基于模糊状态的分布式检测融合的研究

当先验概率和代价函数均为模糊时,基于贝叶斯最小风险准则研究分布式检测融合的算法,并讲座了算法的简化。这种算法更符合实际情况。仿真结果说明该方法是可行和有效的。     

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。     

基于一致性的分布式变结构多模型方法

本文针对由雷达与红外组成的分布式传感器网络, 研究基于一致性的分布式变结构多模型方法(Distributed variable structure multiple model, DVSMM). 首先,使用无迹信息滤波(Unscented information filter, UIF)解决系统非线性的问题, 然后,将变结构交互式多模型(Variable structure interacting multiple model, VSMM)方法进行改进, 提出一类可应用于分布式状态估计的分布式变结构多模型DVSMM方法. 仿真实验结果验证了该方法的有效性.     

一种融合多检测技术的分布式入侵检测模型

提出了一个多检测技术融合的分布式入侵检测系统模型,在分析引擎中采用二级检测方法,并将数据完整性分析引入到分析器中,通过不同管理域中的监视器互相通信,提高了入侵检测系统的性能.     

基于智能代理的分布式入侵检测系统模型

本文针对通用入侵检测系统的存在的缺陷,分析了Agent的特性,提出了一种基于智能Agent的分布式入侵检测系统模型.该模型利用Agent的移动、自治特性,将基于主机和基于网络的入侵检测结合起来,增强了入侵检测系统对分布式网络的协同检测能力,有效降低网络通信负荷,提高系统自身的安全性.文章阐述了该模型实现的关键技术并对系统性能进行了评价.     

基于多模式均值时空模型的目标融合检测方法

针对复杂环境下的目标检测问题,提出了一种基于背景模型的融合检测方法。首先在多模式均值模型的基础上,构造多模式均值时空模型,结合像素在时空域上的分布信息,改善了模型对非平稳场景较为敏感的缺点,给出了模型更新方法和前景检测方法;然后利用该模型对可见光和红外图像序列分别进行建模和前景检测,给出了一种基于置信度的目标融合检测方法,利用双传感器信息提高检测精度和可靠性。实验结果验证了本文方法的有效性。     

一种基于分布式多源深度学习的智能物联网异常检测模型

随着智能物联网应用场景的不断拓展,网络攻击的频率与规模在不断增加,基于数据流量的异常行为检测是应对物联网安全风险的重要手段。传统检测工具存在隐私泄露、准确率低、稳定性差等薄弱点,为改善这一状况,提出一种基于分布式框架的神经网络异常行为检测模型。首先,该模型引入群体防御的思想,利用分布式结构安全地共享边缘网关的流量知识,有助于提高检测性能,提升安全性和鲁棒性。其次,创新性地将网络流量转化为深度矩阵,融合多种神经网络结构进行特征挖掘,能够有效处理大规模时序序列数据,同时选择两个层次的数据进行拟合,确保模型充分接收信息。最后,基于真实数据集的仿真实验表明,所提出的模型具有优异的拟合能力,其异常流量检测准确率达到90%以上,相比基线模型具有显著优势,能够为智能物联网提供轻量、安全、精准的攻击行为检测。     

基于智能代理的分布式入侵检测系统模型

介绍了入侵检测系统在计算机及网络安全中的意义和现有入侵检测系统的局限性。在智能代理技术的基础上,提出了一种基于智能代理的分布式入侵检测系统模型(IADIDS),描述了系统的体系结构和详细设计,并给出了智能代理的结构模型。     

基于多智能体模型的动车组分布式预测控制

以高速铁路普遍采用的动力分散式动车组为研究对象.针对动车组由若干动力单元相互耦合组成的结构特点,以各动力单元为智能体.结合动车组牵引特性曲线和实际运行数据,应用减法聚类和模式分类算法建立各智能体多模型集.依据各智能体网络拓扑结构和相互耦合约束关系,建立动车组多智能体模型.针对各智能体的耦合约束,采用PID和GPC相结合的平稳起动切换控制策略和基于邻域优化的多智能体分布式协调控制算法,实现各智能体对给定速度的同步跟踪.基于CRH380A型动车组运行数据的仿真结果验证了本文方法的有效性.     

融合状态反馈的两模型目标跟踪方法

IMM是目前目标跟踪中状态估计的最有效估计器之一。但它需要先验的模型转换矩阵,这在实际跟踪系统中没有依据确定。通过将前一时刻的组合状态反馈到各个不同的模型滤波过程中,对不同维状态,建立与真实目标状态空间之间的映射,提出了一种新的多模型跟踪算法,这种算法动态加权各模型的滤波输出,不需要设计模型之间的转换矩阵。仿真试验表明了算法的有效性。     

基于数据融合多传感器的分布式入侵检测系统研究

提出了一个新的概念——发展计算机空间态势估计的分布式融合系统及信息抽象分布级别和逻辑抽象层次的知识。在此基础上给出了一个多传感器入侵检测数据融合的合作模型,系统能分析各类信息,有高精确的入侵检测、高效的决策、资源消耗低。系统的容错性和合作能力也有所提高。     

基于多传感器信息融合的分布式气体检测系统

现有的气体检测仪在技术上无法准确检测现场发生的有毒或可燃气体的泄漏;为了保证安全生产和科学管理,开发并应用适合有毒或可燃气体泄漏的检测系统,具有重要意义;提出了一种分布式多传感器气体检测系统的通用结构,研究了可用于该检测系统的自适应加权数据融合算法;最后介绍了一个应用实例,实验结果显示该检测系统识别准确,不仅能够解决气体传感器交叉敏感问题,而且具有智能化和多功能化等优点。     

分布式优化的多智能体方法

分布式优化作为分布式协调控制领域中的一个基本而重要的研究课题,近年来,不同领域的众多学者对其产生了广泛的研究兴趣.本文总结归纳了分布式优化的研究现状和近期的研究成果,重点对离线分布式优化和在线分布式优化进行了阐述,并从算法设计和收敛性分析这两个角度进行了剖析.特别地,针对一类混合均衡问题,本文介绍了一类分布式求解算法.最后,阐述了当前尚未解决的问题和未来的研究方向.     

多传感器检测系统的 多步反馈融合算法

通过分析分布式检测系统的工作原理，提出了一种新的局部检测器融合方法，该方法利用检测器局部判决结果与融合中心融合结果的误差多步累积平均值对检测器下一步判决进行修正，从而达到提高检测器检测概率的目的。分析表明，该算法能有效提高系统的性能。     

一种基于分布式强化学习的多智能体协调方法

多智能体系统研究的重点在于使功能独立的智能体通过协商、协调和协作,完成复杂的控制任务或解决复杂的问题。通过对分布式强化学习算法的研究和分析,提出了一种多智能体协调方法,协调级将复杂的系统任务进行分解,协调智能体利用中央强化学习进行子任务的分配,行为级中的任务智能体接受各自的子任务,利用独立强化学习分别选择有效的行为,协作完成系统任务。通过在Robot Soccer仿真比赛中的应用和实验,说明了基于分布式强化学习的多智能体协调方法的效果优于传统的强化学习。     

一种基于多源告警事件关联的分布式入侵检测系统模型

为了提高分布式入侵检测模型中报警的可信性,本文提出了一种基于多源告警事件关联的入侵检测模型。该模型通过对警报数据的过滤、归约、融合和多源告警事件关联,减少重复警报,降低误警报率,提高检测准确度。     

基于免疫融合的分布式入侵检测技术

分布式入侵检测在当今网络安全中发挥着越来越重要的角色。基于人工免疫的入侵检测技术具有对异常数据敏感的特征,且能够保证系统的动态特征和鲁棒性,但存在学习速度慢的问题。为弥补这一不足,将数据融合技术引入到系统之中,提出了基于人工免疫的数据融合方法,并给出了免疫融合相关算法。从仿真实验可以看出,免疫融合技术既保证了系统的多样性、自适应及鲁棒性等特点,又提高了系统的收敛速度,使系统具有更好的性能保证。     

基于多指标融合的猪肉新鲜度智能检测方法

研究猪肉新鲜度检测优化问题,传统人工感官评定和化学方法测量均检测不准确,无法对猪肉新鲜度进行准确评价,检测误差大。为提高猪肉新鲜度检测准确率,将多种评价指标(特征)相融合,提出一种利用智能猪肉新鲜度检测方法。首先分别采用图像和气味采集装置收集各种评价参数值,然后采用主成分分析对评价指标进行融合,最后采用支持向量机建立猪肉新鲜度检测模型。仿真结果表明,相对于传统检测算法,智能检测算法提高了猪肉新鲜度检测准确率,实现了猪肉新鲜度智能检测。     

多分类器信息融合的步态识别算法

融合运动人体整体轮廓和局部关节的特征信息,提出了一种新的步态识别算法。对每个序列进行运动轮廓抽取,从3个方向(水平、垂直、斜向)对时变的2维轮廓进行投影扫描,转换为对应的特征向量;对级联的特征向量分别采用离散正交小波变换(DWT)和核主元分析法(KPCA)提取轮廓时空变化所蕴涵的非线性步态信息,构成两个独立的全局特征分类器。对运动人体髋关节和膝关节建模,根据步态运动的准周期性,将关节角度时序信息按傅里叶级数形式展开,采用遗传算法搜索各次谐波的系数并进行尺度变换,生成局部关节时变特征向量,构成局部特征分类器。最后采用贝叶斯多分类器融合决策规则,融合整体和局部特征。在CMU步态数据库中进行实验,结果验证了算法的有效性,识别性能和验证性能都获得有效的提高。     

分布式检索系统中基于混合模型的多站点融合

为提高检索性能,提出将基于高斯分布－指数分布混合模型的融合方法应用于分布式检索系统的多站点融合。该方法利用高斯密度函数和指数密度函数分别描述站点检索结果集合的相关文档和非相关文档的相关分值分布,并用基于混合模型的方法对相关分值进行规范化处理,然后对规范化处理后的相关分值进行合并。该融合方法考虑到了相关文档和非相关文档在分值分布上的差异,使计算出的相关分值更加准确,而且可以为性能比较好的站点分配更高的权重值,以提高整个系统的平均查准率。实验结果表明该方法优于其它融合方法。