网络流量异常检测方法：SSAE-IWELM-AdaBoost

针对传统入侵检测方法在高维海量数据且类别分布不均衡的环境下检测性能较差的问题,提出一种流量异常检测方法SSAE-IWELM-AdaBoost,该方法基于堆叠稀疏自编码网络(stacked spare auto encoder,SSAE)并融合改进加权极限学习机(weighted extreme learning machine,WELM)。该方法首先使用堆叠稀疏自编码网络直接从原始流量数据中自动学习并提取特征,获取原始数据的低维抽象表示,然后以WELM作为集成算法(AdaBoost)的基础分类器,利用修改的训练样本权值分配规则和基分类器权值更新公式迭代训练基分类器,通过加权投票表决的方法得到最优强分类器完成网络攻击流量的识别。在UNSW-NB15数据集上进行仿真实验,实验结果表明,SSAE-IWELM-AdaBoost算法可以提高整体的检测精度以及小样本攻击的检测率,缩短分类器的训练时间,能较好地满足大规模网络环境下原始流量数据实时检测,对不均衡流量数据识别也具有较好的表现。     

有局部差异及全局性的半监督正交保局投影算法

结合局部结构及差异信息的有监督投影算法是一种有效的特征提取算法,但只能处理有类别标签样本,忽略了样本全局信息的作用,故本文提出了一种有局部差异及全局性的半监督正交保局投影算法.该算法的思想是利用有标签和无标签样本来构造准则函数,在保持数据的局部几何结构的同时,最大化样本的全局与近邻样本的差异信息,因此该算法不但能够揭示样本的全局结构而且可有效地防止过学习问题,同时为了进一步增强算法的识别性能对所求取的投影矩阵进行了正交化约束,最后给出了该算法的非线性拓展.人脸库上的实验结果表明所提方法是可行的和有效的.     

基于CFSFDP与ELM相结合的半监督室内定位算法

针对室内环境复杂,难以获取足够多的有效标记数据进行定位,提出了一种将密度峰值快速搜索聚类(CFSFDP)和极限学习机(ELM)相结合的半监督室内定位算法(SLACE).SLACE利用CFSFDP聚类数据集,并标记聚类中心缺失的位置信息,扩充初始标记数据;利用ELM训练初始标记数据,根据输出阈值向量和"换位"思想扩充标记数据,提高定位准确率.实验表明:在标记数据个数相同时,该算法运行时间短,较ELM算法、BP算法而言,定位准确率明显提高.     

基于用户评论的潜在演化需求发现方法

由于在线用户评论具有数据量大、质量良莠不齐等特点,单纯依靠人工校读方法发现其中的演化需求耗时耗力,也无法满足以用户为中心的软件版本快速更新的需要,因此提出一种基于用户评论的潜在演化需求发现方法 DICM.该方法首先对预处理后的用户评论文本进行基于信息增益的特征选择,接着使用下采样来降低训练集与测试集的不平衡度,最后利用朴素贝叶斯分类器分类出潜在演化需求,以辅助需求工程师进行演化需求的抽取.对照实验结果表明,使用DICM方法发现的潜在演化需求可以有效辅助需求分析师进行演化需求的获取,减轻需求分析师工作量并减小个体差异.同时,获得了关于DICM方法的用户可接受性及未来改进方向.     

双向中继网络中基于压缩感知的稀疏信道估计

为提高双向中继网络中稀疏信道估计的精度并减少训练序列的长度, 利用双向中继信道(Two-way Relay Channel, TWRC)的潜在稀疏特性, 研究了基于压缩感知的稀疏TWRC估计问题, 提出了一种改进的正交匹配追踪(Improved Orthogonal Matching Pursuit, IOMP)算法. 新算法运用迭代重加权最小二乘估计代替了正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法中的最小二乘估计过程, 通过对样本进行迭代重加权, 逐步减小了异常样本的影响, 不断地修正了估计值, 在使用相同长度的训练序列时, 提高了估计的精度. 与传统的最小二乘估计算法相比, 新算法能够在获得相同估计效果的情况下, 显著减少所需训练序列的长度. 仿真结果验证了基于新算法的稀疏TWRC估计的有效性.     

基于KL散度的岩土参数可信度贝叶斯估计

鉴于先验信息与样本信息的不匹配, 会导致岩土参数的贝叶斯估计结果与实际产生偏差. 为解决该问题, 本文引入可信度贝叶斯估计的概念, 并结合相容性检验, 改进了基于KL散度的经典可信度计算公式. 最后, 以宁波地区典型土层的地基承载力为例, 对比改进可信度贝叶斯、经典可信度贝叶斯和经典贝叶斯的估计结果. 结果表明: 改进可信度贝叶斯方法能在充分利用先验信息的前提下, 提高样本信息在参数估计中的计算权重, 同时也避免了不匹配问题所导致的贝叶斯计算误差.     

一种去除椒盐噪声的自适应模糊中值滤波算法

针对传统中值滤波算法降噪性能不佳以及易造成图像细节模糊的问题,提出了一种自适应模糊中值滤波算法。 滤波过程分为噪声检测和噪声去除2个阶段。噪声检测阶段：采用极值法检测噪声,将图像的像素点分为两类,即疑似噪声点和信号点。 通过疑似像素点和与其相邻的已处理的像素点的平均绝对灰度差值定义模糊隶属度函数,利用该函数对疑似噪声点是否为噪声进行模糊分类。 噪声去除阶段：信号点保持原值输出,对于疑似噪声点的3种分类结果,采用模糊加权的中值滤波器进行统一处理。 实验结果表明,较于多种传统滤波方法,该算法能更有效地去除椒盐噪声,保护图像细节。     

一种去除椒盐噪声的自适应模糊中值滤波算法

针对传统中值滤波算法降噪性能不佳以及易造成图像细节模糊的问题,提出了一种自适应模糊中值滤波算法。 滤波过程分为噪声检测和噪声去除2个阶段。噪声检测阶段：采用极值法检测噪声,将图像的像素点分为两类,即疑似噪声点和信号点。 通过疑似像素点和与其相邻的已处理的像素点的平均绝对灰度差值定义模糊隶属度函数,利用该函数对疑似噪声点是否为噪声进行模糊分类。 噪声去除阶段：信号点保持原值输出,对于疑似噪声点的3种分类结果,采用模糊加权的中值滤波器进行统一处理。 实验结果表明,较于多种传统滤波方法,该算法能更有效地去除椒盐噪声,保护图像细节。     

一种基于步态的身份识别新方法

步态识别是通过人走路的姿态进行身份识别的新兴生物特征识别技术.算法利用步态的动态特征和形状信息进行步态识别.首先,对某个人的一个步态序列利用动态Viterbi算法得到一个样本姿态序列,对其多个步态样本姿态序列的对应姿态取平均得到这个人的特征姿态序列,然后对特征姿态采用主成分分析法处理特征空间,最后用最近邻法进行识别.利用USF/NIST数据库对本文方法进行了验证,取得了较高的识别率.并对体形变化具有较强的鲁棒性.     

一种基于 k-means 聚类和半监督学习的医学图像分割算法

医学图像分割是计算机视觉和图像处理领域近年来研究的热点问题之一。一种基于k-means聚类和半监督学习的医学图像分割新算法被提出。在k-means聚类模型中,相似度函数是关系到聚类效果好坏的关键因素。所使用的相似度函数通过基于side-information的半监督学习方法来确定;确定后的相似度函数又被运用回k-means聚类模型中来实现对医学图像的分割。为了检验该算法效果,脑部肿瘤患者的磁共振图像被运用在实验中。分析结果表明:该算法在本文所采用的实例中能获得优于传统算法的分割效果。     

一种改进Haar-like特征的车辆识别算法

传统的Haar-like特征算法在特征提取过程中仅对图像全局进行特征提取,忽略了目标敏感区域,易受非目标区域的干扰,导致识别率降低.本文对传统的Haar-like特征提取算法进行了改进,将图像分成三个区域,运用的矩形框模板分别从这三个区域中提取像素值,将其中两个区域的像素值减去两倍的另外一个区域的像素值作为特征值.采用高斯随机测量矩阵对高维度的特征值进行压缩,运用Adaboost分类器训练方法,利用构造好的分类器对压缩后形成的特征空间进行分类识别.实验结果表明,本文的方法不仅减少了分类器所需的训练时间,而且识别性能也优于Haar-like特征、颜色纹理融合等传统算法.     

外包软件项目风险决策树智能分析模型

软件项目外包已成为主要的软件开发方式,但风险却很高.本文提出了外包软件项目风险的决策树智能分析实证模型,并用此模型对项目风险进行评估和控制.建立了基于客户方和承包方双视角的风险识别概念模型,收集了外包软件项目真实样本用于决策树风险智能分析模型的训练和验证.实验结果表明,本文所采用的方法在准确率方面优于神经网络、朴素贝叶斯算法.决策树模型所发现的管理规则与软件工程理论相吻合,能很好地指导项目风险评估分析.     

基于迁移学习的蔬菜图像识别方法

为解决蔬菜识别领域缺少带标签样本的问题,提出了一种基于迁移学习的图像识别方法.首先,将原始数据集利用数据增强扩大样本数据量后引入到大规模数据集上的预训练模型.针对迁移过程中高层特征的领域特定性导致的网络泛化性能差,通过加入两层自适应层参数初始化后重新训练得到基本模型;对该基本模型再利用参数冻结的迁移方式进一步调优参数,得到用于蔬菜图像识别的最终网络模型.实验表明,基于CaffeNet和ResNet10两个小型网络的迁移策略可以较好地处理小样本的蔬菜图像识别,训练得到的模型准确率分别为94.97%、96.69%.与其他迁移算法及传统的神经网络方法相比,该算法具有更高的识别性以及更强的鲁棒性.     

面向有限带宽信道的字典学习图像超分辨率重建

固定邻域回归(ANR)算法采用K层奇异值分解(K-SVD)算法进行字典训练, 在字典学习过程中存在稀疏表示系数不准确的问题, 导致重建的结果不理想. 因此, 引入一种改进的K-SVD算法对字典进行训练, 该算法对字典训练改变了传统K-SVD算法更新稀疏表示系数的方式, 使得稀疏表示系数更加准确, 而且加快了字典的收敛速度, 使得训练得到的字典具有更好的稀疏表达能力. 同时, 针对ANR算法的不足, 提出一种面向有限带宽信道基于字典学习的图像超分辨率方法, 该方法采用改进的K-SVD算法训练字典对 , 并将其应用到ANR算法中, 实现图像的超分辨率重建. 实验结果表明, 本文提出的方法不仅能够保持ANR算法快速重建的优势, 而且提高了图像的重建质量, 具有更高的峰值信噪比和结构相似度.     

基于降噪自编码的电能质量扰动识别

针对目前电能质量扰动识别时特征提取不充分,造成识别精度不高的问题,引入了降噪自编码算法。降噪自编码算法起源于自动编码算法,两者都属于深度学习算法。其中,自动编码算法已经被应用于电能质量扰动识别,并取得了一定的成果。但是,自动编码算法对含噪声干扰的电能质量扰动信号的识别精度还不是很理想。本文采用降噪自编码算法,将克服这一问题。首先对无噪声的扰动信号用噪声进行"破坏",然后用带噪声信号去重构原始信号,得到扰动信号波形的固有特征,最后通过BP神经网络分类器对整个网络进行微调,得到最后用于分类的特征样本。该方法降低了传统特征提取算法对特征选取不当,造成分类识别精度不理想的风险,并在一定程度上提高了含噪声的电能质量扰动信号的识别精度。仿真结果表明,该方法在识别含噪声的电能质量扰动信号上有很大的优势。     

基于小波变换网络的自监督单目深度与位姿估计

基于小波变换与运动恢复结构的自监督学习范式,将二维离散小波变换嵌入神经网络并实现梯度传播,提出了一种新的单目深度与位姿估计算法。传统的神经网络在降采样过程中会造成信息丢失,且丢失的信息在后续阶段无法复原,对于深度估计任务,结构信息的丢失会降低模型性能。本文使用二维离散小波变换层替代传统的降采样操作,更好地保留图像中的结构细节并避免噪声累积。在上采样解码深度图的阶段,采用小波逆变换层取代传统的插值上采样方法,更有效地恢复图像信息,得到更精确的深度图。提出的算法相比传统的神经网络对噪声更有鲁棒性。在KITTI数据集上进行实验,证明了所提出的算法在自监督单目深度与位姿估计任务中有优异的性能表现。     

基于支持向量机的字符编码识别系统

基于支持向量机设计了一种产品字符编码识别系统,该系统通过CCD视觉传感器采集图像信息,经过目标提取、字符分割、编码识别过程,最后输出识别结果.其中,识别过程采用支持向量机作为判别函数分类器,该方法能较好的解决小样本、非线性、高维数等实际问题,并且较传统的神经网络识别方法训练速度更快.实验结果表明,该方法识别率高,可以达到98.3%,并且具有较高的实时性.     

支持多时间粒度的数据流上最频繁K项挖掘

数据流最频繁K项挖掘是指在数据流中找出K个项,它们的支持数大于数据流中的其他项.已有的一些算法只能挖掘整个数据流的频繁K项,而无法找出距离最近的任意时间段内的最频繁K项.因此,提出一种基于多层概要结构的数据流最频繁K项挖掘算法MMF（K）_MS,新算法利用各层节点数目可变的HFVN框架结构来支持对不同时间粒度的查询,同时采用Count-Sketch数据结构来维护各层的概要信息,并通过实验验证了算法的有效性.     

基于基因表达值和基因本体论推导转录因子相互作用关系的方法

提出将基因本体论(Gene Ontology)中的背景知识同基因表达值相结合,利用GeneRank算法思想来计算转录因子的重要性排名,再通过K2算法构建贝叶斯网络以刻画这些转录因子间关系的方法.将该方法用于细胞周期的一个基因表达数据集中,实验结果表明它不仅能发现许多转录因子间确知的关系,还可发现一些未知的关系.     

异构网格环境下的可信依赖任务调度

针对异构网格环境下依赖任务调度过程中网格节点行为可信性考虑不足的问题,根据网格节点的历史行为表现,构建了一个动态信誉度评估策略,为确立任务需求与资源节点行为可信属性之间的隶属关系,定义了隶属度函数,建立了一种安全可信的网格任务调度新模型.为了实现该模型,提出一种依赖任务可信调度的粒子群进化算法.该算法通过深度值和关联耦合度的引入解决了任务间的约束关系;为克服传统粒子群算法解决离散问题时的不足,结合网格任务调度问题的具体特点,重新定义并设计了新的粒子进化方程;为预防算法陷入局部最优,引入了均匀扰动速度.仿真实验表明,该算法与同类算法相比,在相同条件下具有较高的执行效率和安全可信优化性能等.