基于生成对抗网络的入侵检测类别不平衡问题数据增强方法

数据类别不平衡问题是制约机器学习技术在入侵检测领域应用效果的重要因素。当训练数据不均衡时,训练得到模型的分类结果往往倾向多数类,从而极大影响分类效果。针对基于机器学习算法进行入侵检测时训练样本不均衡以及由于数据隐私性导致训练样本不足和更新慢的问题,提出一种基于生成对抗网络和深度神经网络相结合的入侵数据增强方法,以实现样本集的类别均衡。通过NSL-KDD数据集对模型评估,本文所提方法不仅具有较高的准确率,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率。     

余可图子拟阵中合格子集的存在性

根据Seymour分解定理，一个3-连通的正则拟阵如果不是可图的，余可图的，也不同构于二元域上的一个5行10列矩阵对应的向量拟阵R₁₀,那么这个正则拟阵一定可以写成其中两个子式的3-和，而两个子式中有一个子式是可图的或者余可图的.特别地，当其中一个子式是余可图拟阵时，如果这个子式中存在非空合格子集，那么正则拟阵的超欧拉性与它收缩这个合格子集后所得子拟阵的超欧拉性等价.本文讨论了此类正则拟阵M在余围长不小于max{(r(M)+1)/10,8}且围长不小于4时非空合格子集的存在性.     

并列双方柱在偏向流流态下的气动性能

小间距并列双方柱存在独特的偏向流现象，为了进一步揭示并列双方柱在偏向流流态下的气动性能，在雷诺数（Re）为8.0×104、间距比（T/B，其中T为方柱中心间距，B为方柱边长）范围为1.25 ~ 5条件下，通过测压风洞试验方法研究了并列双方柱的表面风压、气动力、Strouhal数等气动参数随间距比的变化规律，重点探讨了发生偏向流现象时气动力的时频特性和气动力展向相关性. 并列双方柱的偏向流现象主要发生在T/B = 1.25~2的范围内，气流的偏转方向具有随机性，这一现象会随间距比的增大而逐渐消失；发生偏向流现象时，两个方柱的平均阻力系数、脉动风压系数均小于单方柱，但两个方柱间隙侧壁面受到的负压远强于单方柱；与宽尾流方柱相比，窄尾流方柱的平均阻力系数更大，脉动气动力系数更大，间隙侧壁面受到平均负压更强，气动力系数沿方柱展向的相关性更强.