基于损失平滑的对抗样本攻击方法

深度神经网络(DNNs)容易受到对抗样本的攻击,现有基于动量的对抗样本生成方法虽然可以达到接近100%的白盒攻击成功率,但是在攻击其他模型时效果仍不理想,黑盒攻击成功率较低。针对此,提出一种基于损失平滑的对抗样本攻击方法来提高对抗样本的可迁移性。在每一步计算梯度的迭代过程中,不直接使用当前梯度,而是使用局部平均梯度来累积动量,以此来抑制损失函数曲面存在的局部振荡现象,从而稳定更新方向,逃离局部极值点。在ImageNet数据集上的大量实验结果表明：所提方法与现有基于动量的方法相比,在单个模型攻击实验中的平均黑盒攻击成功率分别提升了38.07%和27.77%,在集成模型攻击实验中的平均黑盒攻击成功率分别提升了32.50%和28.63%。     

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号，提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先，根据采集到的滚动轴承数据构造故障样本，针对多种故障类型下的长时间序列的振动信号，按照一定尺寸将长时间序列矩阵化，构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程，通过多个采样点的随机采样，构造全寿命周期的故障样本用于故障诊断。其次，在多层深度学习模型基础上，将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断，其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题，利用软阈值化实现了样本降噪。最后，为了验证所提方法的有效性，采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性，多层网络模型下没有明显的网络退化，能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时，与其他模型相比，所提方法训练误差更低，平均故障诊断正确率提高1%~6%。      

一种鲁棒性增强的机载网络流量分类方法

针对机载网络高度动态、高度不稳定造成流量监测设备难以在有限的监测周期内完成完整数据流负载特征的提取，限制了基于深度学习的流量分类方法的应用问题，提出了一种鲁棒性增强的机载网络流量分类方法。通过数据预处理及缺失样本处理方法将数据流映射为灰度矢量集合，基于完整的数据流训练数据集实现鲁棒性增强的长时递归卷积神经网络（RE-LRCN）分类模型的训练，在线上分类阶段，通过分类模型实现样本缺失数据流负载空间特征及数据流时序特征的提取，并进行数据流分类。通过在数据包缺失的流量测试数据集上的实验结果表明，所提方法可以有效抑制数据包缺失对分类准确性能的恶化。      

基于LIME的恶意代码对抗样本生成技术

基于机器学习检测恶意代码技术的研究和分析,针对机器学习模型对抗样本的生成提出一种基于模型无关的局部可解释（LIME）的黑盒对抗样本生成方法。该方法可以对任意黑盒的恶意代码分类器生成对抗样本,绕过机器学习模型检测。使用简单模型模拟目标分类器的局部表现,获取特征权重;通过扰动算法生成扰动,根据生成的扰动对原恶意代码进行修改后生成对抗样本;基于2015年微软公布的常见恶意样本数据集和收集的来自50多个供应商的良性样本数据对所提方法进行实验,参照常见恶意代码分类器实现了18个基于不同算法或特征的目标分类器,使用所提方法对目标分类器进行攻击,使分类器的真阳性率均降低到接近0。此外,对MalGAN和ZOO两个先进的黑盒对抗样本生成方法与所提方法进行对比,实验结果表明:所提方法能够有效生成对抗样本,且方法本身具有适用范围广泛、能灵活控制扰动和健全性的优点。      

一种基于攻击距离的对抗样本攻击组筛选方法

黑盒对抗样本生成过程中通常会指定1个攻击组，包括1个原始样本和1个目标样本，使得生成的对抗样本与原始样本范数差别不大，但被分类器识别为目标样本的分类。针对攻击组的攻击难度不同导致攻击不稳定的问题，以图像识别领域为例，设计了基于决策边界长度的攻击距离度量方法，为攻击组的攻击难易程度提供了度量方法。在此基础上，设计了基于攻击距离的对抗样本攻击组筛选方法，在攻击开始前就筛去难以攻击的攻击组，从而实现在不修改攻击算法的前提下，提升攻击效果。实验表明:相比于筛选前的攻击组，筛选后的攻击组的总体效果提升了42.07%，攻击效率提升了24.99%，方差降低了76.23%。利用攻击组的对抗样本生成方法在攻击前先进行攻击组筛选，可以稳定并提高攻击效果。      

小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明：与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明：所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。     

一种基于八叉树的三维网格盲水印算法

鲁棒性数字水印特别是盲水印是保护数字作品版权的重要手段.提出一种针对三维网格模型的盲水印算法.首先通过PCA(Principle Component Analysis)对模型进行预处理,将模型调整到唯一的姿态朝向,然后对三维模型进行剖分得到八叉树.对有意义的RGB(Red, Green, Blue)水印信息图进行随即置乱生成密钥,并将水印信息量化并作为细微扰动信息嵌入到八叉树底层节点包含的顶点坐标中.提取水印时不需要原始模型数据,且与模型拓扑无关,可直接对点云数据进行水印嵌入.特点是嵌入容量大,可抵抗旋转、平移、均匀缩放和顶点重排序攻击.根据八叉树高层节点编码抽取模型的特征来构造零水印,并注册到第三方公证处,还可以在一定程度上抵抗均匀化简、噪声和重新网格化等攻击,具有较强的鲁棒性和普适性.      

基于雾计算的无线传感器网络联合入侵检测算法

为了保障无线传感器网络的安全性,提出一种基于雾计算的联合入侵检测算法Fed-XGB。Fed-XGB算法通过引入雾计算节点扩展网络边缘,减少通信时延,在提升联合学习全局模型和局部模型准确率的同时,降低了传输带宽和隐私泄露风险;通过改进基于直方图的近似计算方法,适应无线传感器网络数据不均衡特征;通过引入TOP-K梯度选择,最小化模型参数上传次数,提高模型参数交互效率。实验结果表明: Fed-XGB算法的检测准确率在0.97以上,误报率在0.036以下,优于其他对比算法;在遭受中毒攻击及数据含噪的情况下,算法检测分类性能依然稳定,具有较强的鲁棒性。      

基于离散系数改进的VWKNN位置指纹定位算法

位置指纹算法是研究室内定位技术的主要方法,其中在线阶段的匹配算法是影响室内定位精度的主要因素之一。目前,在线阶段的匹配算法有最近邻算法、K近邻算法以及加权K近邻算法。其中,最近邻算法和K近邻算法都没有考虑到不同参考点和待定位点之间的欧氏距离对定位精度的影响,而加权K近邻算法虽然考虑到了欧氏距离对定位精度的影响,对最终的定位结果采用欧氏距离归一化处理进行加权,却没有考虑到AP信号的波动性对定位结果也会产生很大的影响。因此,针对在线阶段的匹配算法作出改进,提出了基于离散系数改进的加权K近邻算法。在离线阶段建立位置指纹数据库,在在线阶段使用离散系数来反映各AP信号的稳定性,进而对待定位点与参考点之间的欧氏距离进行加权,计算出所有的加权欧氏距离后,从中选取距离最近的k个参考点,估算出待定位点的物理位置。实验结果表明:基于离散系数改进的加权K近邻算法可以实现平均定位精度比K近邻算法提高15%~17%,较加权K近邻算法提高了11%~13%的定位效果。      

基于CNN的多尺寸航拍图像定位方法的研究与实现

图像定位常用于无人机视觉导航,传统的无人机视觉导航广泛采用景象匹配导航方式,随着计算机技术的不断发展,深度学习技术为视觉导航的实现提供了新途径。以无人机的垂直侦查为背景,将飞行区域的航拍图像划分成大小相同的若干网格,每个网格代表一类区域,用网格图像制作数据集训练卷积神经网络（CNN）。基于AlexNet设计了一种融合显著性特征的全卷积网络模型,有效实现了一个基于CNN的多尺寸输入的滑动窗口分类器,并提出了一种邻域显著性参照定位策略来筛选分类结果,从而实现多尺寸航拍图像的定位。      

基于深度迁移学习的航天器故障诊断

随着航天科技的发展，智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记，因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法，为在轨航天器实时故障诊断提供了可行方法.首先，对航天器运行数据进行预处理，将多维时域信号转换为二维图像信号；其次，搭建基于残差网络的故障诊断深度学习框架，并利用地面测试数据与其他航天器在轨运行数据对网络进行预训练；进而，为了实现当前在轨航天器实时故障诊断，本文采用迁移学习自适应方法，设计网络联合分布自适应代价函数，对故障诊断模型进行参数重调，使模型适应当前在轨航天器故障诊断任务.仿真结果表明，所提出的基于深度迁移学习的故障诊断方法可以快速准确的诊断出航天器故障.     

一种基于非视距误差补偿的协同定位算法

非视距(NLOS)误差对超宽带(UWB)室内定位技术的定位精度有很大影响。针对此问题,根据NLOS环境下附加时延和由信道决定的均方根时延扩展的联合统计特性,估计NLOS误差的均值和方差,对定位算法测量值和系统测量误差协方差进行修正,并采用时变权重的粒子群算法与Chan算法相结合的协同定位算法进行定位计算,具有良好的全局搜索与局部搜索最优解的能力。仿真结果表明,在NLOS环境下,相比于单一算法,协同算法定位精度提高30%左右,在一定程度上抑制了NLOS误差的影响,满足室内定位的要求。     

基于地面基站的定位系统构建和方案

针对大型、复杂、多功能建筑,其内部信号环境恶劣,卫星导航的信号衰减较大,较难稳定捕获跟踪,建筑内多径效应严重,短多径对定位精度的影响较大,直接使用卫星导航信号进行定位难度大的问题,提出了一种基于地面基站的大区域（建筑群）室内定位方案。根据频率与信号穿透性能和空间衰减之间的关系,选择甚高频频段作为信号载波,采用码伪距和载波伪距联合定位的方式,可同时兼顾覆盖性和定位性能。利用所提出的新型定位方式,搭建了一个基本测试系统,通过信号的产生、发射、无线传播,进行了信号的捕获、跟踪和伪距求差解算,初步验证了本文方法的可行性及覆盖能力。