基于大数据的半分布式僵尸网络动态抑制算法

为了提高半分布式僵尸网络的安全性,提出一种基于大数据的半分布式僵尸网络动态抑制算法。采用波特间隔均衡控制方法,进行半分布式僵尸网络的动态特征补偿,构建半分布式僵尸网络动态特征信息采样模型,利用判决均衡方法,对采集到的动态特征信息进行定量递归分析,提取半分布式僵尸网络的统计特征量;在此基础上,采用大数据寻优计算方法,获取真正的半分布式僵尸网络最优抑制参数,在嵌入式环境下,将半分布式僵尸网络的最优抑制参数与迁移负载响应结果相结合,实现半分布式僵尸网络动态抑制。仿真结果表明,采用本文方法进行半分布式僵尸网络动态抑制的效果较好,提高了抑制精度,缩短了抑制时间,且降低了网络输出误码率。     

信息智能推荐系统目标特征数据挖掘方法

为提高信息智能推荐系统的目标特征数据挖掘精度,提出新的信息智能推荐系统目标特征数据挖掘方法.采用分布式链路融合方法构建数据存储模型,在多维特征空间中实现对特征数据的解析,基于此分析目标特征分布集,根据大数据的关联规则分布特性,实现数据智能融合处理.采用显著度特征解析控制的方法提取目标特征模板匹配特征量,实现信息智能推荐...     

基于改进的SECOND网络与MobileNet V2网络的视频监控与追踪技术实现

为提高作业现场视频监控水平,提出一种基于深度学习的视频监控与追踪方法。该方法通过采用Res2SENet网络作为SECOND网络的卷积模块,并使用可变形卷积替代SECOND网络的标准卷积,以实现SECOND网络的改进。首先,基于改进的SECOND网络对目标进行检测,实现作业现场视频监控目标检测;然后,通过采用空洞卷积替代MobileNet V2网络的普通卷积,并使用改进后的MobileNet V2网络作为目标追踪算法,实现作业现场视频监控目标检测与跟踪;最后,在典型的包含大量激光点云图像的KITTI数据集上进行测试。结果表明,该方法利用改进SECOND网络对作业现场视频监控三维目标检测的平均精度和检测时间分别为81.62%和0.048 s,相较于标准SECOND网络、特征金字塔网络(Feature Pyramid Network,FPN)、F-PointNet网络,改进SECOND网络具有明显优势;利用改进的MobileNet V2网络对作业现场视频监控三维目标跟踪的准确度、精确度和跟踪数分别为81.62%、80.55%和57.30%,丢失数和跟踪轨迹中行人ID瞬间转换次数分别为11.08%和22%,具有较快的运行速度,为39 f/s,相较于MobileNet V2网络、马尔可夫决策过程(Markov Decision Process,MDP)网络、平滑支持向量机(Smooth Support Vector Machine,SSVM)网络,改进的MobileNet V2网络在各项指标上均具有一定优势,可以满足作业现场视频监控目标的检测与实时跟踪需求。