集成异种分类器用于入侵检测

本文使用一种新的集成方法,称为EDKC(Ensemble of Different Kind of Classifiers),用于入侵检测.EDKC集成不同的分类器形成组合分类器,并且通过加权投票表决对未知样本进行分类.在KDDCUP数据集上的实验结果表明,EDKC不仅具有较高的F-度量值,能达到目标类召回率和精度的平衡,而且能够取得很高的分类准确率.     

基于机器视觉的液晶基板表面缺陷检测系统

介绍一种基于机器视觉的液晶玻璃基板质量在线检测系统。利用分布式视觉处理技术、采用模块化的图像处理系统设计,能够实现缺陷的精确提取与对缺陷的智能分类和分级,满足LCD液晶玻璃基板质量在线检测的需要。     

基于LabVIEW编程平台实现玻璃缺陷检测

以机器视觉技术为基础,利用LabVIEW建立生产者-消费者模式,调用Halcon图像处理算子获取玻璃图像并进行图像处理,采用灰度变化对图像进行对比增强突出缺陷和使用中值滤波进一步削弱图像噪声,利用统计模式识别算法在LabVIEW编程平台上构建一个基于机器视觉的玻璃缺陷检测系统,该系统能够实现对玻璃缺陷的分析和提取,具有高效的实时性.     

基于人工免疫分类器的入侵检测方法

针对入侵检测系统准确率不高和难以检测未知攻击的缺点,将有限资源人工免疫分类器模型算法AIRS应用于入侵检测系统.首先从KDD CUP 99数据集中选取出部分正常数据和攻击数据,对AIRS算法进行训练.然后根据训练得到的模型,对包含己知攻击和未知攻击的不同异常类比的数据集进行测试.实验结果表明:AIRS算法对已知攻击的检测率大大提高,对未知攻击的识别率也有很大的提高.     

基于数字图像处理的玻璃缺陷在线检测系统

研究了一种基于数字图像处理的玻璃缺陷在线检测系统,实现了对玻璃缺陷的实时检测、识别和分类,在缺陷提取上运用的是一种改进的归一化互相关算法,该算法可以显著提高图像的匹配速率和缺陷检测效率,在检测效率上比传统的算法提高了25.7%;在缺陷的识别分类上研究采用的是一种改进的支持向量机算法,该算法在检测精度和效率上都有较大的提高,在缺陷种类的识别上,其准确率可达到95%。     

基于动态分类器选择的网络入侵检测方法

提出了一种基于动态分类器选择的网络入侵检测方法,该方法通过增加训练过程以及对分类器性能的静态估算来减少分类时需要的计算资源,提高分类速度,以满足网络入侵检测对实时性的要求。实验表明,该方法的性能优于基于静态分类器选择的网络入侵检测方法。     

加权判决级联分类器人脸检测方法研究

AdaBoost算法要提高检测精度,需要级联更多的强分类器,这样会降低检测速度.针对这个问题,在AdaBoost级联分类器中引入加权判决函数,对其中相互独立的级联分类器判决结果进行信息融合,不增加级联的强分类器个数,提高了检测率.实验结果表明,该方法在保证检测速度的同时,提高了检测率,在CMU+MIT人脸测试库上取得较好的效果.     

基于NN多分类器组合的入侵检测方法

本文根据传统的入侵检测方法误报率高、U2R和R2L攻击检测率低等缺点,提出了一种基于神经网络多分类器组合的入侵检测方法.实验结果表明,该方法不仅能够有效地提高检测率,特别是U2R和R2L等攻击具有较好的检测能力.因此,本文提出的基于神经网络多分类器组合的入侵检测方法是有效和实用的.     

Linux下基于SVM分类器的WebShell检测方法研究

WebShell是一种常见的网页后门,它常常被攻击者用来获取Web服务器的操作权限。文章首先分析了Linux下WebShell的实现机理,描述了WebShell的常见特征和特征混淆方法,然后以此为基础,提出了一种基于SVM分类器的检测方法,并在仿真平台下对其予以实现。文章从准确度、特定度和灵敏度3个方面比较了基于SVM分类器的WebShell检测方法、基于特征匹配的WebShell检测方法和基于决策树的WebShell检测方法。实验结果表明,文章提出的方法能够准确、高效地对WebShell进行检测。     

基于多分类器融合的林火检测方法研究

为了解决现有视频火焰检测算法在环境发生变化时识别精准度低、检测结果不佳等问题,提出了一种基于DS证据理论的多分类器融合林火检测方法。该方法通过提取疑似区域,对比选取了颜色、圆形度、面积三种火焰特征,然后分别输入支持向量机(SVM)、最临近(KNN)和决策树(DT)中进行分类识别,最后利用DS证据理论进行决策级融合。通过与其他方法对比实验表明,该方法受环境变化的影响较小,当识别场景发生改变时,识别精准度变化不超过3%,仍保持较高的识别精准度,具有良好的应用前景。     

一种基于机器视觉的曲面玻璃划痕缺陷检测方法

针对曲面玻璃上划痕缺陷成像难、提取难等问题,提出一种基于机器视觉的划痕缺陷检测方法。首先,通过数学建模分析,推导出曲面曲率、相机位置、打光角度三者之间对应关系。然后,在该关系指导下,获取不同打光角度的缺陷图像,并提出一种基于双阈值分割的缺陷提取算法。最后,实验结果表明,建模推导出打光角度下获取的划痕缺陷图像,缺陷细节最清晰,且双阈值分割算法能准确提取曲面玻璃中划痕缺陷。     

钢化玻璃缺陷实时检测系统的研究

提出了一种基于图像处理的玻璃缺陷实时检测系统。阐述了系统的基本原理和结构,着重研究了系统的核心技术:中值滤波、图像分割、边缘检测、缺陷定位、参数计算与缺陷识别。实验结果表明,该系统的检测识别率高,达到95%;速度快,处理周期约350 ms;抗干扰能力强,基本能够实现钢化玻璃缺陷的在线检测要求。     

基于两阶段投票的小样本目标检测方法

为了在只有几个样本的情况下在待检测图像中采用模板匹配的方式定位目标,提出了一种两阶段投票的目标检测方法。首先采用概率模型通过几个样本离线构造投票空间,然后采用两阶段投票的方式在待测图像中检测目标：第一阶段在待测图像中通过投票检测目标的图像块,并记录下这些部件块在样本中所处的位置信息;第二阶段基于第一阶段所得到的图像块来投票计算样本整体的相似度,从而定位目标。理论推导和实验结果验证了所提出方法比前人的工作具有更低的时间复杂度和更高的目标检测准确率。     

基于静态分类器选择的网络入侵检测方法

计算机网络的安全在当今社会起着举足轻重的作用。该文将基于分类器选择的模式识别方法应用于入侵检测,提出了一种基于静态分类器选择的网络入侵检测方法。该方法对经过聚类获得的各个区域采用新的策略进一步划分,在划分后的子区域上选择分类器,结合了最近邻规则,减小静态分类器选择方法的误差,提高了检测性能。聚类选择(CS)是典型的静态分类器选择方法,在KDD’99的入侵检测数据集上的实验表明,该方法的性能优于基于聚类选择的网络入侵检测方法。     

分类器选择的IDS系统入侵检测方法

为了提高IDS入侵样本检测的速度,提出了分类器选择的入侵检测方法.该方法充分考虑到线性分类器在数据分类操作中的速度优势,以线性可分度判定的的结果为基础,灵活选择(非)线性分类器进行数据分类,较之单一的SVM分类方法,虽然增加了额外的线性判别的系统开销,却因此获得分类性能的极大提升.在KDD Cup99数据集上进行实验,...     

基于FNBC分类器的PCB产品视觉检测中缺陷分类研究

针对PCB产品视觉检测中图像缺陷细微、形状复杂、特征难于提取、易受噪声影响的问题,本文把Fisher分的属性转换方法和朴素贝叶斯分类器相结合,把Fisher分的属性转换方法麻用朴素贝叶斯分类器上提出一种新的分类器——Fisher分朴素Bayes分类器（Fisher Naive Bayes Classifier,FNBC）。并将Fisher分朴素Bayes分类器应用到PCB产品视觉检测中缺陷分类中。实验表明,该方法六类缺陷混合识别率达到95．6％,高于BP神经网络的最优识别率91．8％和基于区域方法的81．3％,而且训练和分类时间短,具有重要的应用价值。     

基于EVM的玻璃缺陷实时检测系统的软件设计

为实现玻璃原片的实时自动化检测,给浮法玻璃生产线上的优化切割系统和玻璃等级打标装置提供详实的数据,设计了一种基于SEED-Davinci_EVM开发板的玻璃缺陷实时检测系统,合理地分配和使用了ARM与DSP来完成各种功能,并采用基于图像灰度的识别算法设计了玻璃缺陷检测软件系统,实现了缺陷的实时自动化检测;实验结果表明,采用基于达芬奇技术的双核处理器有利于实时处理大量的图像数据,能满足自动化系统的检测要求.     

基于块分类器和SVM的人脸检测方法

针对彩色图像中人脸检测问题,文中提出一种由"块分类器+SVM分类器"组成的快速算法.它的主要特点是利用肤色点在YCrCb色度空间的分布概率模型,实现二值分割,然后利用面部区域双眼的典型非肤色特征,构造一个"块分类器",从待检测图像中实现人脸候选窗的快速粗选,再用SVM分类器作进一步确认,最后对检测出来的窗口进行综合,从而实现人脸的精确定位.通过在相同测试集上的对比实验,在不影响正检率的情况下,该算法不但可以降低虚警率,而且极大地提高了检测速度.