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。      

基于记忆关联学习的小样本高光谱图像分类方法

高光谱图像（HSI）分类是遥感领域的基础应用之一。该任务旨在根据部分带类别标签的像素样本训练分类器,预测图像中剩余像素对应的类别标签。在实际应用中,由于人工标记样本成本过高,只能获得少量带标签的样本。针对少量样本无法准确描述数据分布从而导致训练过程过拟合的问题,提出一种基于记忆关联学习的小样本高光谱图像分类方法。考虑到无标签样本中包含大量与数据分布相关的信息,构建基于有标签样本记忆模块,并根据样本间的特征关联,利用不断更新的记忆模块学习无标签样本的潜在类别分布,构建无监督分类模型,并与传统的有监督分类模型进行联合学习。在多个高光谱图像分类数据集上的实验结果表明,所提方法能有效提升小样本高光谱图像分类的准确性。      

二维类间边界Fisher分析的多元时间序列降维

针对传统边界Fisher分析及相关方法用于多元时间序列降维的局限性，提出一种基于二维类间边界Fisher分析的多元时间序列降维方法。针对边界Fisher分析进行模型改进，在本征图和惩罚图的基础上引入类间惩罚图，用来描述各个类中心之间的距离，并对目标函数进行改进，提出类间边界Fisher分析模型；对所提模型进行二维化拓展，提出基于二维类间边界Fisher分析的降维模型，使其能够直接处理二维矩阵数据，有效保留结构信息；通过计算协方差矩阵将多元时间序列集转化为等长特征集，利用降维模型将等长特征集投影到低维空间，达到数据降维和特征表示的目的。实验结果表明：所提方法能够有效对多元时间序列进行降维，达到良好的分类效果。     

基于生成对抗网络的零样本图像分类

在图像分类任务中,零样本图像分类问题已成为一个研究热点。为了解决零样本图像分类问题,采用一种基于生成对抗网络（GAN）的方法,通过生成未知类的图像特征使得零样本分类任务转换为传统的图像分类任务。同时对生成对抗网络中的判别网络做出改进,使其判别过程更加准确,从而进一步提高生成图像特征的质量。实验结果表明:所提方法在AWA、CUB和SUN数据集上的分类准确率分别提高了0.4%、0.4%和0.5%。因此,所提方法通过改进生成对抗网络,能够生成质量更好的图像特征,从而有效解决零样本图像分类问题。      

基于Transformer的深度条件视频压缩

近年来,基于深度学习的视频压缩技术主要基于卷积神经网络(CNN)且采用运动补偿-残差编码的架构,由于常见的CNN只能利用局部的相关性,以及预测残差本身的稀疏特性,难以取得最优压缩性能。因此,提出一种基于Transformer架构的条件视频压缩算法,以实现更优的压缩效果。所提算法基于前后帧之间的运动信息,利用可形变卷积得到对应的预测帧特征;将预测帧特征作为条件信息,对原始输入帧特征进行条件编码,避免了直接编码稀疏的残差信号;利用特征间的非局部相关性,提出一个基于Transformer的深度条件视频压缩编码算法,用来实现运动信息编码和条件编码,进一步提升压缩编码的性能。实验结果表明：所提算法在HEVC、UVG数据集上均超越了当前主流的基于深度学习的视频压缩算法。     

函数型正则广义典型相关分析

基于正则广义典型相关分析理论框架,提出一类对于多元函数型数据的充分降维方法。通过积分形式,将平方可积空间中的函数型数据投影至实空间中的一系列数值变量,在整体相关性度量最大的目标准则下,同时确定这些函数型投影方向,实现多元函数型数据向传统数值变量转化的特征信息提取及快速降维过程。在一般基函数系统表示下,推导得到最优投影权重函数的迭代计算方法,该方法对于基函数系统的选取具有独立性。大量仿真结果表明,在有限样本情况下,所提方法能够有效探测多元函数型数据之间的相关关系,且对投影权重函数的估计具有一致性。关于帕金森综合征患者步态的实例数据研究表明,由函数型数据投影得到的数值特征信息具有可解释性,所提方法具有一定实用价值。     

基于多模态掩码Transformer网络的社会事件分类

多模态社会事件分类的关键是充分且准确地利用图像和文字2种模态的特征。然而,现有的大多数方法存在以下局限性：简单地将事件的图像特征和文本特征连接起来,不同模态之间存在不相关的上下文信息导致相互干扰。因此,仅仅考虑多模态数据模态间的关系是不够的,还要考虑模态之间不相关的上下文信息（即区域或单词）。为克服这些局限性,提出一种新颖的基于多模态掩码Transformer网络（MMTN）模型的社会事件分类方法。通过图-文编码网络来学习文本和图像的更好的表示。将获得的图像和文本表示输入多模态掩码Transformer网络来融合多模态信息,并通过计算多模态信息之间的相似性,对多模态信息的模态间的关系进行建模,掩盖模态之间的不相关上下文。在2个基准数据集上的大量实验表明：所提模型达到了最先进的性能。     

大规模物联网恶意样本分析与分类方法

物联网（IoT）恶意样本发展迅猛，在网络中大量攻击各类物联网设备，但由于开源问题导致其家族特征并不明显，需要一种更细粒度的样本分类方法，以解决高级威胁样本发现和攻击组织追踪等问题。针对该问题，对2019年5月至2020年5月捕获到的157 911个物联网恶意样本进行了大规模分析，并标注了一套包含9个家族分支共计12 278个样本的数据集。提出了物联网恶意样本的分类方法，通过静态逆向分析提取FCG图和文本等复杂结构特征，利用图表示学习和文本表示学习的特征，在标注的数据集上取得了平均召回率88.1%的分类效果。所提方法在实际工作应用中效果优异。      

基于马氏距离的半监督鉴别分析及人脸识别

针对人脸识别应用中人脸样本的类别信息不足以及人脸样本特征间存在相关性的问题,提出了一种基于马氏距离的半监督鉴别分析.该方法在图嵌入框架下利用马氏距离对数据集中带有类别信息的样本进行边界Fisher分析,不仅保持了类内的紧致性和类间的分离性,而且抽取出有利于分类的鉴别特征,同时将不带类别信息的样本用于描述数据集的几何结构,保留了样本间的局部邻域信息.与传统的特征抽取方法相比,该方法有较好的识别性能,在ORL,YALE及AR人脸数据库上的实验验证了该方法的有效性.      

基于样本类别确定度的半监督分类

在对遥感图像进行分类时,全监督算法往往需要足够的标记样本进行训练,然而标记的过程是耗时和昂贵的,相反收集大量的无标记样本是很容易的。为了在学习过程中能够有效利用未标记样本的信息,本文提出了基于样本类别确定度（CCS）的半监督分类算法。首先,利用多分类支持向量机（SVM）得到未标记样本属于各类别的确定度,有效地衡量了未标记样本类别可靠性;其次,对样本类别确定度进行预处理,提升利用未标记样本的安全性;最后,基于样本类别确定度设计了半监督线性判别分析（LDA）降维算法并对其进行核化,使得样本在降维后的子空间更具有可分性,并根据降维后的数据特点,采用最近邻分类器对新样本进行分类。利用真实的合成孔径雷达（SAR）图像进行测试,验证了在标记样本较少的情况下,本文算法在性能上优于全监督和其他半监督算法,并能够快速收敛。      

无人平台复杂地形探测的视触融合方法

为提高无人平台在复杂环境中的地形探测能力以及解决在小样本数据下识别地形困难的问题,提出了一种无人平台复杂地形探测的视触融合方法。在原始宽度学习的基础上,建立了多模态级联特征节点宽度学习框架。首先进行触觉和视觉初步特征提取和融合特征提取,随后将融合特征矩阵经宽度学习分类器得到地形识别的结果。最后,在自建的视觉-触觉地形 (V-T2)数据集进行了实验验证。结果表明,相比于传统的融合算法,提出的融合算法有很好的准确性和鲁棒性,为无人平台地形探测提供了有效的策略。     

基于菲涅耳变换的不变矩提取及目标识别方法

提出了一种基于菲涅耳变换的不变矩特征提取方法,并应用于图像目标识别.利用菲涅耳变换得到图像的衍射图样,将图像映射到菲涅耳衍射空间;在衍射空间提取几何矩或正交矩来获取图像全局信息的特征描述;利用k近邻法识别目标.实验结果表明基于菲涅耳变换的不变矩提取方法对于平移、尺度及旋转变化的图像目标具有更高的分类精度和抗噪声能力.     

基于优化字典学习算法的压缩数据收集

为了提高压缩数据收集对多样化传感数据的适应能力,同时抑制环境噪声对数据收集精度的影响,提出了一种优化字典学习算法来构造压缩数据收集中的稀疏字典。理论分析表明在压缩数据收集中由环境噪声导致的数据收集误差和稀疏字典的自相干程度正相关。为此在字典学习的过程中引入了自相干惩罚项来抑制环境噪声对数据收集精度的影响。该惩罚项还能减少字典学习过程中对训练数据的过拟合,从而进一步提高了该算法的稀疏表示能力。实验表明,该算法的稀疏表示能力高于同类字典学习算法,而且能有效地抑制环境噪声对压缩数据收集精度的影响。      

基于fastText算法的行业分类技术

随着中国经济的高速发展和技术创新能力的不断提升,高效的组织、分类信息是提供个性化行业管理和跟踪分析的基础。根据行业信息特点和发展规律,提出了一种基于fastText算法的行业分类模型。首先,构建行业分类关键词库,通过特征词库进行分词和权重计算。然后,构建分类器模型,实现中文行业的自动分类。最后,实验选取了80 000个包含企业经营范围、企业信息、舆论信息的测试文档,结果表明,所提模型结果高于Bayes、决策树、KNN等分类算法,取得了较好的应用效果。      

基于峭度熵与分层极限学习机的动量轮轴承故障诊断研究

动量轮是卫星姿态控制系统的关键部件,其可靠性直接关系到整星寿命与安全。作为动量轮的核心组件,轴承易于发生故障,且独特结构和复杂运行环境导致监测信号信噪比低,早期故障诊断困难。针对这种情况,对变分模态分解和峭度熵结合的特征提取方法进行研究,获得动量轮轴承监测信号中的微弱故障特征,并建立特征向量。引入分层极限学习机,对结构和编码方法进行优化后用于轴承故障的识别。最后,将提出的方法用于实际故障的诊断,并通过与传统ELM方法比较,得出提出的方法在动量轮轴承故障诊断中具有更高的诊断精度,达到98.5%。     

基于串行支持向量分类器的模拟电路故障诊断

介绍了支持向量机的基本原理,提出一种新型支持向量多类分类器,其中多个二类分类器组成串行结构,每个二类分类器均带有非线性主元素分析特征提取器.描述了其训练与分类算法,并将其应用于非线性电路的部件级诊断.和传统BP网和RBF网分类器相比,支持向量方法在分类准确率上表现出明显的优势,其中串行支持向量多类分类器无论在训练和分类速度方面,还是在诊断准确率方面,都要优于传统并行结构的多类分类器.      

基于VMD-MPE的开关磁阻电机功率变换器故障诊断

故障诊断是提升开关磁阻电机(SRM)调速系统可靠性的重要技术。针对功率变换器故障信号非线性不稳定、有效信息易被噪声掩盖的特点, 提出了一种新的故障特征提取方法。对直流母线电流进行变分模态分解, 得到若干本征模态分量, 取多尺度有效模态分量排列熵平均值作为特征向量, 输入支持向量机分类器进行故障识别。为验证所提方法的可行性, 建立仿真模型, 与传统的小波分析等故障诊断方法进行对比；搭建了开关磁阻电机实验台架, 测试了开路、短路故障状态。仿真和实验结果表明:所提方法可减小噪声影响, 提高故障识别准确率。