两级回归的流式大数据事件自适应预警方法

流式数据事件具有时间持续性,受采集器频率及外部环境干扰等因素影响,流式数据具有规模大、数据漂移等特征,且事件发生具有随机性特点,导致现有流式数据事件预警方法准确性很低,且在事件完全结束前无法得出判识结果,预警具有滞后性。针对这些问题提出一种两级回归的流式大数据事件自适应预警方法。该方法首先基于海量历史灾害事件,引入一级移动回归法建立权重支持域,提取事件的数据特征点,通过二级线性回归法建立事件回归模型,并对模型进行最小二乘误差分析建立事件置信域,构成预警模型;基于事件预警模型提出判识因子概念,提出流式数据事件分阶预警方法,通过判识因子自适应变换策略对事件未来发展趋势进行预估计,实现事件的实时预警。实验结果表明,该方法对比现有方法在事件预警实时性、预警效率及预警准确性等方面均具有很大优势。     

基于防突预测特征的地质异常智能判识方法

针对煤矿现有物探、钻探手段超前探测小型地质构造和煤层赋存变化等地质异常效果不好,以及防突预测数据隐含信息发掘不够、利用不足等问题,提出了根据防突预测特征与地质异常之间的相关性进行地质异常智能判识的思路;从单次防突预测事件数据分布和前后连续防突预测事件数据变化2个层面,构建了10个防突预测特征指标,形成了防突预测特征指标体系;采用关联分析方法,提出了基于防突预测特征的地质异常智能判识方法,并对特征指标二元属性转换、关联规则分析、有效规则提取、判识准则建立、地质异常可能性等级划分等关键环节进行了重点阐述;采用B/S架构,设计、开发了基于防突预测特征的地质异常智能判识系统,实现了防突预测信息在线采集、防突预测特征自动分析、地质异常超前动态判识,以及判识结果网站和移动终端等多渠道联动发布。现场试验结果表明,该系统能够自主构建地质异常判识准则,地质异常判识总准确率达到了87.63%,为煤矿超前掌握地质异常提供了有效手段,实现了防突预测数据隐含价值的拓展应用。     

基于STM32F407的微震信息采集系统设计

为了能够准确地采集和传输微震监测数据,实时监控煤矿井下冲击地压情况,设计了一套基于STM32F407的微震信息采集系统。该系统通过传感器和前端采集控制模块FPGA采集煤矿井下的微震信号,并将其传送到STM32F407进行处理,同时,STM32F407根据现场数据采集需要,可向FPGA发送增益控制、同步控制等信息,实时调整采集电路参数;处理后的微震信号经以太网传送至地面服务器,服务器对采集的信息进行分析和显示,可判断出震源位置。试验结果表明,该信息采集系统可靠、高效,能满足现场微震信息实时采集与传送的要求。     

基于改进支持向量机的微震初至波到时自动拾取方法

微震初至波到时拾取是实现微震震源高精度定位的重要前提。传统的人工拾取方法效率低,而自动拾取方法在低信噪比条件下难以准确拾取初至波到时。针对上述问题,提出了一种基于改进支持向量机（SVM）的微震初至波到时自动拾取方法。首先,对原始微震数据进行归一化处理、线性校正和适当裁剪,将微震数据的振幅、能量和相邻时刻的能量比作为特征对数据标记不同类别;然后采用粒子群优化（PSO）算法和网格搜索法优化SVM的惩罚参数和核函数参数,即先利用PSO算法对参数进行大范围的快速定位,得到初步最优解,再以该解为初始位置重新构建参数搜索区间,设置小步长的网格搜索法对参数进行精细搜寻,得到最优参数,并将该最优参数代入SVM模型进行训练,得到改进SVM模型;最后根据改进的SVM模型对微震数据进行分类识别,定义微震波第1个采样点对应的时刻为初至波到时。采用某矿井下微震监测数据进行实验,结果表明：该方法对微震初至波到时的拾取准确率达96.5%,平均拾取误差为3.8 ms,在低信噪比情况下仍可对微震初至波到时进行准确拾取,拾取精度高于自动拾取方法中常用的长短时窗能量比（STA/LTA）法。     

基于噪声分析的压力变送器响应时间原位测量方法研究

响应时间是反映压力变送器动态性能的关键技术指标，针对现有测试手段无法对在役设备直接检测的问题，分别建立基于噪声信号自回归与功率谱密度响应时间的时、频模型，研究噪声分析实时获取压力变送器响应时间方法。对噪声分析法进行仿真验证，结果表明该方法具有较高准确性和稳定性，且对不同参数的系统具有良好的适用性。对罗斯蒙特3051型压力变送器进行实验，与斜坡信号实验比对，噪声分析法与斜坡法响应时间结果偏差小于5%,对算法优化分析看出MTM算法和Welch算法较MUSIC算法结果更加吻合，分析数据长度达到1×10⁵后结果趋于稳定。对核电站现场数据进行噪声法分析，结果符合预期，验证了所提方法用于传感器现场测试中的有效性。     

基于数据融合的源代码静态分析漏洞检测技术

针对目前现有静态分析方法存在的漏报率和误报率较高的问题,提出一种基于数据融合的源代码静态分析漏洞检测技术.该技术通过对不同检测方法的分析结果进行解析和数据融合,有效地降低误报率和漏报率.设计与实现了一个可扩展的源代码静态分析工具原型,可通过用户的反馈信息自动寻优.实验结果表明:相对于单个漏洞检测方法而言,该方法的误报率和漏报率明显降低.     

基于PCA的3种改进BP算法性能研究

现有入侵检测系统的效率和准确率较低。为此,提出一种基于主成分分析的特征提取方法。对数据源进行特征降维,将获得的主成分作为BP神经网络的输入数据进行识别。分析原始BP算法存在的问题,研究RPBP、CGBP、LMBP 3种改进BP算法,并进行仿真实验,结果表明,与原始BP算法相比,改进算法收敛速度快,漏报率和误报率低,能有效改善入侵检测的识别效果。     

基于Logistic回归的大采深厚煤层冲击地压预警

针对大采深厚煤层冲击地压监测预警难题,分别建立了基于常规指标(支护阻力、钻孔应力和瓦斯浓度)及常规指标(支护阻力、钻孔应力和瓦斯浓度)与地球物理指标(微震平均震源距、微震日能量、微震日频次、电磁辐射强度)综合的Logistic回归冲击地压预警模型,得到了冲击地压危险性(发生概率)与监测指标之间的定量表达式,并结合千秋煤矿现场实测数据对冲击地压预警模型进行验证。研究结果表明,基于综合指标Logistic回归的冲击地压预警模型预测准确率达89.2%,其拟合优度和预测准确率均优于基于常规指标Logistic回归的冲击地压预警模型。     

基于无线信道状态信息的跌倒无源监测方法

针对传统基于视频或传感器的跌倒检测方法中环境依赖、空间受限等问题，提出了一种基于无线信道状态信息的跌倒无源检测方法Fallsense。该方法利用普适、低成本的商用WiFi设备，首先采集无线信道状态数据并对数据进行预处理，然后设计动作—信号分析模型，建立轻量级动态模板匹配算法以从时序信道数据中实时检测出承载真实跌倒事件的相关片段。大量实际环境下的实验表明，Fallsense可以实现较高的准确率以及较低的误报率，准确率达到95%，误报率为2.44%。与经典WiFall系统相比，Fallsense将时间复杂度从WiFall的O（mN log N）降低到O（N）（N是样本数，m是特征数），且准确率提高了2.69%，误报率下降了4.66%。实验结果表明，所提方法是一种快速高效的无源跌倒检测方法。     

属性约减与分类器融合实时入侵检测研究

针对入侵检测系统存在的对入侵事件高漏报率和误报率问题,提出利用粗糙集理论对数据集中的实值属性进行属性约简,然后把得到的特征向量送入分类器融合的Robust Online-SVM分类器,分类器对这些数字向量进行分类,处理结果送检测模块。检测模块按照报警关联分析策略,对报警序列进行基于规则关联分析。通过实验和比较发现,该融合算法可以实现在线训练,而且使用更少的支持向量,训练时间也大为缩短,在噪声数据存在的情况下检测正确率和虚警率比未改进前有一定程度的提升。     

基于Dempster规则的Ad hoc网络故障诊断方法

通过对Ad hoc网络状态和故障指标的研究,提出一种基于Dempster规则的故障诊断方法(DRNFD)。应用DRNFD诊断故障能有效降低漏报率和误报率,使实时故障诊断成为可能。通过仿真实验进行可行性论证,获得了实时诊断的技术效果,证实了该方法的可行性。     

基于改进CGAN算法的工控系统入侵检测方法北大核心CSCD

文章提出一种改进的CGAN算法,利用Wasserstein距离衡量合成样本与真实样本之间的距离,解决了忽略CGAN中两类样本重叠导致生成器梯度消失的不稳定问题,并在具有不平衡率的UCI数据集上验证了算法的有效性。文章还构建了WCGAN-SVM工控系统入侵检测模型,并在工控数据集SWaT上进行验证。实验结果表明,与SVM相比,该方法检测攻击样本的准确率提高了3.51%,漏报率和误报率分别降低2.29%和2.19%。     

基于大数据技术的网络异常行为检测模型

针对传统的网络异常检测受数据存储、处理能力的限制,存在准确率较低、误报率较高以及无法检测未知攻击的问题。在Spark框架下结合改进的支持向量机和随机森林算法,提出了一种基于大数据技术的网络异常行为检测模型。使用NSL-KDD数据集进行了方法验证,表明该方法在准确率和误报率方面明显优于传统的检测算法,整体检测的准确率和误报率分别为96.61%和2.92%,DOS、Probe、R2L和U2R四种攻击类型的准确率分别达到98.01%、88.29%、94.03%和66.67%,验证了方法的有效性。     

迁移学习下的火箭发动机参数异常检测策略

在火箭飞行时的参数异常检测中,传统红线法的漏报率和误报率较高,专家系统法的维护成本过高,而机器学习受制于数据集规模难以训练模型,因此提出了分别基于实例和基于模型的两种迁移策略。为了对YF-77新型发动机的关键参数氧泵转速进行实时监测,在分析具有相同构造原理的YF-75与YF-77氢氧发动机的参数组成和数据特点后,处理领域差异,构建特征空间,并筛选特征向量。对YF-75向YF-77分别进行了实例和模型的迁移,并进行了实验验证。对比无迁移的k最近邻（kNN）与支持向量机（SVM）方法,迁移训练后的模型的漏报率从最高58.33%降至最低12.25%,误报率从最高60.83%降至最低13.53%。实验结果验证了两型发动机之间信息的可迁移性,以及迁移学习在航天领域工程实践中应用的可能性。     

二进制程序的动态符号化污点分析

污点分析技术常用于跟踪二进制程序的信息流及检测安全漏洞,通过程序的动态执行来检测程序中由测试用例触发的漏洞。它的误报率很低,但是漏报率较高。针对污点分析的这一问题,动态符号化污点分析方法对污点分析进行了改进,通过将污点分析符号化来降低漏报率。根据基于指令的污点传播来获得相关污点数据的信息,同时制定符号化的风险分析规则,通过检测污点信息是否违反风险规则来发现存在的风险。实验结果表明,该方法不仅具有污点分析低误报率的优点,而且克服了污点分析高漏报率的缺点。在污点分析过程中产生的漏洞、风险及相关污点信息还可用于指导测试用例的生成,提高测试效率并降低测试用例的冗余。     

微震监测技术在顶板来压预测预报中的应用

介绍了微震监测系统在千秋煤矿预测预报顶板来压中的应用情况。实践结果表明,微震监测系统可实现对综放工作面老顶初次来压的预测判断;微震监测与日常钻屑量监测、矿压监测等数据较为一致,采用综合性的冲击地压预测预报技术能更有效地对采场动力灾害进行预测预报;用大能量事件频次作为微震监测系统的有效参数可较准确地对采场动力现象进行预测预报,并总结出顶板来压的前兆信息模式,该项结论能有效预防采场动力现象和冲击地压事故的发生。     

基于CGWO优化高斯过程的工控入侵检测

工业控制系统的数据具有非线性、冗余特征多的特点,传统的入侵检测方法并不适用.为提高检测的准确率、降低漏报率,将应用范围最广的工控协议Modbus/TCP作为研究对象,提出CGWO-GP的检测模型.利用拉普拉斯特征映射(L E)在处理非线性数据上的优势处理工控数据;为避免检测模型参数陷入局部最优,提出基于柯西变异算子的灰狼优化算法(CGWO)对高斯过程(GP)参数进行优化.采用密西西比州立大学提出的工控标准数据集进行实验,与多种算法进行多组对比,实验结果表明,所提检测模型表现更优,准确率均值为98.96％,漏报率均值为0.44％,误报率均值为0.13％.     

迁移学习下的火箭发动机参数异常检测策略

在火箭飞行时的参数异常检测中，传统红线法的漏报率和误报率较高，专家系统法的维护成本过高，而机器学习受制于数据集规模难以训练模型，因此提出了分别基于实例和基于模型的两种迁移策略。为了对YF-77新型发动机的关键参数氧泵转速进行实时监测，在分析具有相同构造原理的YF-75与YF-77氢氧发动机的参数组成和数据特点后，处理领域差异，构建特征空间，并筛选特征向量。对YF-75向YF-77分别进行了实例和模型的迁移，并进行了实验验证。对比无迁移的k最近邻（kNN）与支持向量机（SVM）方法，迁移训练后的模型的漏报率从最高58.33%降至最低12.25%，误报率从最高60.83%降至最低13.53%。实验结果验证了两型发动机之间信息的可迁移性，以及迁移学习在航天领域工程实践中应用的可能性。     

基于分布式集成学习的入侵检测模型

针对入侵检测系统的高漏报率及高误报率问题,提出一种混杂入侵检测模型。该模型分别构造基于核主成分分析(KPCA)和核独立成分分析(KICA)的特征提取器,并采用集成学习对特征提取结果进行整合学习。采用分布式神经网络对集成结果进行再学习,从而实现对大规模数据的分布式处理。通过反馈机制调节KPCA和KICA的集成学习权重,达到最优检测效果。采用KDD CUP’99数据集进行测试实验,结果表明：该模型能够获得较高的检测正确率,同时具有较低的漏报率及误报率。     

基于改进YOLOv8的高速公路服务区车辆违停检测

在高速公路服务区违停检测过程中光照、天气变化等复杂环境会使车辆检测精度急剧下降,同时摄像机拍摄角度、车体高度等因素会增加车辆违停检测的误报率和漏报率。为此,提出一种基于改进YOLOv8的高速公路服务区违停检测算法。在YOLOv8网络模型的特征金字塔池化层中,构建膨胀空间金字塔池化(DSPP)模块和基于分支注意力机制的膨胀空间金字塔池化(DSPPA)模块,减少特征提取网络中深层语义信息的丢失,同时利用DSPPA中的分支注意力(BA)机制为不同感受野分支特征赋予不同的权重,使模型更关注与目标尺寸相适应的特征。设计基于全局匹配的停车位分配策略,有效降低了视角倾斜、车辆重叠遮挡等情况下违规占用停车位的误报率与漏报率。实验结果表明,改进算法的违停检测误报率从15%下降至8%,违停检测漏报率从7.5%下降至6.1%,具有较好的车辆违停检测效果。