基于BP神经网络算法的人体藏毒能谱识别

应用Geant4软件搭建能量色散X射线照射包裹毒品人体组织的仿真模型,对得到能谱数据进行降维后应用BP神经网络算法进行模式识别,以区分人体组织是否包裹毒品.将未包裹与已包裹海洛因的人体组织X射线散射谱经过截断与光滑,形成一个以元素为粒子数,标号为能量的向量.该向量具有较高的维数,为了提高模式识别的有效性,采用主成分分析进行降维.将仿真得到的数据集分为训练集与测试集,使用训练集训练BP神经网络,使用测试集进行识别测试,测试结果表明,使用BP神经网络识别包裹毒品的人体组织X射线散射谱具有较高的正确率.     

基于BP神经网络的网络安全态势评估研究

随着网络攻击行为事件的频繁发生,互联网安全受到了人们的持续关注,人们对于网络安全日益重视。网络安全态势感知评估模型可以提升评估网络安全性能,并提升网络安全预警精确性。通过分析当前网络安全情况,设计了攻击指标因子来全面的反应网络攻击行为。此外了更好地解决收敛速度较低,训练效率差等问题,应用遗传算法来优化BP神经网络训练过程权值,提升了训练效率,并基于优化后的BP神经网络构建了网络态势评估模型指标体系,实时统计监控分析网络安全状态。实验结果表明文章提出的基于BP神经网络安全态势评估模型中具备较好的训练集以及收敛速度,评估效率也更符合预期值。     

一种串-并行混合结构的神经网络模型

针对复杂的模式识别问题,提出了一种串-并行混合结构的多种神经网络模型,首先用ART网络对训练集中的样本进行粗分类,以减小训练集的样本规模,然后用多个BP网络对小训练集进行训练.     

基于GRU算法的轨道交通客流预测模型

轨道交通的高速发展,使得站点的客流压力加剧,拥挤问题也带来了安全隐患.为简化客流预测模型训练时间,轻量化模型,采用K-means聚类,将客流数据进行分类,归一化数据,简化数据分布.在划分训练集和测试集后,分别利用长短时记忆网络(LSTM)模型和门控循环单元(GRU)模型对数据集进行训练.在不同时间粒度下分析了模型的可行性,对比两种算法的损失函数和运行时间.实验结果表明,在预测结果的准确性相近的情况下,GRU模型比LSTM模型有更短的拟合时间,同时模型本身更加简单,有着更好的适用性.     

基于MaxEnt模型的邛崃山系中华小熊猫栖息地适宜性评价

中华小熊猫(Ailurus styani)为我国Ⅱ级重点保护野生动物,目前对其研究较少.该研究使用最大熵模型(Maximum entropy model)对邛崃山系中华小熊猫适宜栖息地进行了预测分析,同时采用Jackknife检验对生态因子的重要性进行分析.结果表明:中华小熊猫适宜栖息地预测模型的训练集和测试集的受试者...     

一种串—并行混合结构的神经网络模型

针对复杂的模式识别问题,提出了一种串—并行混合结构的多种神经网络模型,首先用ART网络对训练集中的样本进行粗分类,以减小训练集的样本规模,然后用多个BP网络对小训练集进行训练。     

基于模式识别的人体肺癌电阻抗检测方法研究

根据阻抗频谱理论及模式识别理论,对手术中切除的恶性肿瘤组织及非肿瘤组织进行阻抗测量并进行肺癌辨识.利用Agilent4294A阻抗分析仪测量手术中切除样本的阻抗值,获得100,Hz~100,MHz频率激励下的阻抗频谱,经最小二乘算法拟合,得到频谱特征参数.将测量样本分成训练集与测试集,设计LMSE及Fisher两种线性分类器;分类器经训练后获得判别函数,利用分类器对测试集进行分类实验.研究结果表明,LMSE以及Fisher算法对测试样本均能进行有效识别,并且识别结果与病理切片分析结果吻合,验证了基于模式识别的方法对肺癌阻抗检测进行辨识的可行性与可靠性,为肿瘤早期筛查提供有效检测方法.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于网络服务状态分析的安全态势定量感知方法

针对网络安全状况量化分析难的现状,运用博弈论开展基于影响模型的网络安全态势定量感知方法研究.该方法将网络服务状态作为基本态势要素,综合考虑网络系统中存在的攻防行为,建立了网络安全态势博弈模型,并对状态空间、策略集和效用函数等模型参数给出了明确定义,经仿真实验找到该模型的Nash均衡解,在均衡局势下攻防双方达到收益平衡,完成了对网络安全态势的定量刻画.研究表明,该方法无需考虑攻击行为细节,具有效率高、实时性较强等特点,全面完成了对网络安全态势的量化分析,为安全管理员正确决策提供支持.     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

基于无监督生成推理的网络安全威胁态势评估方法

针对基于数据类别标记的监督式网络数据建模方式在评估网络威胁态势时存在计算成本高,效率低和耗时长的问题,该文提出一种基于无监督生成推理的网络安全威胁态势评估方法。首先,设计一种变分自动编码器-生成式对抗网络(VAE-GAN)模型,将只包含正常网络流量的训练数据集输入到由VAE-GAN组成的网络集合层进行训练,统计每层网络输出的重构误差,并使用输出层的3层变分自动编码器训练重构误差;然后使用包含异常网络流量的测试数据集进行分组威胁测试,统计每组测试的威胁发生概率;最后根据威胁发生概率确定网络安全威胁严重度,结合威胁影响度计算威胁态势值对网络安全威胁态势进行评估。仿真实验结果表明,与反向传播(BP)和径向基函数(RBF)方法相比,该方法能够更直观地评估网络威胁的整体态势,对网络威胁具有更好的表征效果。     

基于隐马尔可夫模型的网络安全态势预测方法

为了给网络管理员制定决策和防御措施提供可靠的依据,通过考察网络安全态势变化特点,提出构建隐马尔可夫预测模型。利用时间序列分析方法刻画不同时刻安全态势的前后依赖关系,当安全态势处于亚状态或偏离正常状态时,采用安全态势预测机制,分析其变化规律,预测系统的安全态势变化趋势。最后利用仿真数据,对所提出的网络安全态势预测算法进行验证。访真结果验证了该方法的正确性。     

基于MIB-Ⅱ的网络安全入侵检测策略

为了解决SNMPv1和SNMPv2的安全性问题,同时避免采用SNMPv3的复杂性和缺乏支持性,提出了一种基于MIB-Ⅱ的网络安全入侵检测策略.该策略采用普遍支持的SNMPv1协议,通过分析设备MIB-Ⅱ的相关信息,从TCP/IP协议集的数据链路层、网络层、传输层和应用层对网络安全进行多层次监控.实验结果表明,该策略能及时发现网络入侵,适合中小型网络的安全管理.     

基于相量分析与支持向量机的交流电路故障诊断

针对工作在交流状态下的模拟电路,提出采用相量分析和支持向量机(SVM)相结合的方法,实现交流电路的故障诊断.首先构建交流电路的数学模型,编写相量分析程序,得到输出信号的幅度和相位;对电路的所有状态进行运算,得到故障样本和测试样本.然后用故障样本对SVM进行训练;最后用训练好的SVM对测试样本进行模式识别.通过一个交流电路故障诊断的实例表明,该方法具有算法简单、泛化能力强等优点,可以快速准确地判断出故障元件.     

基于改进G-K算法的多节点网络安全态势预测模型研究

影响多节点网络安全态势的因素有很多,传统方法未考虑影响因素,导致预测精度低。为此,构建一种新的改进G-K算法的多节点网络安全态势预测模型。通过灰熵均衡关联度实现关联分析,通过关联分析法对影响多节点网络安全态势的因素进行研究,按照关联程度大小获取重要因素。依据多节点网络日志信息,从主机层、服务层和系统层对多节点网络安全态势值进行计算。分析改进G-K算法预测基本思想:通过多节点网络安全态势重要影响因子值与安全态势值计算状态向量,利用当前状态矢量观测向量对多节点网络安全态势在下一段时间的值进行描述。在此基础上,构建改进G-K算法的多节点网络安全态势预测模型。实验结果表明,采用构建的模型对多节点网络安全态势进行预测,有很高的预测精度,对突变态势也可有效预测。     

混沌理论和最小二乘支持向量机相融合的工程造价预测模型

针对工程造价变化的时变性、混沌性,提出一种混沌理论和最小二乘支持向量机的工程造价预测模型.首先收集工程造价历史样本并进行相应的预处理,然后根据混沌理论确定最优延迟时间和嵌入维数,重建工程造价的训练集和测试集,最后用最小二乘支持向量机建立工程造价预测模型,并采用具体建筑工程造价数据进行仿真测试.结果表明,相对其他工程造价预测模型,该模型可以很好地反映工程造价的变化趋势,提高工程造价的预测准确性.     

基于数据挖掘的网络状态异常检测

针对目前网络状态异常行为检测正确率低的问题,提出一种基于数据挖掘的网络状态异常检测模型.首先提取网络状态信号,通过小波变换对信号进行预处理,并提取网络状态异常检测的特征;然后通过回声状态网络对网络状态异常检测进行建模,并通过遗传算法对回声状态网络的参数进行优化;最后采用网络状态异常数据集对模型的有效性进行测试.测试结果表明,数据挖掘技术可以准确检测各种网络状态异常行为.     

卡尔曼熵值模型的网络安全态势估计

针对网络安全态势估计问题,提出一种基于卡尔曼熵值模型的估计方法.根据熵值关联度,筛选出影响网络安全的关键因素,构建回归方程;构建网络安全评估的状态模型和测量模型.采用卡尔曼滤波对网络安全态势进行估计.结果表明:文中方法可以对网络安全态势作出精确估计.     

基于改进G-K算法的多节点网络安全态势预测模型

影响多节点网络安全态势的因素有很多,传统方法未考虑影响因素,导致预测精度低。为此,构建一种新的改进G-K算法的多节点网络安全态势预测模型。通过灰熵均衡关联度实现关联分析,通过关联分析法对影响多节点网络安全态势的因素进行研究,按照关联程度大小获取重要因素。依据多节点网络日志信息,从主机层、服务层和系统层对多节点网络安全态势值进行计算。分析改进G-K算法预测基本思想:通过多节点网络安全态势重要影响因子值与安全态势值计算状态向量,利用当前状态矢量观测向量对多节点网络安全态势在下一段时间的值进行描述。在此基础上,构建改进G-K算法的多节点网络安全态势预测模型。实验结果表明,采用构建的模型对多节点网络安全态势进行预测,有很高的预测精度,对突变态势也可有效预测。     

一个融合网络安全信息的安全事件分析与预测模型

提出了一种融合网络安全信息的安全事件分析与预测模型·该模型能够对来自以IDS为主的多种安全部件和关键主机日志系统的网络安全信息进行校验、聚集和关联,从而整体上降低安全部件的误报率,扩展对网络中复杂攻击识别能力;能够结合目标网络安全策略,对目标网络的安全状况进行准确评估,分析出网络真正威胁所在;还能够基于特定攻击场景,对未来可能发生的具体攻击行为做预测,从而尽早发现潜在威胁,为采取有效响应措施赢得宝贵时间·