,利用模糊分类器进行基于波形熵的群目标判别,其次根据鞘套与目标和目标之间的距离与信号带宽的关系差异,通过检测不同带宽回波的包络长度变化,对鞘套和目标进行判别。仿真结果验证了本文所提方法的有效性。     

小样本条件下基于数据增强和WACGAN的雷达目标识别算法

目前小样本条件下高分辨距离像雷达目标识别算法存在识别率较低、识别率稳定度较差等问题,对此,本文提出了基于数据增强和加权辅助分类生成对抗网络（Weighted Auxiliary Classifier Generative Adversarial Networks,WACGAN）的雷达目标识别算法.该算法首先根据雷达目标散射特性,通过时间镜像数据增强方法扩充数据集,然后将扩充数据集输入WACGAN,通过自动选择高质量的生成样本,使判别器在标签样本监督学习的基础上得到进一步优化,最后直接利用判别器实现对雷达目标的有效识别.仿真实验结果表明,本文算法在不增加识别时间的基础上,有效提高了小样本条件下对雷达目标的识别率和识别稳定度.     

基于欠采样和对抗自编码器的入侵检测算法

针对入侵检测数据高维且不均衡的问题,提出基于欠采样和对抗自编码器的入侵检测算法。首先,采用改进的EasyEnsemble欠采样方法将多数类样本多次采样分成多个子样本,训练多个子分类器,最终得到强分类器来处理数据不均衡问题,然后利用对抗自编码器对处理后的数据进行降维,最后用随机森林算法对处理后的新数据进行分类,来检测出高维且不平衡数据中的恶意攻击。实验结果表明,该算法相对于传统算法表现出较优的性能,能够有效地提高入侵检测的准确性,降低误报率。     

基于ICNN和IGAN的SAR目标识别方法

近年来,卷积神经网络(CNN)已广泛应用于合成孔径雷达(SAR)目标识别。由于SAR目标的训练数据集通常较小,基于CNN的SAR图像目标识别容易产生过拟合问题。生成对抗网络(GAN)是一种无监督训练网络,通过生成器和鉴别器两者之间的博弈,使生成的图像难以被鉴别器鉴别出真假。本文提出一种基于改进的卷积神经网络(ICNN)和改进的生成对抗网络(IGAN)的SAR目标识别方法,即先用训练样本对IGAN进行无监督预训练,再用训练好的IGAN鉴别器参数初始化ICNN,然后用训练样本对ICNN微调,最后用训练好的ICNN对测试样本进行分类。MSTAR实验结果表明,提出的方法不仅能够在训练样本数降至原样本数30%的情况下获得高达96.37%的识别率,而且该方法比直接采用ICNN的方法具有更强的抗噪声能力。     

基于GAN的无监督域自适应行人重识别

针对无监督域自适应行人重识别中存在的聚类不准确导致网络识别准确率低的问题,提出一种基于生成对抗网络的无监督域自适应行人重识别方法。首先通过在池化层后使用批量归一化层、删除一层全连接层和使用Adam优化器等方法优化CNN模型;然后基于最小错误率贝叶斯决策理论分析聚类错误率和选择聚类关键参数;最后利用生成对抗网络调整聚类,有效提升了无监督域自适应行人重识别的识别准确率。在源域Market-1501和目标域DukeMTMC-reID下进行实验,mAP和Rank-1分别达到了53.7%和71.6%。     

一种基于多类特征融合的车辆识别方法

为研究融合多类特征形成的新特征对车辆识别准确率的影响,首先对图像的方向梯度直方图(HOG)特征、不变矩特征和灰度共生矩阵特征进行特征提取,并对HOG特征采用主成分分析法(PCA)进行降维;利用极差变换法对三类特征进行归一化处理并采用线性融合法进行融合构成新的特征。实验结果表明,基于上述三类单一特征的车辆识别准确率分别为51.39%,59.72%和75%,识别准确率较低;基于融合后形成的新特征的车辆识别准确率达到了97.22%,识别准确率有了较大提高,验证了多类特征融合在提高车辆识别准确率方面的有效性,对研究道路交通安全具有重要意义。     

基于生成对抗网络的舰船辐射噪声分类方法研究

基于机器学习的舰船目标识别近年来已成为水声信号处理领域的一个重要研究方向,但水声目标信号的获取困难,样本量不足和不均衡的问题很容易导致目标分类模型的识别效果不佳。该文提出一种基于条件卷积生成对抗网络的船舶噪声数据分类方法,该方法利用生成对抗学习理论,生成相比于传统数据增强算法非线性特征更强,特征差异更丰富的伪DEMON调制谱数据来缓解训练样本量不足的问题。之后将传统生成对抗网络中的全连层输出替换成更善于解决小样本问题集成分类器,从而降低分类器对于数据量的依赖程度,进一步提高分类模型性能。最终由基于真实样本的实验结果表明,相比于传统数据增强算法和卷积生成对抗网络,该文方法能够更有效提高在样本不足条件下的模型的分类性能。     

基于XGBoost算法的HTTPS流量识别方法

由于传统方法对流量特征的提取效果不佳,导致流量特征识别效率低,研究基于XGBoost算法的HTTPS流量识别方法.通过采集流量数据样本,对6个应用的数据流量样本进行处理和分析.提取HTTPS流量特征,组成流量特征序列.获取HTTPS数据域名,建立二级域名信息库.构建XGBoost算法识别模型,识别流量样本类型.经实验论...     

基于GAN的改进RPN输电线路细小金具缺陷检测方法

输电线路在常年使用过程中会受到外界环境的影响,各种部件可能出现不同程度的破损,这给电力系统的稳定运行带来了巨大挑战,因此,输电线路各部件的检测对电力系统稳定运行起着关键作用.随着无人机巡检的广泛应用,基于机器视觉和深度学习的目标检测技术在输电线路缺陷检测领域中的应用,针对输电线路细小金具图像质量差、样本数量少及类别不平...     

基于改进ConvLSTM的入侵检测方法

针对网络入侵检测模型泛化能力弱的问题,提出了一种基于权重丢弃的卷积化长短期记忆网络（WDConvLSTM）和梯度惩罚生成对抗网络（WGAN-GP）的入侵检测方法。在数据处理方面,对网络流量数据进行归一化和数值化后使用主成分分析法进行数据降维。在特征提取方面,利用所提WD-ConvLSTM挖掘出高维数据深层的空间特征。最后把挖掘出来的空间特征输入Softmax函数得到分类结果。为了缓解数据不平衡导致的过拟合问题,引入WGAN-GP对稀有类型数据进行过采样,进一步增强模型的泛化能力。在NSL-KDD数据集上对所提出的入侵检测方法进行了实验,结果表明,无论是与随机森林、支持向量机、贝叶斯等传统机器学习方法,还是与降噪自编码器、多尺度卷积神经网络等深度学习方法相比,所提出的方法在准确率、F1值上表现更好。     

基于GAN的导频配置和信道估计联合优化算法

随着通信设备的爆炸式增长,信道环境变得愈加复杂,传统信道估计方法需要进一步增加导频开销以维持现有信道估计精度。然而,这会导致系统吞吐量的下降。首先,提出了一种基于GAN的信道估计方法以在OFDM通信系统中解决这一问题。然后,采用GAN模型去学习从低维的潜向量到真实信道样本的映射关系。最后,在此基础上进行联合的导频配置优化。     

移动互联网业务识别方法研究

文章在研究传统业务识别分析技术基础上,提出了更为高效的关联流识别和打孔式特征匹配相结合的业务识别方法,并结合典型业务详细阐述了识别过程。     

基于GAN数据重构的电信用户流失预测方法

用户是运营商利益的核心。随着携号转网政策的出台,运营商之间的竞争越发激烈。为了提前精准有效地预测用户流失倾向,提出了一种基于生成对抗网络（generative adversarial network,GAN）数据重构的电信用户流失预测方法。首先,利用有效的数据预处理方法电信用户流失数据中的脏数据;其次,利用GAN重构电信用户流失数据,解决电信用户流失数据不平衡问题;最后,利用极度梯度提升树（extremegradient boosting,XGBoost）算法分别训练基于GAN重构的电信用户流失预测模型和基于合成少数类过采样技术（synthetic minority oversampling technique,SMOTE）采样的电信用户流失预测模型,对比两种模型的预测精度。实验结果表明,GAN重构后的电信用户流失预测模型预测精度比未重构的预测模型的准确率提升了6.75%,查准率提升了25.91%,召回率提升了30.91%,F1值提升了28.73%。该方法能够有效提升电信用户流失预测的准确度。