基于EMD能量占比的海面漂浮小目标特征检测

针对传统的时频分析方法对海杂波分析有限的问题，提出一种基于经验模态分解(empirical mode decomposition, EMD)能量占比的海面漂浮小目标特征检测方法。首先，采用EMD将接收回波分为独立不同尺度的若干个固有模态(intrinsic mode function, IMF)分量，实现对接收回波的频率从高频到低频的分解。然后，分别建立IMF分量与接收回波数据的相关系数，并利用平均均值-标准差之比作为筛选IMF分量的准则，自动筛选出能量较大且波动平稳的低阶IMF分量。最后，提取IMF分量在原始信号中的平均能量占比作为特征，利用蒙特卡罗方法设置门限，进行海面目标异常检测。实测数据的结果显示，所提算法的性能优于对比算法。     

基于铜金复合纳米材料的半胱氨酸检测

铜金复合纳米材料作为一种新型探针，可灵敏地选择性检测半胱氨酸。在碘离子存在的情况下，半胱氨酸能够使铜金复合纳米材料的吸收峰信号增强，从而实现半胱氨酸的定量检测，检测限为0.06 mmol/L，线性范围为0～1 mmol/L。与其他氨基酸相比，铜金复合纳米材料传感器对半胱氨酸显示出良好的选择性，所制备的铜金复合纳米材料无需任何处理即可直接用于检测体系，大大简化了检测流程，具有简单、快捷和选择性高等优点，可作为半胱氨酸检测的有力工具。     

基于淀粉经济、无毒的比色潜指纹检测

构建了一种基于淀粉的经济、无毒、实时的潜指纹比色检测方法.利用淀粉与指纹之间的氢键和范德华力作用,使淀粉有效识别出无孔和多孔基底上的潜指纹.通过将不同颜色的植物染料混合进淀粉,解决了由淀粉与基底之间顺色导致的检测对比度差的难题.该方法还表现出对老化潜指纹和重叠潜指纹的良好检测效果.     

基于特征选取与树状Parzen估计的入侵检测

针对目前网络空间安全形势快速变化带来的新风险和新挑战, 提出一种基于相关性分析的特征选取和树状Parzen估计优化的入侵检测方法。首先, 通过基于相关性分析的数据特征选取方法对数据维度进行压缩。其次, 对原始数据集进行特征筛选, 生成新的特征子集。最终, 使用序列模型优化算法中的树状Parzen估计算法对随机森林算法进行模型优化。实验结果表明, 相比其他应用机器学习算法的入侵检测方法, 所提方法在提升综合性能的同时拥有更高的检测效率, 有效地提升了入侵检测技术的实用性。     

基于函数调用序列模式和函数调用图的程序缺陷检测方法

基于函数调用模式挖掘的程序缺陷检测方法通常挖掘出的模式较多,疑似缺陷数量大,人工确认疑似缺陷开销高,且易引入误判.为此,该文提出一种基于函数调用序列模式和函数调用图的程序缺陷检测方法.首先,挖掘函数调用序列模式;其次,通过分析待检测程序,生成函数调用图;第三,结合函数调用序列模式和函数调用图,检测程序中的疑似缺陷.实验结果表明,在不影响缺陷检测效果的前提下,本方法有效减少了疑似缺陷数量,降低了人工确认开销.     

基于电路活性测度的硬件木马检测方法

针对硬件木马的隐蔽性强和检测效率低等问题,提出一种基于电路活性测度的硬件木马检测方法.通过从恶意攻击者的角度分析电路,在电路的少态节点处植入木马激活模块(TAM),该方法可有效提升电路的整体活动性,进而提高硬件木马的激活度.以ISCAS'89基准电路S713为研究对象进行仿真验证,实验结果表明:TAM结构可将电路活动性提升1.7倍.在此基础上建立基于FPGA的测试平台开展侧信道分析实验,并采用主成分分析方法,实现低活性硬件木马的检测.     

租赁设备的状态维修决策建模与优化

随着物联网技术飞速发展,租赁设备大多安装有传感系统,可以及时地对设备关键部件和整体运行状态进行检测,进而可基于设备的健康状态为其安排更为合理的维修方案,在降低租赁商维修费用的同时,尽量少地干预客户的正常施工,并且保证租赁设备在客户施工场所的可靠运行.本文研究了基于状态检测的租赁设备的最优维修问题,研究中引入了顺序状态检测,定义了基于状态的控制限维修策略,并建立了以维修开销最小为目标的解析模型,以决策系统最优的检测间隔和预防维修阈值.除检测、维修等基本费用外,模型中还进一步考虑了租赁系统的故障罚金和故障后维修超时罚金.在模型的求解中,推导了维修干预下设备任意时刻的检测概率和状态概率分布,作为模型构建和求解的依据.数值实验结果验证并表明了面向租赁设备的基于状态的维修策略的有效性.     

基于GBDT和HOG特征的人脸关键点定位

人脸关键点检测是计算机视觉领域的一个重要分支,其检测精度将在很大程度上影响人脸识别和表情分析的结果.提出一种新的解决人脸关键点检测问题的方法,即H-GBDT.H-GBDT是一种基于GBDT决策树和HOG特征的人脸关键点检测算法,该算法是将人脸图像的HOG特征作为GBDT的输入,关键点的真实坐标作为GBDT的输出来训练预测模型,在该过程中每个关键点将分纵坐标和横坐标两次在GBDT中做回归运算,并经过不断的调整GBDT和HOG特征的参数来训练出最佳预测模型.在BioID、LFW、LFPW三种数据集上验证H-GBDT算法的性能.BioID是正脸数据集,实验结果表明H-GDBT在该数据集上的检测效果最佳,其检测误差基本上可控制在2%以内;而LFW和LFPW是自然场景下的数据集,H-GBDT在这两种数据集上的检测误差一般在2%~4%之间.     

基于目标序列分析的智能监控多目标自动检测跟踪

针对道路交通监控场景，提出并实现了一个多目标自动检测与跟踪系统． 首先通过高斯混合模型的运动 信息提取方法得到目标运动信息，并分析了目标信息的连续多帧历史信息， 估计目标区域信息在连续多帧中的统 一性，进而通过信息融合的方式得到了目标检测结果． 然后提出了监控场景下多目标的跟踪与管理策略， 根据目标 检测结果，对场景中的多个目标同时进行跟踪．最后， 根据目标的不同状态将目标划分为新出现目标、被更新目标 和被跟踪目标等不同的类别，提高目标跟踪的准确性．