网络管理中的一种分级告警关联方法

提出了一种基于ＳＮＭＰ网络管理环境、使用分布式智能代理进行单个网络设备告警关联的算法。算法分成三步：①智能代理驻留在设备本地,对设备发出的告警进行分类,作为协议故障模型有限状态机的输入,产生ＴＣＰ／ＩＰ协议实体的当前状态;②按照服务关系,将状态不正常的协实体关联起来;③对关联的结果赋予一个信念,报告给网络管理中心。该算法将告警关联和故障标识的难度进行了分解,有利于实现网络的实时管理和自动管理。     

基于依赖图的网络故障定位算法

网络故障定位在网络管理系统研究中是非常重要的. 为此给出了依据网络对象间的告警关联关系构建相应网络依赖图的方法. 采用划分和选择最大互关联启发式算法进行故障定位,对在独立故障情况下算法存在的问题提出改进方法,改善了算法性能,降低了计算复杂度. 通过仿真对算法进行了验证并应用于华北电力大学校园网综合智能网络管理系统中,取得较好成效.     

一种基于灰关联分析法的语音激活检测算法

为在有色非高斯噪声背景下实时、有效地区分语音信号与各种背景噪声,提出了一种基于灰关联分析的语音激活检测(VAD)算法.该算法提取语音信号过零率、线性预测系数、倒谱系数和转移倒谱系数4种特征参数作为关联参数,通过跟踪语音与噪声灰关联度的变化确定判决门限,实现语音激活检测.仿真结果表明:该算法在无噪声背景中识别率为100%,在-5 dB噪声背景环境,识别率可达80%以上.此算法对有色非高斯背景噪声不敏感,而且计算简单、可靠性高,在语音激活检测中具有可行性.     

改进加权方法的告警关联分析算法

以往告警关联分析算法中将告警重要性视为相同,为区分不同告警的重要性差异,以及告警中包含信息量的差异性,提出一种改进加权方法的告警关联分析算法。首先将告警信息中有关告警重要性的属性量化,并使用极端梯度提升(XGBoost:eXtreme Gradient Boosting)集成学习模型训练,得到告警属性的权重值,并对告警数据赋予权重;然后,将网络拓扑数据加入滑动窗口中,改进传统滑动窗口划分事务存在的问题,改进后的滑动窗口划分的事务集更加真实可靠;最终将加权后的告警事务集使用加权FP-Growth(Frequent Pattern Growth)算法挖掘频繁告警和关联规则。通过实验验证了该改进加权方法的告警关联分析算法在挖掘频繁告警、重要关联规则和时间上都有很好的性能。     

基于传感网的地面运动车辆目标容错跟踪

提出了一种新的基于声震传感网的机动目标跟踪算法,即在Rao-Blackwellized蒙特卡洛数据关联（RBMCDA）算法基础上,引入代价函数,根据代价函数的可信度和误差偏离度实时在线更新测量噪声模型参数.仿真结果表明：相比于RBMCDA算法,该算法不依赖于观测噪声的精确建模,在节点频繁切换情况下仍具有很好的自适应性;...     

基于残差三阶累积量的跟踪门新方法

针对在有高斯量测噪声和杂波环境下的数据关联问题,提出了一种基于残差三阶累积量的跟踪门算法,通过对残差数据累计序列的三阶累积量的计算,抑制了高斯噪声对跟踪门的影响,且有效地排除了杂波的干扰,从根本上提高了跟踪门的性能.仿真实验结果验证了该算法的有效性和稳健性.     

一种基于四阶统计量的递推LMS算法

提出一种基于四阶统计量一维切片的LMS算法,并且给出其递推形式.该算法能够有效地抑制相关高斯噪声的影响,性能优于传统的基于相关的LMS算法;递推形式降低了其计算复杂度,能够满足实时处理的要求.采用相关高斯色噪声进行数值仿真,结果表明该方法的有效性.该算法可在雷达、声纳及通信系统中用于多径系数估计.     

一种基于Resnet的非稳态数据关联方法

设计了一种基于残差网络的非稳态数据关联方法.利用残差网络对多层次和异构特征的提取能力求解数据关联问题中的最优决策函数.首先将全局关联问题分解为固定问题空间大小的基本关联问题,然后设计深度网络提取非稳态数据中的不变特征,找到基本关联问题解的分类模型,可在误差分布变化和参数无法准确估计的情况下,提高关联鲁棒性和准确性.仿真试验结果表明:当误差分布参数在一定范围内变化和未知条件下,本算法优于联合概率数据关联(JPDA)算法和K近邻(KNN)算法.     

开放式网络环境下的上下文敏感的信任管理

为了更准确地反映出开放式网络环境下实体行为的不确定性和动态性,提出一种基于贝叶斯网络的信任管理方案.该方案显式地加入了上下文信息,并使用一种统计学方法推算出上下文信息对实体行为的影响因子.采用一种上下文间的信任度映射方法,使得实体能够根据一些相关上下文中的信任信息推算出其他实体在陌生上下文中的信任度.仿真结果表明,该方案的信任度估算比其他使用特定算法的系统更精确.     

一种基于关联向量回归的盲图像复原

提出一种基于关联向量回归模型的盲图像复原算法.用模糊噪声图像作为训练集合,由此得到关联向量回归模型.该模型可用于恢复受不同类型模糊和不同噪声污染的图像.实验结果表明:同其他盲复原算法相比,该算法对点扩展函数(PSF)类型和噪声都有较强的鲁棒性.同时,从改善信噪比大小和主观视觉两个方面,该算法都能取得良好的复原效果.     

数据融合技术在火灾报警系统中的应用研究

提出了一种基于现场总线的神经网络和模糊推理的多传感器数据融合技术,对所采用的数据融合技术进行了详细介绍。模拟实际输入信号的仿真结果证明,采用神经网络BP算法和模糊推理的多传感器数据融合技术能够准确预报火灾,有效降低误报率,达到了预期效果。     

农村信用社面向应用层的故障定位模型研究

为了提高农村信用社IT服务质量,利用告警信息迅速准确的定位故障根源,对于快速恢复服务具有重大意义。现有基于SNMP的网管软件以及IT资源监控系统,只能独立显示各个软硬件设备状态,一旦产生大量告警信息,并不能通过智能的分析告警之间的关联关系,找出故障的根源。本文提出了一种面向应用层的告警关联性分析模型,通过对分布式业务系统进行分析,建立告警关联性分析模型[1],设计智能告警关联性分析算法[2],能够利用业务系统产生的告警信息,迅速准确的定位故障根源。     

神经网络在矿井胶带机火灾探测中的应用

综合考虑温度、温度变化率、一氧化碳浓度、一氧化碳浓度变化率为胶带机火灾探测系统的参数 ,采用三层前馈 BP神经网络对胶带输送机火灾探测进行研究 ,经过 81组数据样本训练得到合适的网络结构及网络参数 .仿真结果表明 :当隐层节点数为 1 0 ,动量因子为 0 .95时 ,训练时间最短 ,误差下降最快 ;对 PVC胶带机的火灾燃烧试验探测结果表明 ,当输出报警限取 0 .5时 ,经一定的时间延时后 ,运用该网络可在燃烧发生 35 0 s时进行报警 ,从而有效实现了矿井胶带输送机火灾的早期报警 ,并增强了系统的抗干扰能力及对环境的适应性能     

基于神经元网络的电力系统故障处理器

本文利用神经元网络模型中的反向传播算法,对某电力系统中的某厂站,建立了BP模型,以进行故障分析处理.该神经元处理器采用C语言编译,在IBM/PC/AT机上运行良好.实验结果证明:神经元网络法在用于故障分析时具有快速并行处理、模糊判断、自学习等优点,是一种可行的方法.     

基于数据融合技术的火灾报警系统的研究与设计

提出了一种基于现场总线的神经网络和模糊推理的多传感器数据融合技术,对所采用的数据融合技术进行了详细介绍.通过模拟实际输入信号的仿真结果证明,采用神经网络BP算法和模糊推理的多传感器数据融合技术能够准确预报火灾,有效降低误报率,达到了预期良好的效果.     

融合BVM与ELM的网络异常检测方法

针对用单一分类器对网络进行异常检测时存在的检测率低、虚警率高等问题,提出了一种新的融合球向量机(BVM,Ball Vector Machine)与极限学习机(ELM,Extreme Learning Machine)的异常检测方法.该方法分别用BVM与ELM对三类网络特征进行学习,通过BP神经网络训练出相应权值来融合标签.实验表明:使用该融合方法进行网络异常检测的性能要优于使用单一的BVM或ELM;相对于融合传统的SVM与BP网络的方法,融合BVM与ELM网络异常检测方法的检测率与虚警率与传统方法相当,但其训练速度快、整体性更优.     

基于神经网络的多重化整流电路的故障诊断

针对多相整流电路的特点,采用对输出电压分段平均值进行谱分析的方法,得到网络的特征量,不但降低了网络样本的维数,而且使得特征量与采样的误差和整流控制角的相关性减到最小;导出一种既有最速下降法的稳定性又有牛顿法的快速性的新算法;设计了该算法的神经网络结构,并讨论了网络结构参数对故障诊断结果的影响;此方法简单易行,误判率低,训练时间短,对各种多重多相化的整流电路具有普遍的适用性.     

基于PCA-RBF神经网络模型的航空备件预测方法

提出了基于PCA-RBF神经网络模型的备件预测方法.首先利用主成分分析去除原始输入层数据的相关性,以解决RBF神经网络模拟备件需求时输入变量过多、网络规模过大导致效率下降的问题,最后选择合适的径向基函数密度训练神经网络.通过结合实例进行分析,取得了较好的效果.     

基于模糊神经网络的机械手自适应控制

单纯的神经网络和单纯的模糊系统具有各自的优点和缺点,模糊神经网络是两者的结合,它可吸取两者的优点而达到更优良的性能。这里提出了一种基于模糊神经网络的自适应控制方法。在利用常规控制器提取初始模糊规则的基础上,利用专家经验对初始规则进行补充,最后再利用误差的反向传播算法对参数进行在线的自适应调整。该方法用于机械手的跟随控制,两个模糊神经网络分别用于主回路控制和对象的逆模型,最后得到了优于样本控制器的跟踪控制效果。