基于word-hashing的DGA僵尸网络深度检测模型

针对使用域名生成算法(DGA)僵尸网络隐蔽性强,传统检测算法特征提取复杂的问题,提出一种无需提取具体特征的深度学习模型DGA域名检测方法.首先基于word-hashing将所有域名转用二元语法字符串表示,利用词袋模型把域名映射到高维向量空间.然后利用5层深度神经网络对转换为高维向量的域名进行训练分类检测.通过深度模型,能够从训练数据中发现不同层次抽象的隐藏模式和特征,而这些模式和特征使用传统的统计方法大多是无法发现的.实验中使用了10万条DGA域名和10万条合法域名作为样本,与基于自然语言特征分类算法进行对比实验.实验结果表明该深度模型对DGA域名检测准确率达到97.23%,比基于自然语言特征分类算法得到的检测准确率高3.7%.     

信息隐藏技术浅析

阐述了信息隐藏技术的分类和特征,总结和研究了一系列信息隐藏方面的理论问题,介绍了信息隐藏的算法和信息隐藏技术的应用.     

基于Huffman编码的大容量MP3隐写算法

本文针对MP3编码标准中哈夫曼码字对特点,提出了一种借助码字替换实现秘密信息隐写的新算法. 该算法首先对哈夫曼码表中的码字进行分类,以保证替换操作不改变MP3码流的固定结构,再借鉴混合进制的概念,采用多进制方式隐藏秘密信息. 给出了算法在二进制和多进制两种模式下的仿真结果,表明多进制隐写模式可以获得更高的隐写速率和效率,同时算法的感知透明性也能得到较好保持.     

基于多智能体的网络信息隐藏系统研究

为加强网络信息安全,该文提出了一种基于m-序列的多智能体协作的信息隐藏模型,并提出以鲁棒性、安全性和通信容量作为评价信息隐藏系统的性能指标.实现了基于多智能体协作的信息隐藏系统,该系统通过多智能体协作加强信息隐藏的鲁棒性,使用多智能体发送信息,加大了隐蔽通信的容量.仿真结果表明:基于多智能体的信息隐藏算法未对特殊位进行处理,因而没有网络包被防火墙过滤,隐藏的信息未丢失;防火墙类产品对于使用包填充类算法隐藏的信息的安全性影响非常大,对于使用基于多智能体算法隐藏的信息的安全性几乎没有任何影响.     

一种对隐写图像的四分类盲检测方法

提出了一种对隐写图像的新的四分类盲检测方法.分析了与信息隐藏相关的26个图像质量特征,并使用方差分析选取了部分相对有效的特征向量.采用四分类的支持向量机根据这些特征向量进行训练和分类,实现了一种新的信息隐藏盲检测方法.该方法不仅仅能较准确地识别出是否隐藏了信息,还能识别出信息隐藏的隐藏域,即DWT域、DCT域,或者空域.实验结果表明,该方法能够很好地识别隐写域,具有较高的识别率.     

基于模糊概念相似性与模糊熵度量的模糊分类算法

在AFS(axiomatic fuzzy set)理论框架下,提出了一种基于模糊概念相似性与模糊熵度量的分类算法.模糊分类规则的前件通过概念聚合得到,一种基于模糊概念相似性与模糊熵度量的概念选择函数指导聚合过程;然后,利用剪枝算法对得到的模糊规则集进行剪枝,得到最终的分类规则集.用8组来自UCI数据库的数据集作为实验数据对算法进行验证,并与7种经典分类方法进行比较.实验结果表明该算法能得到较高的分类精度,分类结果明显优于参照的分类方法.     

基于混沌序列、HVS和提升小波的彩色图像脆弱水印算法

目的 提出一种新的结合人类视觉系统(HVS)、混沌序列和提升小波的彩色图像自适应脆弱水印算法.方法 算法同时采用两种不同的混沌序列和提升小波变换,根据HVS特性使中低频使用不同的算法自适应地嵌入水印.结果 使用混沌序列保证了算法的安全性;使用提升小波变换保证了算法的效率.结论 该算法具有较高的效率、较好的隐藏效果和很好的安全性.     

一种融合隐藏语义的人体行为表示方法

人体行为识别是计算机视觉研究的热门领域之一,提出了一种基于隐藏语义的人体行为算法,采取人体骨骼点的三维数据进行处理后构成数据序列,将该数据序列作为分析人体行为的主语义的同时,分析人体行为细节信息在时空特性上的变化作为隐藏语义,然后将二者融合作为人体行为表示.最后使用改进的类均值核主成分分析算法对行为表示数据进行处理,并用支持向量机进行分类.将提出的方法在UTKinect、Florence和MSR Action 3D数据集上进行验证,实验结果证明了所提方法的有效性和普适性.     

一种改进的基于小波变换的数字图像隐藏算法研究与实践

数字图像隐藏是近年非常热门的研究领域,小波变换作为图像隐藏中比较先进的技术,在图像隐藏中得到广泛的应用.通过对基于小波变换方法的分析研究,探讨了一种改进的基于小波变换的数字图像隐藏算法,并将算法进行了测试应用.     

基于HVS和混沌序列的DCT域数字图像隐藏技术

目的为得到更优的数字图像隐藏算法。方法鉴于在DCT域进行数字图像隐藏经常会出现“方块效应”以及人眼视觉系统的特点,提出基于视觉敏感度的图像隐藏算法,所用的混合参数序列由混沌动力系统的混沌映射产生。结果该算法按均匀块将一幅数字图像在DCT域隐藏于另一幅图像中。结论数值实验结果表明该算法易行、有效,隐藏后的图像效果好,而且能抵抗剪切等攻击,有一定程度的鲁棒性。     

一种基于模糊VSM和神经网络的文本分类方法

针对文本自动分类时可能存在一个文本属于多类的问题,提出了一种基于模糊向量空间模型和神经网络的文本自动分类方法。该方法采用模糊集理论,把特征项在文档中出现的位置作为反映文档主题的重要程度（隶属度）,并在特征提取时充分考虑该位置信息,从而构造出模糊特征向量,使文本分类更接近手工分类方法。建立的网络由输入层、隐含层和输出层组成,其中输入层完成分类样本的输入,隐含层提取输入样本所隐含的模式特征,输出层用于输出分类结果。实验部分以万方数据库中部分文档数据为例验证了该方法的有效性。     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题，设计了镜像极限学习机.该算法使用伪逆法确定输入权值，随机生成输出权值和偏置，在对数据进行分类时，它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性，将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取，并将提取到的特征作为镜像极限学习机的输入数据，再进行网络训练.在无噪和含噪声的MNIST，Fashion MNIST，Rectangles和Convex数据集中，将基于去噪自编码器的镜像极限学习机与ELM，PCA-ELM，SAA-2和DAE-ELM作对比实验，结果表明，基于去噪自编码器的镜像极限学习机的综合性能最优，用于分类的网络隐含层节点数最少.     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题,设计了镜像极限学习机.该算法使用伪逆法确定输入权值,随机生成输出权值和偏置,在对数据进行分类时,它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性,将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取,并将提取到的特征作为镜像极限学习机的输入数据,再进行网络训练.在无噪和含噪声的MNIST,Fashion MNIST,Rectangles和Convex数据集中,将基于去噪自编码器的镜像极限学习机与ELM,PCA-ELM,SAA-2和DAE-ELM作对比实验,结果表明,基于去噪自编码器的镜像极限学习机的综合性能最优,用于分类的网络隐含层节点数最少.     

防空信息战效能模糊评估的一种新算法

为了实现防空信息战效能的模糊评价,清除指标隶属度中对目标分类不起作用的冗余值,用基于熵的数据挖掘方法,通过挖掘隐藏在各指标隶属度中关于目标分类的知识信息,理清目标分类与指标隶属度之间的关系,定义区分权清除指标隶属度中对目标分类不起作用的冗余值,并提取有效值计算目标隶属度.防空信息战效能模糊评价的事例分析表明:具有多指标属性的决策问题,为了排除冗余值的干扰,则隶属度转换模型可作为有效的方法.基于熵的数据挖掘方法有效解决了模糊评价中冗余数据的干扰,从而解决了一大批多指标的决策问题.     

EEG classification based on probabilistic neural network with supervised learning in brain computer interface

Aiming at the topic of electroencephalogram (EEG) pattern recognition in brain computer interface (BCI), a classification method based on probabilistic neural network (PNN) with supervised learning is presented in this paper. It applies the recognition rate of training samples to the learning progress of network parameters. The learning vector quantization is employed to group training samples and the Genetic algorithm (GA) is used for training the network’s smoothing parameters and hidden central vector for determining hidden neurons. Utilizing the standard dataset I(a) of BCI Competition 2003 and comparing with other classification methods, the experiment results show that the best performance of pattern recognition is got in this way, and the classification accuracy can reach to 93.8%, which improves over 5% compared with the best result (88.7%) of the competition. This technology provides an effective way to EEG classification in practical system of BCI.     

用粗糙集构造基于知识的模糊多层感知器

提出了用粗糙集理论构造模糊多层感知器的方法。使用粗糙集从样本信息表中抽出关于领域的规则以及规则的精确度和覆盖度。网络的结构由已经抽取的规则映射而成,初始连接权由规则的精确度和覆盖度确定。论文给出了基于信息熵的知识的简算法。运用于水稻虫害分类的试验结果表明：这种基于知识的模糊多层感知器与传统感知器相比,具有较少的隐层节点,并能做出正确的特征分类。     

多维特征空间中模式分类神经网络的一种设计方法

提出了一种在多维空间Ｒｎ中模式分类神经网络设计的新方法。可确定网络的拓扑结构，包括隐层、隐元个数及连接权系数。特别是由于二次阈值神经元的特例——超球面阈值神经元的使用，对特征空间Ｒｎ的分割比使用超平面阈值神经元时需利用Ｖｏｒｏｎｏｉ图进行凸区域分割简便的多。因而设计成的神经网络结构清楚直观。     

Novel method of mining classification information for SVM training

Support vector machine(SVM) is an important classification tool in the pattern recognition and machine learning community,but its training is a time-consuming process.To deal with this problem,we propose a novel method to mine the useful information about classification hidden in the training sample for improving the training algorithm,and every training point is assigned to a value that represents the classification information,respectively,where training points with the higher values are chosen as candidate support vectors for SVM training.The classification information value for a training point is computed based on the classification accuracy of an appropriate hyperplane for the training sample,where the hyperplane goes through the mapped target of the training point in feature space defined by a kernel function.Experimental results on various benchmark datasets show the effectiveness of our algorithm.     

深度信念网络(DBN)网络层次数量的研究及应用

针对DBN网络隐含层层数难以选择的问题,从通信原理、信息理论以及实验数据等多方面出发,研究了深度信念网络(DBN)隐含层的层次趋势问题。根据各个隐含层输出层不同类图片的互相关系数之间的关系,提出了一种根据互相关系数确定网络深度的方法,证明了当深度学习时,隐含层输出的样本之间的互相关系数达到1(0)或~(-1)时,或者样本之间的互相关系数不再改变时,进一步增加层次对提高分类正确率是没有帮助的。在训练的过程中随机的选取图片,使其更具有普适性。手写体数据库实验和应用于CIFAR~(-1)0图像库的数据表明,该方法能够有效提高训练速度。     

基于深度信念网络的肺结节良恶性分类

肺结节的良恶性分类是计算机辅助诊断系统中最重要的部分,目前常用的分类方法有分类精度低、假阳性高等问题。针对上述问题,把深度信念网络(DBN)引入肺结节的良恶性诊断过程中,提出自定义的DBN分类算法。首先从不同的角度提取肺结节特征,并形成特征向量。然后根据提取的特征对三个隐藏层的节点数进行分析;并构建了一个5层深度信念网络。最终使用训练样本对DBN进行训练;并输出网络的测试结果。对175个病例进行试验,结果表明:算法的分类精度、敏感性和特异性分别为95.3%,92.5%和93.2%,ROC曲线下面积为0.921。与传统算法相比有更好的分类效果,可以给医生提供客观的辅助诊断。