基于SVDD的ADS-B异常数据检测

自动相关监视广播(ADS-B)与空管二次监视雷达(SSR)是空中交通管制的2种重要监视手段,其中ADS-B是目前正在推出的通信协议,在下一代空管监视系统中将会发挥重要作用.然而,ADS-B协议中安全措施缺乏,容易遭受虚假数据注入的攻击.为了识别ADS-B中的异常数据,利用与其同步的SSR数据及通过Kalman滤波得出的的协方差矩阵,得到一组具有多维属性特征的样本数据,使用支持向量数据域描述的方法(SVDD)训练样本数据,可以得到用于检测异常的分类器.利用此分类器检测之后收到的ADS-B数据,从而识别出异常数据.通过仿真实验表明,该方法对于ADS-B异常数据具有80%以上的正确识别率,其中对于固定偏差注入的检测虚警率为5%,漏警率为0,对于随机偏差注入的检测虚警率为5%,漏警率为12.5%,验证了该方法的可行性.     

重放攻击下雷达组网系统的目标跟踪性能

作为一种复杂的分布式系统,雷达组网系统受到各种攻击的威胁。为了研究赛博攻击对雷达组网系统性能的影响,提出一种针对雷达组网系统的重放攻击方式。首先建立目标运动模型和系统模型,其次分析了重放攻击对单站雷达位置估计误差的影响,基于此扩展到对雷达组网系统目标跟踪性能的影响,最后研究了攻击参数与位置估计误差的关系。通过仿真分别展示了单站雷达和雷达组网系统受到重放攻击时的状态估计误差,以及单站雷达和雷达网估计误差与攻击强度的关系。仿真结果表明:对于单站雷达,重放攻击可以造成巨大的跟踪误差,且攻击效果与攻击强度成正比关系。当攻击的对象是雷达组网系统时,需要合理地选择攻击参数才能产生明显的攻击效果。     

基于TLD改进的人脸检测跟踪算法

机器学习和模式识别技术目前在军事以及日常生活中应用越来越广泛,该文主要是基于TLD（Tracking Learning Detection）算法的改进完成人脸检测后的自学习与跟踪。TLD算法是一个高效的检测、在线学习、跟踪的系统,其主要是由三部分组成,学习器,跟踪器,检测器当输入一段视频序列后,同时送入三个部分,当观测到物体的外部特征时检测器对其进行定位,而且修正跟踪器也是其功能之一;跟踪器利用帧到帧变化的运动信息跟踪目标：学习器对检测器进行评估并且更正避免发生同样的错误。跟踪器主要是应用金字塔光流法,而学习器是通过随机森林算法完成在线实时学习。该文的创新之处就是摒弃原TLD算法的通过鼠标选择感兴趣区域的初始化．而采用基于OpenCV的harr特征人脸检测进行初始化。即当在第一帧第一张人脸检测后便对其进行自学习与跟踪。