一种基于多元异常分析的网络自主防护机制

基于网络自保护理论和多元异常分析方法,提出一种网络攻击自主防护机制.根据PDRR理论模型,设计网络自保护系统主要功能模块.运用多元异常分析方法,提出基于网络流的多元异常分析网络攻击检测算法.该算法根据网络流测量指标的异常偏差值对其分类,并对分类网络流分配路由调度优先级,削弱网络攻击对正常网络通信流的影响.实验结果表明,提出的网络自主防护机制能显著提高网络系统应对攻击行为的防御能力.     

基于自动编码器和长短时记忆网络的智能汽车故障诊断方法研究

智能汽车故障诊断技术对于保障智能汽车安全行驶具有重要意义,本文针对智能汽车传感器数据异常检测和车辆运动的异常检测提出了一系列故障诊断方法. 针对非时序传感器数据,采用基于超限学习框架的自动编码器,对正常数据进行特征压缩学习其特征表示,再利用压缩的特征重构数据,根据重构误差的大小判断数据是否异常. 针对时序传感器数据,采用多层长短时记忆网络学习时序数据之间的时间依赖关系来预测当下时刻的数据值,根据预测误差的大小判断数据是否异常. 提出一种阈值随误差大小动态变化的自适应阈值确定方法,使得决策变量对于异常值相对敏感. 进一步地,采用车辆自行车运动学模型和Kalman滤波,利用Jarque-Bera测试对预测值和量测值残差的正态性进行检验来检测车辆运动是否异常. 实际场地测试验证了本文所提出的方法可以有效检测非时序或时序传感器数据的异常,并对车辆运动是否异常进行检测.     

智能视频分析的车辆异常行为检测方法

针对目前车辆异常行为检测中的检测实时性问题,提出了一种基于智能视频分析技术的车辆异常行为检测方法。车辆出现异常行为时车辆位置变化、速度变化及运动方向变化较大。通过背景差分法检测运动车辆,并采用均值漂移算法跟踪运动车辆,获取车辆位置、速度、运动方向等车辆异常行为判别参数,对3种判别参数的状态函数加权融合检测车辆行为。为验证该算法的有效性,将对真实交通场景中采集的交通视频进行车辆运行状态检测实验。实验结果证明该算法能及时有效地检测出交通场景中的车辆异常行为。     

实时异常轨迹检测方法及其应用

利用内置GPS的移动终端可以获取移动对象的运动轨迹,可用于分析移动对象的运动行为.在公共交通、医疗监护、物流运输等应用领域,移动对象的运动轨迹受路网约束且大多需要预先设定.考虑到偏离预先设定的正常轨迹可能预示着某种异常,及时准确地进行异常轨迹检测是非常必要的.从时间序列分析的角度,提出一种实时异常轨迹检测算法,在预先设...     

内河渡船异常行为识别

目前,内河渡运监管模式主要是基于VTS、AIS的人力分析判断,属于被动监管,其效率难以应对日益严峻的水上安全监管形势.本文利用核密度估计对渡船历史AIS数据进行统计分析,挖掘渡船运动模式,得到渡船位置、航向和航速等运动特征的概率密度空间分布.在此基础上,建立基于位置异常和区域速度异常的渡船异常行为检测算法,并选择真实渡船AIS数据对算法进行检验.结果表明,该算法能够准确地辨识出渡船的异常行为,对水上监管具有辅助作用.     

基于快速稀疏编码与惊奇计算的视频异常检测方法

提出一种可用于视频中群体异常和个体异常检测的方法,即先用快速稀疏编码算法生成字典,再用字典表示测试特征样本,并以重构误差作为目标函数进行异常判别;对于群体异常,用块匹配运动估计代替耗时的整帧光流计算,生成多尺度运动直方图,有效地减少了计算复杂度;对于个体异常,提取HNF特征,若稀疏表达的重构误差超过阈值,则用惊奇计算进行二次检测,判断其是否为噪声导致的虚警,计算字典中已包含和未包含的不同特征描述子之间的差别,若判别出虚警,则更新字典减少后续检测中噪声干扰的虚警数.实验表明,算法有效地提高了检测率,降低了计算复杂度,且易于实现.     

基于视频的人体异常行为检测与识别

提出了一种运动目标检测算法,通过三帧差分法,可以从视频图像中提取出运动目标的轮廓.通过三帧差分法分别对人体正常行走和人体摔倒两种行为进行检测,提取出人体在两种行为的运动过程中的特征.提出一种基于改进Hu矩不变性的人体异常行为识别算法,对人正常行走和摔倒两种行为进行识别.正常行走是正常行为,摔倒则为异常行为.实验证明,该方法对在本研究的实验环境下的正常行走和摔倒两种行为识别率很高,有一定实用价值.     

基于张量分解的跑动行为检测

异常行为检测是智能安全监控的重要内容,而异常行为特征的提取是一个难点.张量作为高维数据的自然表现形式能有效保留数据的结构信息提取到运动目标.本文将张量分解应用于数字视频处理,然后对稀疏前景张量时间轴方向上的纤维束做频域处理进一步优化运动前景;最后使用多层卷积神经网络结构对运动目标的跑动行为进行识别.仿真对比实验证明了基于张量分解的方法比传统方法处理效果更好、在实测视频中本文跑动行为识别率达到81.4%.     

基于聚类的兴趣区域间异常轨迹并行检测算法

轨迹异常检测能够用来分析移动对象的异常运动行为,在交通运输、医疗监护等领域都有广泛应用.兴趣区域是移动对象集中活动的区域.本文提出了一种新的兴趣区域间异常轨迹检测算法(Detecting Anomalous Trajectories Between Interest Regions,DATIR).不同于已有的从局部采样点进行检测的算法,DATIR算法综合考虑了轨迹的局部特征和全局特征,利用聚类方法检测兴趣区域间的异常轨迹,并能挖掘出兴趣区域间的正常路径.为了提高海量轨迹数据的异常检测效率,在DATIR算法的基础上,提出了一种并行检测算法(Parallel Algorithm for Detecting Anomalous Trajectories Between Interest Regions,PDATIR).实验结果表明,DATIR算法能够有效地检测兴趣区域间的异常轨迹,并且能够检测出兴趣区域间的正常轨迹;PDATIR算法在大数据集上表现出了明显的性能优势,具有较好的可扩展性和较高的加速比.     

基于泊松方程的异常行为检测

异常行为检测是家居监护系统的重要功能之一。提出了一种基于泊松方程的特征提取算法,并采用K均值算法实现人体异常行为——跌倒的检测。首先采用基于混合高斯模型的运动目标检测算法获得运动人体的二值图像序列;然后,对图像序列提取基于二维泊松方程的矩特征描述人体行为;最后采用K均值分类器对异常行为进行检测。所使用的数据库包括6种可能发生的日常行为:站立、走、慢跑、坐、蹲,以及跌倒。实验表明,采用该算法检测异常行为——跌倒的正确识别率为98.72%。