时域证据融合中的可信度衰减模型

证据理论在时空信息融合领域都有着广泛的应用,时域信息融合表现出明显的序贯性和动态性,在空域进行证据融合时处理证据冲突的方法并不一定适用于时域,时域证据融合中如何确定证据的动态可信度是值得关注的问题。针对此问题,基于Dempster证据组合规则和证据折扣理论,分析了时域证据融合的马尔可夫性,建立了证据可信度衰减模型,在此基础上得到证据动态可信度,以此作为动态折扣因子对证据进行折扣。算例仿真表明,可信度衰减模型可以基本满足时域证据融合的要求,能有效处理时域融合中的证据冲突。     

基于H/A/α分解的全极化HRRP目标识别方法

针对现有基于H/A/α分解提取全极化高分辨率距离像（high range resolution profile, HRRP）特征的方法都没有考虑度量尺度对所提取特征性能影响的问题,提取了平均度量尺度下的特征子集,给出联合动态互信息概念用于选择最优平均度量尺度,并剔除特征子集中的冗余特征;在此基础上,结合Bagging和Boosting算法,提出一种宽带全极化雷达目标识别方法;最后在多类飞机目标HRRP样本集上验证了该方法的有效性。     

基于NSST域灰度关联分析的多聚焦图像融合方法

根据多聚焦图像的成像特点,并利用非下采样剪切波变换(non-subsample shearlet transform,NSST)在图像融合领域的优势,将非下采样剪切波变换运用于多聚焦图像融合.由于NSST会将图像分解为一幅低频图像和若干幅高频图像,对于低频图像采用了基于标准差的融合策略,而针对高频图像的特点,利用灰度关联分析在图像融合中的优势,将其运用在高频图像的融合中.后将低频图像和高频图像的融合图像进行NSST的逆变换后得到了融合图像.计算机仿真实验表明:相比于传统的剪切波交换,本文提出的图像融合方法提高图像的融合质量,增加了图像的信息量,具有一定的有效性和实用性.     

CWGAN-DNN：一种条件Wasserstein生成对抗网络入侵检测方法

针对现有的基于机器学习的入侵检测系统对类不平衡数据检测准确率低的问题,提出一种基于条件Wasserstein生成对抗网络(CWGAN)和深度神经网络(DNN)的入侵检测(CWGAN-DNN).CWGAN-DN N通过生成样本来改善数据集的类不平衡问题,提升对少数类和未知类的检测效率.首先,通过变分高斯混合模型(VGM)对原始数据中的连续特征进行处理,将连续特征的高斯混合分布进行分解;然后利用CWGAN学习预处理后数据的分布并生成新的少数类数据样本、平衡训练数据集;最后,利用平衡训练集对DNN进行训练,将训练得到的DNN用于入侵检测.在NSL-KDD数据集上进行的实验结果表明:利用CWGAN生成的数据进行训练,DNN的分类准确率和F1分数提升了5％,AUC下降了2％;与其他类均衡方法相比,CWGAN-DNN的准确率至少提升了3％、F1分数和AUC提升了1％.     

基于PSOGWO-SVM的网络入侵检测方法

针对SVM算法的核函数及参数选择不科学会导致检测的准确率比较差的问题,提出了一种融合粒子群搜索的灰狼优化算法,利用PSOGWO算法优化SVM的参数,确定SVM分类器的最优检测模型,并基于NSL KDD数据集进行对比实验。结果表明：基于PSOGWO SVM的入侵检测方法实现了SVM的参数最优化,而且在检测率、收敛速度、模型平衡性等方面有明显提升,该方法在网络入侵检测方面具有更好的性能。