基于LSTM的DAE加密流量识别

随着虚拟专用网（VPN）技术的广泛应用,实时VPN流量识别已成为网络管理和安全维护中越来越重要的任务．加密流量使得从原始流量中提取特征变得极具挑战性,现有的VPN流量识别方法通常存在高维数据特征提取困难的问题．提出了一种在DAE(Denoising Auto-Encoder,降噪自编码器)的网络结构基础上加入了LSTM(Long ShortTermMemory,长短时记忆)的模型,将深度学习相关技术融入加密流量识别技术之中,使一直存在的难以处理高维数据以及特征提取等问题得到解决．     

基于颜色通道特征融合的环境声音分类方法

针对传统神经网络提取的复杂环境声音特征微弱，导致分类准确率低的问题，提出了一种基于颜色通道特征融合的环境声音分类方法。首先，从原始音频数据中提取出三种声音特征，即对数梅尔频谱图（log-Mel spectrogram, LMS）、梅尔倒谱系数（Mel-scale frequency cepstral coefficients, MFCC）以及能量谱图（energy spectrum, ES）；其次，分别将以上三者作为RGB颜色通道分量进行特征融合，形成包含更多特征信息的声谱图，更全面表征环境声音；再次，为了避免由于数据集较少导致所训练的模型泛化能力较差，对预训练模型VGG-16采用微调方法进行训练；最后，在两个广泛使用的环境声音分类数据集以及实际场景采集的音频上验证本文所提方法的有效性，并与其他模型的准确率进行对比。结果表明，本文所提方法在ESC-10以及ESC-50数据集上的准确率分别能够达到88.2%和65.2%，并且能提高实际场景采集的音频分类效果。     

结合transformer多尺度实例交互的稀疏集目标检测

为改进稀疏集目标检测方法存在的特征图缺乏空间细节信息、目标特征没有做到全局上下文实例交互、全局语义信息没有得到充分学习等问题，设计了一种结合自适应特征增强和实例特征交互的稀疏集目标检测算法。自适应特征增强模块在特征提取过程中利用不同尺度的池化和卷积来丰富高级语义信息，减小低级语义信息背景噪声的干扰，降低目标错检率和漏检率。实例特征交互模块在边界框回归设计中结合transformer的多层注意力，并融合通道注意力和动态卷积网络对建议框的通道信息进行增强，改善了目标的边缘信息，提高了网络的实例特征交互效率。最后在COCO2017数据集与原始网络进行实验对比，平均精度提升了4.2%，其中在大目标上提升了4.6%，在PASCAL VOC数据集上提升了2.7%。     

VPN技术在粮食储备库中的解决方案

为了保证通信渠道安全可靠，本文提供一种VPN技术的粮食储备库网络解决方案。一、VPN技术VPN（Virtual Private Network，虚拟专用网络，也称虚拟私有网）是将Internet看作是一种公有数据网，企业在这种公共数据网上建立的用以传输内部信息的专用数据传输通道，将远程的分支办公室、子单位、移动办公人员等连接起来，提供一种安全可靠的、端到端的数据通信网络。     

基于孪生网络的无人机遥感图像拼接

无人机(Unmanned aerial vehicle, UAV)遥感图像拼接是指将两幅或多幅具有相似场景内容的高分辨率无人机遥感图像拼接为一幅包含更多信息的大视野图像，在军事和地理测绘等领域得到了广泛应用。传统算法通常依赖于手工特征，无法有效地提取弱纹理图像的特征。若图像之间视差较大时，会导致拼接无法进行。为了解决上述问题，基于计算机视觉组(Visual Geometry Group-16, VGG-16)网络结合孪生网络框架提出了一种用于无人机遥感图像拼接的有监督模型。基于VGG-16网络设计了权值共享的孪生特征提取网络，解决特征提取不充分的问题。设计了能够回归图像之间空间变换关系的回归网络，并使用分组卷积代替普通卷积以提升网络速度。同时，为了解决将图像之间真实变换关系作为标签的图像拼接数据集难以获取的问题，基于一定程度的仿射变换，构建了自己的数据集。实验结果表明，本方法在无人机遥感图像拼接的主观视觉效果以及客观评价指标上均有较好的结果，与ORB算法(Oriented FAST and rotated BRIEF, ORB)和CAU-DHE算法(Content-aware unsu...     

VPN技术在粮食储备库中的解决方案

为了保证通信渠道安全可靠,本文提供一种VPN技术的粮食储备库网络解决方案. 一、VPN技术 VPN(Virtual Private Network,虚拟专用网络,也称虚拟私有网)是将Internet看作是一种公有数据网,企业在这种公共数据网上建立的用以传输内部信息的专用数据传输通道,将远程的分支办公室、子单位、移动办公人员等连接起来,提供一种安全可靠的、端到端的数据通信网络.     

基于贝叶斯网络的Peer-to-Peer识别方法

网络业务分类与识别是网络管理、网络规划和安全的必要途径,而Peer-to-Peer (P2P)流量由于采用伪装端口、动态端口以及应用层加密,已成为业务分类与识别的主要难点. 该文提出了P2P业务的精确识别方法,通过对流统计特性的分析,提取相关特征属性,应用遗传算法选取最优特征属性子集,并采用贝叶斯网络机器学习方法识别P2P流量. 实验表明Ｋ2,TAN和BAN能有效快速地识别P2P业务,分类精度高达95%以上,很大程度上优于朴素贝叶斯分类和BP神经网络方法. 同时该系统具有可扩展性,能够识别未知的P2P流量,并适用于实时分类识别环境.     

一种基于因果网络的支持向量回归特征选择算法

为了提高支持向量回归算法的学习能力,提出了一种基于因果网络的特征选择算法.该方法假设目标变量和特征候选集之间符合一个因果网络模型,然后利用基于条件独立性测试的方法对目标变量的直接影响特征进行识别,从候选特征集之中获取与目标变量有着直接因果关系的特征子集.虚拟和真实数据集上的实验结果表明,该特征选择算法适用于支持向量回归算法,优于目前其他算法.     

基于多置信度的不平衡数据分类算法

传统的分类算法通常设置统一的最小置信度提取规则．如果训练数据集是不平衡的数据,统一置信度的分类算法在小类的准确率不高．本文提出了一种基于训练集类分布的多置信度不平衡数据分类算法CBMI．在CBMI算法中,根据训练数据中类的分布设置不同的最小置信度提取规则,小类置信度的临界值比大类置信度低．此外,算法CBMI综合三种度量选择“好”的属性值．实验结果表明,基于多置信度不平衡数据分类算法CB—MI提高了小类数据分类的正确率．     

基于Relief-PGS优化算法的数据分类

【目的】在选取图像特征对图像进行分类时,选取的特征属性是否冗余会影响到图像分类的正确率。为提高分类的准确率,使用Relief-PGS优化算法对特征子集和支持向量机参数同步进行优化。【方法】首先使用Relief算法对特征数据集进行筛选,其次将筛选出的特征子集数目和支持向量机参数一起编码到粒子群-遗传算法中进行同步优化,最后对处理后的数据集进行分类,能有效提高分类的准确率。【结果】选取UCI数据库中的5种数据集进行分类,与传统的SVM算法、PGS算法和Relief-SVM算法相比,Relief-PGS优化算法对图像分类的准确率分别提高了22.53%、6.05%和11.16%。【结论】研究结果表明,Relief-PGS算法在去掉不重要特征的同时,对支持向量机参数进行优化,能有效提高分类的准确率。     

大数据环境下基于K均值聚类的 网络伪舆情分类研究

为了解决网络伪舆情事件分类过于主观以及分类标准模糊的问题该文基于网络大数据建立一个全新的伪舆情识别指标体系,在此基础上,收集过去一年中网络伪舆情事件的相关指标数据,基于Python软件利用经典的K均值聚类算法对网络伪舆情事件进行聚类分析,得到三个类别的网络伪舆情事件集,分析总结各类伪舆情事件本身的特点该文为网络伪舆情的识别与分类提供了一种全新的方法,为相关部门利用网络大数据准确控制各类伪舆情提供参考     

利用VPN技术加强WLAN安全的实践与应用

无线局域网(WLAN)是当前高校校园网建设的一个重要方向,但是由于无线局域网通过电磁波传输数据,先天具有广播的特性,容易被窃听、截获和篡改,安全性保障不足.虚拟专用网(VPN)是在公共网络信道上采用隧道技术建立起专用加密信道,若将VPN与WLAN相结合,在开放式广播网络中建立专用加密信道,则将大大加强校园WLAN的安全性.     

基于深度学习的竹笛吹奏技巧自动分类

提出了一种针对竹笛技巧分类的数据集Breath和两个用于竹笛技巧分类的神经网络参考模型Breath1d和Breath2d，并针对此数据集的不同分类任务给出了最佳方法。将Breath数据集划分成子集，以多层感知机为性能评价基准方法，先用Breath1d和Breath2d模型对子集进行训练和预测，再用长短期记忆网络模型进行辅助测试，最后得出了最适合子任务的分类参考模型。对全数据集进行分类时，将Breath2d与Breath1d模型进行融合，并采用数据增强方法使全集分类准确率达到0.913。与传统音频分类任务相比，该工作扩展了音乐分类的研究领域，对民族音乐现代化发展有着良好的推动作用。     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点，其框架在满足数据不出本地的情况下，可以训练出多方均满意的共同模型，但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题，因此提出基于深度学习的联邦集成算法，将深度学习与集成学习应用到联邦学习的框架下，通过优化本地模型的参数，提高了本地模型准确率；使用不同的集成算法来整合本地模型参数，在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比，该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%，在保证准确率的同时也提升多源数据与模型的安全性，具有很重要的应用价值。     

基于改进的YOLO v3的遥感图像目标检测

为了实现对遥感图像目标检测，对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法，搭建辅助网络，使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起，采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证，以准确率等评价指标来评价改进网络的性能。实验结果表明，检测的能力在改进后有着明显的提升，比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。     

基于GRU与特征嵌入的网络入侵检测

当前基于神经网络的入侵检测方法并没有将数据分类信息考虑在内，无法有效利用网络流量数据的时序信息，为此将门控循环单元（gated recurrent unit，GRU）和基于分类信息的特征嵌入技术结合起来，构建了基于GRU与特征嵌入的网络入侵检测模型。利用UNSW-NB15数据集进行模型仿真实验，结果表明该模型提高了对入侵攻击的检测率，为入侵检测中大规模数据的处理提供了一种全新的思路。     

基于改进的YOLO v3的遥感图像目标检测

为了实现对遥感图像目标检测，对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法，搭建辅助网络，使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起，采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证，以准确率等评价指标来评价改进网络的性能。实验结果表明，检测的能力在改进后有着明显的提升，比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。     

激光雷达在地下矿井障碍物检测中的应用

【目的】地下矿井是自动驾驶技术实现落地应用的一个重要场景，障碍物检测是自动驾驶感知算法的重要组成部分，现有的检测算法多存在准确性不高、实时性不够等问题。【方法】针对检测算法中存在的问题，本研究提出一种适用于地下矿井障碍物检测的算法，使用该算法对激光雷达点云进行处理。首先，对地下矿井中的路面存在坡度的场景，提出多平面拟合的地面分割方法，准确地提取高程障碍物点云。其次，优化密度聚类算法，采用自适应阈值的组合参数，实现对障碍物的检测。【结果】本研究基于公开数据集和地下矿井实际采集数据集进行验证。【结论】本研究提出的算法具有良好的障碍物检测效果。     

基于FastICA和卷积神经网络的脑电信号分类算法

为了改善传统脑电信号分类时间长、精度不够准确且分类难度较大的问题,利用脑电传感器(Mind Wave传感器)及Real Term软件从串口抓取数据获取脑电波TGAM数据包,并对采集的脑电信号数据进行分解计算处理,得到各个波段数据,使用基于负熵的独立分量分析的固定点算法(FastICA)提取脑电信号特征,并用深度学习分类算法对脑电信号进行分类。传统机器学习算法不能准确分类复杂的脑电信号,运用卷积神经网络(Convolutional Neural Network,CNN)提取数据进行训练,构建分类器,实现了对脑电信号更高效更准确的分类。实验结果表明,与Fisher线性判别、BP神经网络、朴素贝叶斯相比,此算法可以更准确地区分是否清醒的状态,对脑电信号分类的研究具有重大意义。