基于变分自编码器的飓风轨迹异常检测方法

飓风常会引起无法估计的人身和经济损失,飓风轨迹异常检测可以为灾情提供辅助信息或异常告警.从深度学习的角度出发,提出了基于变分自编码器的飓风轨迹异常检测方法Variational Auto-Encoder Outlier Detection,VAEOD).利用滑动窗口将长度不等的轨迹序列变成等长的子轨迹序列作为变分自编码...     

基于Transformer-VAE的ADS-B异常检测方法

针对现有的异常检测算法无法同时捕捉广播式自动相关监视(automatic dependent surveillance-broadcast, ADS-B)报文序列中的长程依赖关系、随机性以及整体性特征的问题,提出了基于Transformer变分自动编码器(variational autoencoder, VAE)的ADS-B异常检测算法,以Transformer编码器和解码器作为VAE的推断网络和生成网络来学习ADS-B报文序列的时序分布。由Transformer编码器的自注意力机制建模序列中的长程依赖关系,生成反映报文序列整体性特征的随机变量,并采用一个特殊的融合模块融合该随机变量与Transformer解码器的输出以实现报文的重构,最终通过重构误差来检测异常。实验表明,所提出的方法在不同攻击场景下,均优于相关基线算法。     

面向不平衡数据的网络流量异常检测方法

针对小流量攻击样本稀少导致特征提取准确性低进而影响检测性能的问题,提出一种面向不平衡数据的网络流量异常检测方法.设计流量异常检测模型:变换堆叠降噪自编码器Stacked Denoising Autoencoder,SDA)激活函数、结构、噪声比例及ropout率,学习不同特征空间流量特征,解决单一空间小流量攻击特征提取...     

基于深度强化学习算法的无人机智能规避决策

为提升无人机在复杂空战场景中的存活率,基于公开无人机空战博弈仿真平台,使用强化学习方法生成机动策略,以深度双Q网络(double deep Q-network, DDQN)和深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法为基础,提出单元状态序列(unit state sequence, USS),并采用门控循环单元(gated recurrent unit, GRU)融合USS中的态势特征,增加复杂空战场景下的状态特征识别能力和算法收敛能力。实验结果表明,智能体在面对采用标准比例导引算法的导弹攻击时,取得了98%的规避导弹存活率,使无人机在多发导弹同时攻击的复杂场景中,也能够取得88%的存活率,对比传统的简单机动模式,无人机的存活率大幅提高。     

融合WaveNet和BiGRU的网络入侵检测方法

为解决当前入侵检测算法对于网络入侵的多分类准确率普遍不高的问题, 鉴于网络入侵数据具有时间序列特性, 提出一种融合WaveNet和双向门控循环单元(bi-directional gated recurrent unit, BiGRU)的网络入侵检测方法。为解决原始攻击数据分布广、离散性强的问题, 首先对数据进行独热编码及归一化处理, 之后使用WaveNet进行卷积操作, 对数据进行序列缩短处理, 同时使用最大、平均池化融合的方法全面提取数据特征, 最后由BiGRU完成对模型的训练并实现分类。基于NSL-KDD、UNSW-NB15以及CIC-IDS2017数据集进行了对比实验, 结果表明, 所提方法对于上述数据集的准确率分别能够达到99.62%、83.98%以及99.86%, 较同类型的CNN-BiLSTM分别提升了0.4%、1.9%以及0.1%。     

一种基于混合分类器的异常检测模型

针对网络的异常检测方法对未知攻击难以提供更多有用信息的缺点,提出一种基于分类器的异常检测模型。模型首先采用支持向量机对网络连接进行异常检测,然后将检测获得的异常作为输入进入聚类模块以得到其更多信息,其中聚类模块由自组织映射算法与信息获取算法共同完成。通过对检测到的异常进行信息获取的方法可以获得未知入侵的更多有价值的信息。最后应用kddcup99数据集进行仿真实验,实验结果表明,该检测模型具有较好的检测率和较低的误报率,并且该模型对于获得未知入侵的更多信息是有效的。     

结合栈式自编码及长短时记忆的入侵检测研究

针对网络攻击越来越隐蔽,且具有智能化和复杂化的特点,浅层的机器学习已经无法及时应对,提出了一种基于SDAE(Stacked Denoising Autoencoder)和LSTM(Long Short-Term Memory)相结合的深度学习方法.通过堆叠深层的SDAE智能逐层抽取网络数据的分布规则,结合各个编码层的系...     

基于深度贝叶斯网络学习的不确定性建模方法

战场态势评估涉及很多不确定因素,对不确定性进行仿真建模能够提高态势评估的能力。针对参战对象多元、不确定性增多导致的无法全面准确表达不确定性问题,提出了基于记忆模块和变分自编码器的深度贝叶斯网络模型。采用生成模型设计了基于深度贝叶斯网络学习的态势评估模型;阐述了融合记忆模块的深度生成模型原理和模型的学习与推理过程;以某空袭行动为例构建贝叶斯网络,对所提方法进行了验证。结果表明:深度神经网络能够逼近隐变量的非线性变换,设计的记忆模块能存储深度神经网络提取的大量局部特征,通过学习自动得到了贝叶斯网络条件概率,增强了不确定性建模能力。     

基于一维堆叠池化融合卷积自编码器的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中特征提取及识别问题, 提出了一种基于一维堆叠池化融合卷积自编码器(one-dimensional stacked pooling fusion convolutional autoencoder, 1D SPF-CAE)的识别方法。首先构造一维池化融合卷积自编码器(one-dimensional pooling fusion convolutional auto-encoder, 1D PF-CAE), 在编码阶段, 采用最大池化和平均池化同时提取不同的编码特征并进行融合来提取HRRP的结构特征; 然后堆叠多个1D PF-CAE形成1D SPF-CAE; 最后使用标签数据对网络进行微调, 实现HRRP目标识别。并使用AdaBound算法优化网络训练来提高识别性能。基于弹道中段目标仿真数据的实验结果表明, 该方法具有较强的特征提取能力, 对于HRRP目标识别准确率高、鲁棒性强。     

信号故障检测的自相关方法

本文将信号的自相关特性应用到故障检测中,给出了故障检测的表达式,分别讨论了两类信号的故障检测实现方法,还给出了检测故障的算法。仿真结果表明,自相关方法用于故障检测是可行的。该方法可应用到设备内部自测试中,并可完成周期信号的在线故障检测。     

基于背景重建的高光谱图像异常检测

针对高光谱图像异常检测中背景信息与异常目标信息难以有效区分,背景预测精度不佳的问题,提出一种新的基于背景重建的高光谱图像异常检测算法。通过字典学习方法获取高光谱图像背景光谱字典,并利用该字典对待检测图像进行稀疏重建,得到预测背景图像。将预测背景图像与原始图像做差后得到残差图像,进而利用局部RX检测算法对残差图像进行遍历,实现异常目标检测。通过对真实高光谱图像场景进行实验,证明了算法的有效性。     

基于深度残差神经网络的电阻层析成像及流型辨识方法

针对电阻层析成像(electrical resistance tomography, ERT)反问题成像精度和流型识别准确率偏低的问题,提出一种基于深度残差神经网络的两相流电阻层析成像及流型识别方法。利用有限元法对ERT正问题建模,构造多种气液两相流分布状态的“边界电压–电导率分布–流型类别”数据集。搭建用于气液两相流ERT图像重建和流型辨识的残差神经网络模型并进行网络训练,将残差神经网络的两个输出分别进行数据处理,得到重建的电导率分布图像和流型辨识结果。仿真与静态实验结果表明：该方法能够同时实现成像及流型辨识的需求,具有重建图像精度高、泛化性和抗噪性强、流型辨识准确度高的特点。     

基于脸部特征和头部姿态的疲劳检测方法

针对疲劳驾驶检测方法存在疲劳特征单一、鲁棒性低和不能因驾驶员不同定制疲劳阈值等问题,提出了一种基于脸部特征和头部姿态的疲劳检测方法。利用HOG(histogram of oriented gradients)特征算子和回归树算法进行人脸检测和人脸关键点定位;通过脸部关键点结合坐标系变换估计头部姿态欧拉角;建立深度残差神经网络模型对眼部疲劳特征进行提取,同时结合眼部、嘴部纵横比和头部姿态欧拉角进行疲劳特征提取;利用眼部、嘴部和头部姿态疲劳特征建立针对不同驾驶员的支持向量机模型对疲劳驾驶进行预警。实验表明：在YawDD和自建疲劳模拟数据集上,该方法均表现出较高的准确率和鲁棒性,在某一疲劳特征检测受阻时依然能进行较好的疲劳预警。     

基于重构误差和多块建模策略的kNN故障监测

针对基于k近邻(k-nearest neighbor,kNN)的故障监测算法中,引发故障的异常信息易被正常信息淹没,导致故障检测不及时和报警率低的问题,利用自编码器和多块建模策略提出一种基于重构误差的k NN故障监测方法。该方法利用正常工况数据集训练自编码器模型,基于该模型进行重构误差提取以解决异常信息易被淹没的问题。进一步考虑微小偏移和振荡等故障特征,采用多块建模策略,对各子块分别计算统计量并融合检测。通过一个数值例子与田纳西-伊斯曼(Tennessee-Eastman,TE)过程进行仿真与分析,结果验证了所提方法的有效性与监测性能的提升。     

基于碰撞检测的触觉渲染优化方法

提出了一种基于碰撞检测的触觉渲染优化方法，根据触觉设备的运动状态，在主线程中动态构造一个包围盒，使用方向包围盒（OBB）碰撞检测方法裁减掉大量的不可能“触摸？’到的三角面片集，只渲染可能“触摸’，到的三角面片来。实例分析表明优化后的触觉渲染算法占用时间基本不受场景中三角面片数量的影响，适合虚拟装配场景的触觉渲染。     

基于半定规划多用户检测问题的二次规划法

半定规划是解决极大似然多用户检测问题的一种重要方法,但当问题规模较大时,误码率较高。基于多用户检测问题的半定规划松弛模型,给出了一个二次规划松弛模型。该模型能得到比半定规划模型更好的界。根据这个模型,运用分枝定界方法,可以求得多用户检测问题的次优解。这种方法改善了用户多时半定规划方法误码率高的状况,是解决多用户检测问题的有效方法。仿真实验证实了这一点。     

基于随机策略搜索的多机三维路径规划方法

针对传统无能耗约束的多无人机路径规划方法难以适应复杂山地作业环境的应急救援要求,提出了一种基于LSTM-DPPO(long short-term memory-distributed proximal policy optimization)框架的多无人机三维路径规划算法。利用LSTM长短期记忆神经网络提取出多无人机在各自飞行过程中的重要特征状态信息序列,经过多次迭代更新后得到一个最优网络参数模型,结合能耗生成最优的三维探测路径。实验结果表明：该方法相对于传统路径规划方法效果显著,能在能耗最小的前提下规划出最优探测路径。     

基于心冲击信号的呼吸率检测方法研究

根据呼吸对心冲击信号的调制作用,提出一种基于坐姿心冲击信号的呼吸率实对检测方法。通过分析不同呼吸状态下心冲击信号的时域振幅及频域成分的变化,确定了呼吸对心冲击成分的调制作用,并采用改进的J波检测算法定位实测信号中的W形组合波,对J波和K波进行重新采样,最终使用平滑滤波器恢复呼吸波形,并计算曲呼吸率。为了验证算法的可行性和准确性,应用小波分析方法进行定性对比实验,并同步采集鼻热敏呼吸信号进行定量统计。实验结果表明,所提方法可以从心冲击信号中较为准确的检测出呼吸率,为多生理参数的无感觉同步监测做了有益的尝试。