基于网络的时空数据生成器

高效标准的时空数据库系统需要精确、适当的仿真数据集模拟移动物体的特征行为,而现有的时空数据生成器都忽略移动物体的运动都是受限运动,是基于网络的运动。研究并实现了一种新的基于网络的时空生成器。     

基于生成对抗网络去除车辆图像运动模糊模型

提出一种基于生成对抗网络的去除车辆图像运动模糊的网络模型.该模型引入多尺度递归网络作为生成对抗网络的生成器,生成器包含3层网络,每层网络中叠加多层残差块,对模糊图像进行由粗糙到精细的处理,并经由判别器进行判别.利用公开数据集PKU-VD进行实验,实验结果表明,由该模型去除运动模糊后的图像比较清晰,可以分辨细节内容,且峰值信噪比达到29.52,优于常用模型.     

运动物体观测论

为了解决运动物体的观测问题,文章先论述了光速是光子相对于光源的速度,介绍了光在纯粹的空间中和介质中的传播特性;提出了运动参考系时空、视时空和静止参考系时空的概念;分别导出了物体在纯粹的空间中和移动的介质中运动时,运动参考系时空、视时空与静止参考系时空的相互关系。运动物体观测论解决了运动物体的观测问题,运动不会产生长度变化、时间变化和质量变化,不存在光障。     

基于有趣地点压缩的时空轨迹聚类

研究移动物体时空轨迹局部关键地点时空相似的聚类问题.根据移动物体的运动状态提取轨迹中的有趣地点,利用最小包围盒技术对这些有趣地点进行描述,得到基于有趣地点压缩的轨迹表示形式;然后给出一个时空属性相结合的相似性度量公式,对压缩表示的轨迹进行相似性度量;基于这个相似性度量公式对轨迹进行聚类,聚类方法采用层次聚类法.实验结果表明,本文提出的方法能有效地对移动物体时空轨迹进行聚类,由于采用了增量式的轨迹压缩方法,不仅提高了聚类的速度,而且还实现了增量式的轨迹聚类.     

基于生成对抗网络的网络入侵检测系统

为了解决在真实网络环境中,异常数据比正常数据更难获得的问题,提出基于生成对抗网络的网络入侵检测系统GAN-NIDS.在训练阶段只使用正常数据,通过卷积操作压缩数据,使网络结构记住正常数据的深度特征.在测试时,正常数据通过生成器生成的数据与原始数据之间的损失(loss),远小于异常数据通过生成器生成的数据与原始数据之间的...     

移动对象索引ST-tree

随着计算机网络和无限定位技术的发展,移动对象数据管理已经成为大数据时代新型数据库技术的重要组成部分.当前,移动对象数据库(MOD)研究重点之一是基于路网的移动对象数据索引技术.该文研究一种基于时空”对称”和”统一”处理的索引模式ST-tree.首先,根据路网移动对象特征,以空间间隔和时间期间组成的时空矩形为技术处理单元,讨论了一般区间元素集合上基于下右优先遍历序列的结构关系;其次,将时空矩形数据集合映射为空间间隔集合和时间期间集合,应用区间结构关系建立了路网移动对象数据集合数据结构;另外,由此研究了基于历史信息的移动对象索引ST-tree,它具有“一次一集合”的数据操作模式;最后,采用常规用例数据设计了基本仿真,通过与现有基本工作比较评估表明了ST-tree的可行性与有效性.     

基于电磁信号的相对论时空测量

对高速运动物体的时空测量,只有洛仑兹变换是不够的,必须涉及信号传递.基于电磁信号,对相对论时空测量进行了研究,得出时空测量的基本公式.并就一些实际问题进行了讨论.     

无线Ad Hoc网络中组移动条件下的数据缓存改进方法

无线Ad Hoc网络中的移动节点运动常导致节点链接中断,造成网络连通性的动态变化,降低了数据的可用性,数据复制技术是该环境下提高数据可用性的可行解决方案。针对实际场景节点运动的相互关联性,即群移动特性,提出了一种基于组移动条件下的改进型动态数据副本复制算法GM_Rep,将具有类似运动趋势的移动主机作为整体对象动态地进行复制数据副本分配优化。MATLAB仿真表明,该算法可以有效地提高存在群移动特性的无线Ad Hoc网络的数据可用性。     

基于图像处理的运动目标跟踪系统

本文详细介绍了基于图像处理的智能目标跟踪系统的实现步骤.本系统通过图像识别、机器视觉等技术判断物体进入监视区域,计算出物体的移动速度和移动方向,根据检测的数据控制监视设备随着物体的移动而调整,从而达到智能跟踪物体的目的.     

基于MeAEG-Net的异常流量检测方法研究

异常流量检测现有方法大都是基于有监督的学习,在现实生活中获取并标记异常流量数据样本是极为困难的,存在诸多限制.此外,由于网络异常数据的多样性和复杂性,各种检测方法的自适应性较差,对新出现的异常流量难以判断.针对上述问题,本文设计了一个基于生成对抗网络和记忆增强模块的半监督异常流量检测框架MeAEG-Net（Memory Augment Based on Generative Adversarial Network）,通过只训练正常流量样本数据,比较生成器模块输入流量底层特征的重构误差来达到检测异常的目的.在模型中使用生成对抗网络来更好地训练生成器,生成器采用自编码器加解码器的结构来解决自编码器易受噪声影响的问题,并在自编码器子网络中添加记忆增强模块来削弱生成器模块的泛化能力,增大异常流量的重构误差.实验证明,本文提出的方法能在只学习正常流量数据样本的前提下达到很好的异常流量检测效果.