采用两阶段策略模型(KTSVM)的P2P流量识别方法

针对识别加密P2P网络流量比较困难的问题,提出一种基于K均值和直推式支持向量机(TSVM)的半监督学习模型———两阶段策略模型(KTSVM,k-means based transductive supportvector machine),以提高P2P流量的识别精度.该模型首先使用K均值半监督聚类算法计算训练集中正例样本的数目,然后根据正例样本的数目来训练TSVM分类模型,提高了TSVM模型的稳定性和准确性.该模型的优势是可以使用未标注样本和标注样本共同训练分类模型,非常适合于识别标注比较困难的P2P流量.实验结果表明,在标注样本较少的情况下,该模型的识别精度和稳定性均优于TSVM模型和SVM模型.     

基于流形正则协同训练模型的行为识别方法

本文提出了基于流形正则协同训练模型的行为识别方法。该方法将拉普拉斯正则引入到协同训练模型中,利用大量未标记样本数据从不同视角数据上训练出两个分类器,两者之间互换未知信息并更新分类器,以提高识别精确度。在动作数据集UCF-iphone上进行了大量的实验验证算法的有效性,结果表明,引入拉普拉斯正则能有效地提高动作识别精确度。     

基于朴素贝叶斯分类模型的车型识别方法

提出一种基于朴素贝叶斯分类模型的车辆分类方法,采用车辆的实际特征数据长度和宽度作为训练样本,离线训练朴素贝叶斯分类模型,同时利于CCD摄像机采集道路车辆图像,提取车辆轮廓曲线外接矩形的长度和宽度作为测试样本,通过离线训练获得的分类器,对车辆类型进行识别．仿真试验证明,朴素贝叶斯分类模型具有较高的分类性能,在同等训练和测试条件下,可以获得比BP神经网络分类器优越的分类效果．     

基于贝叶斯网络的一种常规雷达目标识别方法

现役的常规雷达一般不具备径向上和横向上的高分辨率,雷达所揭示的目标信息非常有限。贝叶斯网络基本原理基于概率论的统计知识,作为一种分类器,它使错误的分类概率最小。文中将它引入雷达目标识别,将这些有限的信息利用起来实现对雷达目标的粗分类,取得了不错的效果。     

基于卷积收缩自编码器的半监督缺陷识别方法

提出了一种基于半监督卷积收缩自编码器的缺陷识别方法.从未标记数据中获取有效缺陷信息,结合少量标记样本,实现较高的缺陷识别效果,解决了传统的基于卷积神经网络的缺陷识别方法依赖大量标记样本的问题.实验结果表明:本文方法具有较高的识别精度,在少量标记样本下即可获得不错的识别效果,相较于其他方法,准确率提升4.93％～62.9...     

基于卷积神经网络的交通标志识别方法

交通标志识别在自动驾驶过程中起着十分重要的作用。为了解决识别精度低的问题,提出一种基于卷积神经网络的识别方法,通过改进深度相互学习网络完成对交通标志的识别,使用ResNet-19网络作为特征提取部分,使用全局平均池化层作为分类器部分,使用交叉熵损失和相对熵损失作为损失函数部分,并增加超参数α与δ来衡量这两个损失在训练中的权重;同时,引入一种使用不同初始值的批量归一化层训练的技巧,以此来提高模型的收敛速度。试验研究中,改进的方法用在德国交通标志识别测试集上达到了98.90%的识别精度,比改进前精度提高了2.17%,与目前优秀的交通标志识别模型相比,本方法精度仍有一定的提高。试验结果表明在复杂的环境中,本方法可以准确地识别交通标志,这为后续相关研究提供了良好的技术支持。     

基于图的半监督深度学习及其在新生儿疼痛表情识别中的应用

针对新生儿疼痛表情识别任务中由于有类别标签样本数量不足而导致分类准确率不高的问题,提出了 一种基于图的半监督深度学习(Graph-based Semi-supervised Deep Learning,GSDL)方法.首先,使用训练集中少量有类别标签的样本对深度神经网络模型进行初步训练,得到初始模型;然后,利用初始模型...     

基于平衡损失函数下的信度模型

在平方损失的基础上引入惩罚项,构成一种非对称的平衡损失函数。基于这种平衡损失函数,运用贝叶斯统计推断理论得到了贝叶斯保费;结合Bühlmann信度模型和Bühlmann-Straub信度模型,给出了最优线性保费的估计结果。     

基于多任务损失附加语言模型的语音识别方法

针对Attention过于灵活的对齐方式在复杂环境中适应性差、简单端到端模型对语言特征利用不充分的问题,研究了基于多任务损失附加语言模型的语音识别方法.通过分析语音信号特征,训练中选用包含更多信息的特征.以基于Attention的Conformer端到端模型为基础,采用CTC损失辅助纯Conformer (Attention)的多任务损失训练模型,得到Conformer-CTC语音识别模型.在Conformer-CTC模型基础上,通过分析对比部分语言模型的特点与效果,将Transformer语言模型通过重打分机制附加至上述模型的训练中,最终得到Conformer-CTC-Transformer语音识别模型.在AISHELL-1数据集上对上述模型进行了试验.结果表明：Conformer-CTC模型相对于纯Conformer (Attention)模型在测试集上的字错率(character error rate,CER)降低了0.49%,而Conformer-CTC-Transformer模型相对于Conformer-CTC模型在测试集上的CER又降低了0.79%.CTC损失可以改善Att...     

基于SOINN的在线物联网设备识别方法

针对传统设备识别方法存在模型动态更新困难、训练数据不足和运算存储开销大等问题,提出了一种基于自组织增量学习神经网络(SOINN)的在线物联网设备识别方法.首先,设计了基于交互页面DOM树的设备品牌特征,具有特征易提取、特征维度小和覆盖设备广等优点.结合SOINN和SVM构建增量式监督学习方法SOINN-SVM,实现设备...     

基于卷积神经网络的网络流量识别技术研究

近年来,深度包检测技术和基于统计特征的网络流量识别技术迅速发展,但它们分别存在不能识别加密流量和依赖人对特征主观选择的缺陷.文章提出了基于卷积神经网络的流量识别方法,将网络数据按照一定的规则转换为灰度图像进行识别,并根据TCP数据包的有序性和UDP数据包的无序性,对原始的网络数据进行了扩展,以进一步提高识别率.实验数据表明,该方法对应用程序和应用层协议两个层次的网络流量具有较高的检测率.     

基于融合模型的单相接地故障类型辨识方法

在中国6~66 kV的中低压配电网中,单相接地故障约占配电网故障总数的80%。由于发生单相接地故障时仅由系统的对地电容引起很小的接地故障电流,故障特征不明显,并且不同类型的单相接地故障之间的特征区分度不高,造成了对其类型辨识的难度增大。对此,提出了一种融合特征分解和深度学习思想的单相接地故障类型辨识方法。首先,基于希尔伯特黄变换（HHT,hilbert-huang transform）对配电网采集到的故障录波数据进行初步处理,使不同故障类型间的区分度更高;其次设计深度学习模型ResNet18学习故障事件的复杂非线性特征,从而辨识出故障类型结果。通过国内某真型试验场采集到的录波数据进行验证,证明了本文提出的综合辨识方法能准确识别出多种单相接地故障类型,可为后续制定有针对性的故障处理措施提供可靠依据。     

基于“三度”法的网络舆论传播研究与应用

基于社会物理学的三大理论,提出基于社会燃烧理论的网络舆论传播集中度、基于社会行为熵理论的网络舆论传播组织度、基于社会激波理论的网络舆论传播临界度,并试图将三度法结合起来,运用仿真、复杂网络分析及数据挖掘等方法将网络舆论传播从定性研究走向定量应用.     

基于移动互联网的物联网应用无线性能优化研究

物联网是新一代信息技术的重要组成部分,是继计算机、互联网之后世界信息产业发展的第三次浪潮.物联网发展的核心是应用创新,而以用户体验为核心的创新是物联网发展的重中之重.着手于"全球眼"网络视频监控系统、车联网应用系统这两大具有代表性的基于移动互联网的物联网应用,以提升物联网用户感知为目标,针对物联网应用的无线性能展开分析,并建立多维度的系统模型,同时通过优化手段提升物联网应用网络接入和传输环节的可靠性、即时性和安全性.     

基于模型缩聚-频响函数型模型修正的子结构损伤识别方法

由于大型复杂结构参数识别困难,提出将频响函数型模型修正方法与子结构方法结合进行损伤识别。构造一个关于损伤频响函数的优化方程。通过子结构有限元模型向损伤后频响函数修正的过程,识别损伤参数。以一个三层平面刚架为数值算例,计算结果表明该算法对损伤参数较为敏感,识别精度较高,可以准确识别出预设的子结构损伤单元和损伤程度。     

基于数据流多维特征的移动流量识别方法研究

随着移动互联网的快速发展,移动设备的数量激增至历史新高.从大量混杂流量中识别出移动流量并对流量进行分析,是深入研究移动互联网特性的第一步,同时可以为移动网络测量与管理、移动安全和隐私保护提供有价值的信息.本文综合整理了网络流量识别的常见方法,提出了基于数据流多维统计特征的移动流量识别方法.该方法从硬件特征、操作系统指纹和用户使用习惯三个方面提取了数据流中具有代表性的特征并对特征进行分析,使用集成学习的方法生成识别模型.移动流量的识别准确率和主流的5种操作系统流量分类的准确率都达到了99%以上.本文方法比UAFs方法准确率提高了8%左右.本方法提取的特征具有多维性并且具有实际意义,整合了网络层和传输层的数据流特征,相较于使用深度数据包检测的方法,基于数据流多维特征的方法同样适用于加密流量的分类.     

Logit多路径模型下的机场陆侧交通动态瓶颈识别

为缓解机场的交通拥堵,构建考虑综合延误的Logit多路径分配模型识别机场陆侧交通需求变化时动态瓶颈。首先,构建考虑BPR(Bureau of Public Road, 美国联邦公路局)函数和Webster延误的综合延误模型;然后,考虑道路网络和出行网络之间的耦合作用,采用Logit多路径模型对起讫点之间的交通量进行动态分配,以道路饱和度为判定标准对北京首都国际机场陆侧交通动态瓶颈进行识别。并对比考虑不考虑过境交通时的陆侧交通瓶颈变化。结果表明,同一交通需求下,不考虑过境交通对陆侧交通的影响时瓶颈路段均有所减少,且随着交通需求的增加,瓶颈路段减少的越多。可见,此算例可以更好的适应交通需求的变化,并为缓解首都国际机场交通拥堵提供理论参考。     

基于贝叶斯与因果岭回归的物联网流量预测模型

针对物联网流量预测困难的问题,提出了一种基于贝叶斯与因果岭回归的物联网流量预测模型.该模型首先根据物联网流量传输波动影响链路变化等因果关系,深入刻画物联网流量局部特征,并利用薛定谔方程优化识别模型,同时结合贝叶斯拟合因果关系联合岭回归方法建立预测模型.最后,通过仿真实验研究了该模型与其他方法之间的性能状况,结果表明该模型在平均队列、阻塞率和延迟率等方面具有较大优势.     

基于地震资料的煤层识别方法及其应用*

鄂尔多斯苏里格气田苏5区块的煤层和储层同具有低伽马和低纵波速度的特征,常规的基于波阻抗的煤层识别方法难以有效地将二者区分。通过研究发现,对于本区块而言,煤层不但不是主力烃源岩,还对本区块山2段的储层研究形成阻碍,因此需要提出针对本区块的更为行之有效的方法进行煤层识别,即一种新的煤层识别技术:结合已有方法—叠前弹性参数反演方法、叠后参数反演方法及流体因子构建方法,构建一种适用于研究区的新型煤层识别因子,然后采用该煤层识别因子和地震资料反演所得叠后参数进行研究区目的层的煤层预测。实际资料的计算结果表明,该方法技术预测的煤层与实际测井解释的煤层完全符合,有助于研究区的储层预测与烃类识别,具有重要的实际应用价值。