智能神经网络在Internet入侵检测中的应用

探讨了一个基于智能神经网络的网络入侵检测系统模型，在对网络中的IP数据包进行分析处理以及特征提取的基础上，采用智能神经网络进行学习或判别，以达到对未知数据包进行检测的目的，智能神经网络可以将多种多样的入侵检测任务划分为多个单一的检测任务，并将这些任务分配给功能专一，结构简单的较小的智能神经网络来完成，实验证明这是一种行之有效的网络入侵检测的解决方法。     

基于BP神经网络入侵检测系统

本文是采用改进BP神经网络的拟牛顿算法,并利用matlab提供的神经网络工具箱构建BP神经网络入侵检测系统。此算法的优越性在于收敛速度比较快,特别对于较高维数的问题。测试后证明所构建的系统是可行的,能够检测到新的入侵行为。     

克隆选择算法在入侵检测系统中的应用

将克隆选择算法应用于入侵检测系统中,利用克隆选择的原理和规则来达到检测和响应入侵行为的效果。数据经过克隆,变异和自然选择的处理之后,能够更好地检测到可疑入侵行为,有效改善入侵数据的漏报现象。     

ANFIDS:基于模糊神经网络的自适应入侵检测系统

在研究和分析现有网络入侵检测技术的基础上,提出了一种基于神经网络和模糊推理技术的自适应入侵检测系统（ANFIDS）。该系统运用模糊理论把安全参数模糊化,使得系统能更好地描述网络流量特性与攻击的关系,从而更精确地捕获攻击行为,同时利用网络流量对隶属度函数和模糊规则进行调整和优化。实验结果表明,训练后的ANFIDS系统能够检测网络的异常行为并有效地减低误报率。     

基于信息融合的矿井一氧化碳检测方法的研究

电化学传感器在检测矿井一氧化碳含量时,容易受到矿井中甲烷气体的影响。为了解决这个问题,将催化传感器与电化学传感器构成一体,利用两个传感器的输出信号,经过BP神经网络的训练,得到了一个分析一氧化碳的信息融合数学模型。实验表明,利用研究的信息融合信号处理方法,可以提高一氧化碳含量检测的可靠性。     

Rough集在基于异常的入侵检测系统中的应用研究

针对入侵检测系统中安全规则提取的困难,提出利用粗集方法从系统日志信息中挖掘安全规则,并给出规则挖掘算法。通过KDDCup99入侵数据测试集中的数据验证该方法的有效性和可行性,为入侵检测中安全规则的提取提供一种新方法。     

一种基于SVM和LVQ神经网络的入侵检测方法

入侵检测是网络安全研究中的一个热点研究领域,是一种相当实用的网络安全防御技术,将支持向量机较强推广能力与神经网络自动学习能力精巧地结合和利用起来。通过实例表明该方法具有检测正确率高,能解决小样本、非线性、高维数、不存在局部极小值等问题的特点,体现较强的实用性。     

电机故障诊断中的信息融合利用问题研究

对电机故障诊断中的可用信息进行了分类，并针对单一诊断技术对信息利用不足的问题提出利用信息融合的理论，指出了基于信息融合的电机故障诊断技术应解决的问题；给出了基于信息融合的电机故障诊断的基本框架；最后概述了诊断中信息融合利用的方法．结果表明，充分利用电机运行中的各种信息，采用基于信息融合技术的故障诊断方法可以提高故障诊断的准确性和可靠性．     

基于遗传神经网络信息融合的模拟电路故障诊断

提出了一种基于动态电源电流和输出电压信息融合,以及遗传算法优化径向基(GA-RBF)神经网络的电路故障诊断方法.对电路采样信号进行了小波包能最特征提取、归一化和特征关联,用遗传算法优化径向基神经网络的训练,建立了一个信息融合和故障诊断系统.通过仿真实验表明,此方法可以有效提高诊断正确率.     

粒子群优化算法在入侵检测系统中的应用

通过对基本PSO算法进行分析研究,发现PSO是一种有效的全局寻优算法。它操作简单,使用方便,但是极易陷入局部最优。通过对PSO进行改进应用到入侵检测系统中,大大提高检测率。     

基于Kohonen神经网络算法的网络入侵聚类算法的测试研究

提出一种基于Kohonen网络的网络入侵聚类研究的方法,在阐述基本理论、原理和算法步骤基础上,利用Matlab软件平台对提出的网络入侵算法进行测试研究,并同其他方法进行仿真对比,发现Kohonen神经网络算法的网络入侵聚类在训练准确率、测试准确率和运行时间3个方面都优于PNN算法,其准确率可以达到98.1％.     

基于神经网络的图像边缘检测方法

提出了一种基于神经网络的图像边缘检测新方法.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.边缘检测神经网络采用BP网络,为加快网络的训练速度,采用了滚动训练和权值随机扰动的方法.实验表明,该方法提高了神经网络的学习效率,获得的边缘图像封闭性好,边缘描述真实.     

A BP neural network based information fusion method for urban traffic speed estimation

Obtaining comprehensive and accurate information is very important in intelligent traffic system (ITS). In ITS, the GPS floating car system is an very important approach for traffic data acquisition. However, in this system, the GPS blind areas caused by tall buildings and tunnels could affect the acquisition of traffic information and depress the system performance. Aiming at this problem, we developed a novel method employing a back propagation (BP) neural network to estimate the traffic speed in the GPS blind areas. When the speed of one road section is lost, we can use the speed of its related road sections to estimate its speed. The complete historical data of these road sections are used to train the neural network, using Levenberg-Marquardt learning algorithm. Then, the current speed of the related roads is used by the trained neural network to get the speed of the road section without GPS signal. We compare the speed of the road section estimated by our method with the real speed of this road section, and the experimental results show that the speed of this road section estimated by our method is better.     

基于U型全卷积神经网络的路面裂缝检测

路面裂缝检测是道路运营和维护的一项重要工作,由于裂缝没有固定形状而且纹理特征受光照影响大,基于图像的精确裂缝检测是一项巨大的挑战。本文针对裂缝图像的特点,提出了一种U型结构的卷积神经网络UCrackNet。首先在跳跃连接中加入Dropout层来提高网络的泛化能力;其次,针对上采样中容易产生边缘轮廓失真的问题,采用池化索引对图像边界特征进行高保真恢复;最后,为了更好地提取局部细节和全局上下文信息,采用不同扩张系数的空洞卷积密集连接来实现感受野的均衡,同时嵌入多层输出融合来进一步提升模型的检测精度。在公开的道路裂缝数据集CrackTree206和AIMCrack上测试表明,该算法能有效地检测出路面裂缝,并且具有一定的鲁棒性。     

基于BP神经网络的线Mura缺陷识别与定位研究

各类显示屏中Mura缺陷的自动识别和定位对提高显示屏幕的产品品质具有重要作用,是当前迫切需要发展的重要技术之一。针对当前手机屏幕Mura缺陷对比度低、缺乏明显边缘等特点,文中提出一种基于图像灰度曲线的Mura缺陷检测方法及其改进方法。改进方法基于均值滤波平滑和降采样原理,通过研究采样线上灰度曲线的波峰与波谷信息,利用BP神经网络构建线Mura缺陷的自动检测和定位算法。结合真实手机屏幕图像验证结果表明,与现有多种Mura缺陷检测方法相比,本文的改进方法能更准确快速地识别手机屏幕中的线Mura缺陷,识别准确率达到98.33%,检测过程无需调节参数,实现了线Mura缺陷的自动检测和定位。     

基于多传感器信息融合的结构损伤识别研究

针对结构健康监测系统中的传感器数量多、数据信息复杂的特点，从模式识别和局部控制、全局参与的思想出发，提出了多传感器信息融合方法对结构损伤进行识别。首先应用小波包变换对结构振动测试数据进行特征提取，通过不同传感器特征向量的合成完成数据层融合；然后建立三个耦合神经网络分别实现结构损伤的确认、定位及定量，并完成决策层的信息融合；最后进行了36个损伤工况的结构模型实验研究，验证了所提出的方法是可行的和有效的。从实验验证的结果来看，对损伤率在7．5％以上的结构，损伤识别精度较高；对于损伤确认和损伤定位，识别精度较高，而对于损伤程度识别有一定偏差。     

窄间隙P-GMAW多信息融合侧壁熔合状态识别研究

窄间隙焊缝坡口间距小且焊道较深,摆动中心与焊缝中心偏差较大时,坡口两侧侧壁受热不良,易发生未熔合缺陷。为了及时了解窄间隙侧壁熔合情况,掌握侧壁内部焊接质量,本文提出了一种基于BP神经网络和D-S证据理论的多信息融合方法,预测侧壁熔合状态。对窄间隙焊接未熔合缺陷产生机制进行了分析,研究发现焊接电弧信号和熔池变化与侧壁成形质量存在密切关系,为此进行了一系列偏差实验,建立了电弧电信号和电弧熔池图像信号的实时采集系统,采用批量特征提取算法,提取了与侧壁熔合状态密切关联的峰值电流、峰值电压、电弧弧长、熔池长宽比、熔池面积和熔池周长等特征参量。采用BP算法训练神经网络,在此基础上通过D-S证据理论进行决策级融合。实验结果表明,该模型识别率可达96.667%,避免了神经网络识别时的误诊,获得了比单一传感信息更好的预测结果,提高了熔合状态识别的准确度和可靠度。     

基于神经网络的地形匹配方法研究

提出了基于神经网络实现多特征融合的地形匹配算法，充分利用地形的各种不同的统计特征和几何特征，构造了一种地形匹配网络模型．通过对实时图和基准图的分析，给出了计算网络节点之间的权值函数，建立了网络系统能量方程，通过求系统的最小能量得到最佳匹配位置．由于网络能融合地形的不同统计特征和几何特征，所以算法大大提高了系统的抗干扰能力和定位精度，适合于实时图容易发生畸变的地形匹配领域．实验结果表明，定位精度和抗干扰能力均优于传统的地形匹配方法．     

Lymph node detection method based on multisource transfer learning and convolutional neural network

Recently years, convolutional neural networks (CNNs) have proven to be powerful tools for a broad range of computer vision tasks. However, training a CNN from scratch is difficult because it requires a large amount of labeled training data, which remains a challenge in medical imaging domain. To this end, deep transfer learning (TL) technique is widely used for many medical image tasks. In this paper, we propose a novel multisource transfer learning CNN model for lymph node detection. The mechanism behind it is straightforward. Point-wise (1 × 1) convolution is used to fuse multisource transfer learning knowledge. Concretely, we view the transferred features as priori domain knowledge and 1 × 1 convolutional operation is implemented after pre-trained convolution layers to adaptively combine the transfer information for target task. In order to learn non-linear transferred features and prevent over-fitting, we present an encode process for the pre-trained convolution kernels. At last, based on convolutional factorization technique, we train the proposed CNN model and the encoder process jointly, which improves the feasibility of our approach. The effectiveness of the proposed method is verified on lymph node (LN) dataset: 388 mediastinal LNs labeled by radiologists in 90 patient CT scans, and 595 abdominal LNs in 86 patient CT scans for LN detection. Our method demonstrates sensitivities of about 85%/71% at 3 FP/vol. and 92%/85% at 6 FP/vol. for mediastinum and abdomen respectively, which compares favorably to previous methods.