融合FCN和LSTM的视频异常事件检测

针对传统视频异常检测模型的缺点,提出一种融合全卷积神经(FCN)网络和长短期记忆(LSTM)网络的网络结构.该网络结构可以进行像素级预测,并能精确定位异常区域.首先,利用卷积神经网络提取视频帧不同深度的图像特征;然后,把不同的图像特征分别输入记忆网络分析时间序列的语义信息,并通过残差结构融合图像特征和语义信息;同时,采用跳级结构集成多模态下的融合特征并进行上采样,最终获得与原视频帧大小相同的预测图.所提网络结构模型在加州大学圣地亚哥分校(UCSD)异常检测数据集的ped 2子集和明尼苏达大学(UMN)人群活动数据集上进行测试,均取得了较好的结果.在UCSD上的等错误率低至6.6%,曲线下面积达到了98.2%,F_1分数达到了94.96%;在UMN上的等错误率低至7.1%,曲线下面积达到了93.7%,F_1分数达到了94.46%.     

基于双尺度串行网络的视频异常行为检测

针对传统视频异常行为检测模型存在的性能不佳与时间开销较大的问题，从空间和时序维度构造双尺度串行网络的视频异常行为检测模型(Dual-Scale Serial Network,DSS-Net)。首先，利用深度可分离卷积对Vgg-16网络进行改进，并利用改进的特征提取器从空间维度提取特征，从而可以通过减少计算参数量来降低模型的时间开销。接着，在此基础上引入注意力机制，从而强化目标特征的表达能力。最后，利用长短期记忆(Long Short-Term Memory,LSTM)网络从时序维度提取运动视频每一帧之间的上下文时序关系。在当前主流的UCSD Ped1和Ped2数据集以及更具挑战性的UCF数据集上进行测试，结果表明，在3个数据集上DSS-Net的ROC(Receiver Operating Characteristic)线下面积(Area Under Curve,AUC)值分别达到95.30%、96.80%、80.60%，等错误率(Equal Error Rate,EER)分别达到10.60%、12.60%、18.50%，同时具有更强的实时性。相比经典的One-class Neural Network (ONN)和Aggregation of Ensembles (AOE)模型，DSS-Net在Ped1和Ped2数据集上的AUC值分别提升了0.42%和0.94%。此外，DSS-Net也在UMN、ShanghaiTech和CUHK Avenue等数据集上进行了泛化能力和鲁棒性的测试，结果与当前主流模型相比具有一定的竞争力。     

一种优化FCN的视频异常行为检测定位方法

在视频异常行为检测过程中,为了提取出可分辨性更好的特征,同时兼顾运行速度,提出一种基于优化的全卷积网络(full convolution network,FCN)的异常行为检测与定位方法.对FCN进行优化,使用卷积神经网络(convolution neural network,CNN)的数个初始卷积层和一个额外卷积层,生成同时描述运动和形状的区域向量集;使用高斯分类器对特征向量集进行验证,将存在显著差异的分块标记为异常,将低拟合置信度的可疑区域输入到稀疏自动编码器中;对异常行为进行定位,并将异常行为的位置传回FCN.所提方法在UCSD和Subway这2个公开数据集上进行验证分析.实验结果表明,所提方法在受试者操作特征(receiver operation characteristic,ROC)曲线、等错误率(equal error rate,EER)和曲线下面积(area under curve,AUC)性能方面表现优秀,且运行速度达到60 frame/s,实时性较为优秀.     

基于稀疏表示和低秩逼近的自适应异常事件检测算法

针对传统异常事件检测算法没有考虑视频数据低秩特性的问题,提出了基于低秩稀疏编码模型的字典学习算法。对提取的多尺度三维时空梯度特征进行K-均值聚类。利用低秩稀疏编码模型进行每一个特征聚类的字典学习。通过迭代聚类和字典学习获取所有的正常行为模式。采用公共数据集UCSD Ped1和Avenue检测该算法的性能。与社会力(SF)、混合概率主成分分析(MPPCA)、社会力-混合概率主成分分析(SF-MPPCA)、混合动态纹理(MDT),Adam、子空间(Suspace)、稀疏组合学习框架(SCLF)7种方法对比,该文算法具有较高的正确率和较强的实时性。     

基于反向传播算法神经网络的信用评分系统预测力研究

为了提高信用评分系统的预测准确性和稳定性，建立了基于反向传播（BP）算法神经网络的信用评分系统，并提出信用评分系统预测力和预测稳定性验证的新方法．结合信用评分问题的实际特点建立了模型并确定了参数，然后采用一种正向选入法确定输入变量，进行模型训练，并通过引入接收器操作特征曲线的分析理论、曲线面积（AUC）值及信息理论等评价方式，对所构造的神经网络信用评分系统预测力进行评价，最后利用自抽样法构造出多个验证样本来评估信用评分系统的稳定性．与传统的逻辑信用评分系统的比较结果表明，BP神经网络信用评分系统具有更高的预测准确性和稳定性，其AUC值平均提高0．0367，AUC值的标准误差平均降低0．005．     

基于OS-ELM和SDAE的Wi-Fi入侵检测方法

为解决大多数Wi-Fi网络入侵检测方法实时性差、误报率高等问题,提出一种基于在线序列极限学习机(OS-ELM)的实时Wi-Fi网络入侵检测系统模型.首先,考虑到实验样本数据中正常与异常数据极不平衡的问题,采用SMOTE算法对数据样本中的异常数据和正常数据进行平衡处理操作,使分类器的分类效果不受样本数据集中多数类样本的影响.然后使用栈式降噪自编码网络(SDAE)对平衡后的数据进行降维,消除无关或冗余特征降低检测建模规模,避免维度灾难.最后,在AWID数据集进行处理并输入到OS-ELM分类器中,结果表明:与其他基于浅层学习算法的检测方法相比,所提方法可有效地精简数据特征,降低了检测时间,同时在检测精度和误报率方面也体现出了更优性能.     

基于MGF的等增益合并下能量检测性能分析

针对基于概率密度函数方法分析能量检测引起的计算复杂问题,提出基于矩生成函数(MGF)方法分析衰落信道下的能量检测性能,并用受试者工作特征曲线(ROC)及其面积曲线(AUC)定量分析信道衰落对检测性能的影响.推导无合并下的平均检测概率的闭式表达,同时给出计算平均AUC的闭合表达式.针对衰落信道引起检测性能下降,用等增益合并提高检测性能,通过Padé逼近原理得出等增益合并输出信噪比的近似MGF,进而推导等增益合并下的近似平均检测概率和平均AUC.仿真结果表明,理论表达式与蒙特卡洛仿真结果吻合,且合并分支每增加1,漏检概率大约降低为原来的1/10.     

基于MeAEG-Net的异常流量检测方法研究

异常流量检测现有方法大都是基于有监督的学习,在现实生活中获取并标记异常流量数据样本是极为困难的,存在诸多限制.此外,由于网络异常数据的多样性和复杂性,各种检测方法的自适应性较差,对新出现的异常流量难以判断.针对上述问题,本文设计了一个基于生成对抗网络和记忆增强模块的半监督异常流量检测框架MeAEG-Net（Memory Augment Based on Generative Adversarial Network）,通过只训练正常流量样本数据,比较生成器模块输入流量底层特征的重构误差来达到检测异常的目的.在模型中使用生成对抗网络来更好地训练生成器,生成器采用自编码器加解码器的结构来解决自编码器易受噪声影响的问题,并在自编码器子网络中添加记忆增强模块来削弱生成器模块的泛化能力,增大异常流量的重构误差.实验证明,本文提出的方法能在只学习正常流量数据样本的前提下达到很好的异常流量检测效果.     

基于自注意力机制的网络流量异常检测方法

网络中异常流量的有效检测对网络安全至关重要.以机器学习方法为主的异常流量检测技术,对流量数据采用特征选择方法进行降维并提取最优特征,但容易忽略数据特征之间的关联性,存在异常流量的检测率低、误报率高等问题.为了提高异常流量检测性能,论文在提取流量数据特征的过程中引入自注意力机制进行相关性学习,并结合深度卷积神经网络提出一种有效的网络流量异常检测模型.实验结果表明：通过引入自注意力机制,论文所提出的检测方法能够提取更准确的流量特征,并使得异常流量检测率高、误报率低.     

基于不同样本比例与超参数优化的滑坡易发性评价——以重庆市武隆区为例

【目的】以重庆市武隆区滑坡与非滑坡样本作为研究对象,探究不同滑坡与非滑坡样本比例与超参数优化对滑坡易发性模型准确性的影响。【方法】选取距河流距离、地形湿度指数、多年平均降水量、坡向、曲率、地形起伏度、距道路距离、坡度、POI核密度、归一化植被指数、高程等11个因子作为影响因子,在1∶1～1∶10作为正负样本比例范围内,采用网格搜索法与贝叶斯优化,基于XGBoost模型对研究区样本的滑坡易发性进行评价。【结果】随着样本数量中非滑坡数量的逐渐增加,XGBoost模型准确率逐步提升,曲线下面积（AUC）未发生明显改变,且较高、高易发区面积逐步减少,低、较低易发区面积逐步增加;基于超参数优化后XGBoost模型AUC值均得到提升,且贝叶斯优化后的XGBoost模型的滑坡易发性评价精度与运行速率更优。【结论】以1∶10作为正负样本比例,通过贝叶斯优化所构建的基于XGBoost模型的武隆区滑坡易发性模型具有更好的预测能力与预测稳定性。     

基于经验耦合函数的动态运行参数异常检测

随着工业智能化的发展，工业生产系统中的工业设备都具备了智能管控系统，其中重要需求之一是智能异常检测。实现智能异常检测通常需要从动态运行参数入手，但动态运行参数的流式数据形式以及高维数据耦合给可靠、高效的异常检测带来了很大困难。为此，文中提出了一种基于联合分布的动态运行参数异常检测方法。该方法首先从实时检测和整体检测两个角度对动态运行数据进行采样，然后结合经验耦合函数对联合分布进行建模，最后根据模型得到异常分数来判断异常。通过在大渡河流域水电站排水系统的排水泵动态运行参数数据集上的实验验证表明，该方法相比传统的异常检测方法效率更高，并且在AUC值和平均精确率上均有提升。同时，该方法的可解释性也为工作人员故障排除以及后续维护提供了可靠依据。     

基于流时间影响域的网络流量异常检测

针对如何提高网络流量异常行为检测准确率的问题,提出基于网络流时间影响域(TID)的网络流量检测模型.通过分析正常和异常情况下流量网络模型平均度的变化,构建了基于复杂网络平均度指标的网络流量异常检测算法.实验结果表明,基于网络流时间影响域的流量网络模型能合理地描述网络流量间的依赖关系,具有良好的检测性能,同时该网络模型仅需时间戳、源IP、目的IP三维网络特征即可实现,检测方法适用于绝大多数网络类型,检测效率优于其他网络流量异常检测方法,具有较高的普适性.     

Anomaly Detection System Based on Principal Component Analysis and Support Vector Machine

This article presents an anomaly detection system based on principal component analysis （PCA） and support vector machine （SVM）. The system first creates a profile defining a normal behavior by frequency-based scheme, and then compares the similarity of a current behavior with the created profile to decide whether the input instance is norreal or anomaly. In order to avoid overfitting and reduce the computational burden, normal behavior principal features are extracted by the PCA method. SVM is used to distinguish normal or anomaly for user behavior after training procedure has been completed by learning. In the experiments for performance evaluation the system achieved a correct detection rate equal to 92.2% and a false detection rate equal to 2.8%.     

基于随机森林的车载CAN总线异常检测方法

针对目前车载网络的信息安全问题, 在控制器局域网(CAN)总线异常检测方法的基础上, 提出一种基于随机森林模型的CAN总线报文异常检测方法. 首先用采集的大量正常和异常报文数据构造随机森林模型, 并进行一系列的参数调整; 然后将待检测的CAN总线报文输入到对应ID的随机森林模型中; 最后通过模型完成报文正常或异常的分类. 仿真实验结果表明, 该模型能有效检测出总线上的异常数据, 提升了汽车运行的安全性.     

基于密度子空间孤立森林的异常用电检测

针对传统异常用电检测在面临高维数据中的维数诅咒,以及不相关特征对异常检测的影响,造成检测精度低等问题。提出了一种基于无监督密度子空间选择的孤立森林检测算法。首先,提出了一种有效的基于密度的紧凑数据表示方法,提高了子空间选择策略的效率。然后,应用最小冗余-最大相关-密度准则(min-Redundancy-Maximum-Relevance-to-Density , mRMRD),用于选择基于互信息的相关子空间。最后,在相关子空间中构建隔离树并集成孤立森林,实现对异常用电数据的检测。通过实验分析,与传统检测算法相比,所提方法在准确率、ROC曲线下面积（Area Under Curve,AUC）、F1-Score指标上均有提升,提高了异常用电检测的效果。同时,灵敏性分析也验证了无监督密度子空间孤立森林检测算法的有效性。     

基于域泛化的工业设备无监督异常声音检测算法

在工业场景中,因为设备异常现象的罕见性和高度多样化,以及机器的操作条件或环境噪声在训练和测试阶段的不同,会改变训练和测试数据之间的声学特性。为解决上述问题,提出一种基于联合深度学习和变分贝叶斯高斯混合模型的无监督异常声音检测算法。通过两种神经网络联合训练进行信息提取,并利用变分贝叶斯高斯混合模型对其所获得的嵌入进行聚类分析;引入一种新的混合示例数据增强方法,用多种方式相结合的替代方法来生成示例,以对齐不同域之间的分布;应用了一种改进的子集群AdaCos损失函数,以排除潜在的异常值。实验结果表明,该方法在三种工业机器类型的数据集上目标域的平均曲线下面积达到了79.03%,平均F₁分数达到了67.23%;对比基线模型,谐波平均值提升约20%,在工业设备无监督异常声音检测中表现良好。     

基于三维空间模型的毫米波蜂窝网络覆盖概率分析

毫米波蜂窝网络通常在二维空间下建模和性能分析.二维模型适合基站分布稀疏的郊区,但是并不适合城市环境下密集蜂窝网络的性能分析.基于随机几何理论提出三维空间模型.该模型假设基站分布为三维泊松点过程;阻碍模型为视距(line of sight,LOS)球模型;信道为Nakagami-m衰落信道;收发端使用大规模天线阵列获得最大的波束成形增益.基于该模型,给出了三维空间下目标用户和最近基站距离的概率密度函数,推导出目标用户的平均覆盖概率,通过蒙特卡洛仿真实验与二维模型的性能进行了对比,分析了路径损耗、蜂窝半径、天线的波束宽度和天线增益等参数变化对平均覆盖概率的影响.实验结果表明,在密集的城市环境下,三维模型对毫米波蜂窝网络的性能分析更加精确.     

基于结构面粗糙度随机场表征的抗剪强度变异性

岩体结构面抗剪强度参数具有变异性是客观事实,而受限于室内外直剪试验成本而导致抗剪强度变异性指标获取困难是目前制约岩质边坡可靠度评价发展的主要原因之一。鉴于此,本文提出了一种利用少量实测结构面粗糙度曲线样本和岩块物理力学参数,结合JRC-JCS剪切强度模型、随机场理论和非侵入式离散元数值试验,获取结构面抗剪强度参数变异性指标的方法。将此方法应用于某隧道进口段岩质边坡可靠度评价中,研究发现：（1）该岩质边坡主控结构面粗糙度纵坐标方差为0.012 5 cm2,相关距离为0.75 cm,生成的随机粗糙度曲线与实测样本相似;（2）结构面粘聚力和内摩擦角均值分别为0.427 MPa和54.9°,标准差分别为0.229 MPa和4.47°,变异系数分别为53.63%和8.14%;（3）此边坡稳定性系数服从正态分布,失稳概率为2.8%,可靠度为1.52。