基于大数据驱动的高光谱信号异常检测研究

研究基于大数据驱动的高光谱信号异常检测方法，提高异常检测准确度。采用K-means算法聚类处理高光谱信号，引入聚类有效性指标优化处理，利用基于哈尔小波的离散小波变换多分辨率模型分解高光谱信号，通过低频信号获取高光谱信号光谱波形特征，通过局部过零点确定吸收峰，完成光谱特征的提取，将各光谱特征输入到卷积神经网络，实现高光谱信号的异常检测。实验结果表明：该方法可分解高光谱信号，当分解层数为3时，光谱特征提取效果最佳，高光谱信号异常检测准确度为90%左右，检测时间为0.2 s,可准确检测异常高光谱信号。     

基于图论方法的光通信网络关键节点确定

为提升网络连通性能，对基于图论方法的光通信网络关键节点确定方法进行研究。依据图论方法建立光通信网络图论模型，利用自适应蚁群算法，求解图论模型，获取节点间的最优路径，优化光通信网络；利用基于局部中心性的关键节点确定算法，按照局部中心性指标选择网络初始点覆盖集，并剔除该点覆盖集，以迭代方式，选取令网络连通节点对提升最小的节点，将其回添至优化网络内，以点覆盖集内节点符合待剔除关键节点数为止，完成光通信网络关键节点确定。实验证明：该方法可有效优化光通信网络，提升网络连通性能；在无向无权与无向加权网络时，该方法均可精准确定关键节点，选择局部度和中心性指标作为关键节点确定的局部中心性指标，可提升关键节点确定精度。