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。      

空中交通拥挤判别指标的建立与应用

空中交通拥挤的判别是交通和安全领域需要深入研究的一个问题。针对国内日益增长的空中交通流量．在参考道路交通拥挤识别的基础上,综合考虑空中交通的特点,结合国外空中交通流量管理系统的优点,提出并建立了空中交通拥挤判别的指标,对指标进行了分析和计算,扇区拥挤指标的计算中引入了当量航班的概念,充分考虑了管制员的工作负荷;依据拥挤指标对拥挤状态进行了分级,最后给出了该指标的应用示例。该判别指标符合实际,能有效判别空中交通的拥挤状态,并为空中交通安全评估的进一步研究提供了基础。     

轮辐式航线网的航班计划优化模型

分析了轮辐式航线网布局模式的特征,提出了在轮辐式航线网上进行航班计划优化所要考虑的主要因素,进而独立研究了该种布局模式的航班计划优化模型。并通过一个案例说明该种轮辐式航线网航班计划优化模型的应用。     

一类时滞系统的鲁棒稳定性分析

通过构造适当的Ｌｙｓｐｕｎｏｖ函数和利用矩阵范数，对时滞扰动多变量系统的鲁棒稳定性进行了较为详细的分析，得出了几个较有意义的充分条件．     

遥操作机器人神经网络Smith预估控制(英文)

针对遥操作机器人通讯通道中存在的时延 ,提出了一种神经网络 Smith预估控制方法。控制系统适合于时延不变但未知的情况。控制系统包括主控制器和从系统两部分。从系统采用动态神经网络辨识机器人的动态模型 ,神经网络权重在线学习 ,用神经网络的输出对非线性系统进行局部非线性补偿 ,将非线性系统线性化。主系统针对线性化的从系统 ,采用 Smith预估控制解决时延问题并保证系统的性能品质。通过李雅普诺夫稳定理论保证了时延控制系统的稳定性。对两关节机器人的仿真结果说明了该方法的有效性。     

不确定时滞系统的模糊鲁棒H∞控制

讨论了一类具有时滞的不确定非线性系统的模糊H∞状态反馈控制问题。采用具有时滞和不确定项的Takagi-Sugeno(T-S)模糊模型对非线性系统进行建模，提出了一套基于LMI的模糊鲁棒控制器的系统设计方法，并给出了模糊H∞状态反馈控制器存在的充分条件，以保证闭环模糊系统渐近稳定并满足从干扰输入到输出控制输出的H∞范数界约束。示例仿真表明了该方法的有效性。     

非线性不确定系统的时滞相关鲁棒H∞控制

针对一类带有输入时滞的非线性不确定时滞系统,基于适当形式的Lyapunov泛函,利用线性矩阵不等式(Linear matrix inequation,LMI)方法,讨论了时滞相关型鲁棒H∞状态反馈控制器设计问题,其中非线性不确定性满足增益有界条件,且控制器存在的充分条件由线性矩阵不等式的形式给出.最后给出一个具体算例说明了该方法的有效性.     

基于Web Services的并联机床制造服务系统

针对并联机床加工曲面零件的优势与目前并联机床未得到广泛应用之间的矛盾,开发了并联机床的制造服务系统。该系统将并联机床原有制造系统中的后置处理功能封装成Web services,包括编译、工作空间计算、干涉校验和运动学变换,应用面向服务的架构使并联机床的制造服务与异地制造企业协同工作,并给出了此架构下该系统的工作流程和功能模块。实例说明,应用Web services和面向服务架构的制造服务系统与传统的分布式系统相比,具有易集成性、松耦合性及易操作性,可以为企业减少成本、提高效率。     

使用标准规定航迹的目视机动盘旋保护区的自动生成

通常情况下,飞行程序设计工作一直依靠手工进行,设计周期长,工作效率低。因此,为实现飞行程序设计的自动生成而进行飞行程序设计的辅助设计势在必行。本文针对使用标准规定航迹的目视机动盘旋,结合国际民航组织的Doc8168文件,经过调研并在AutoCAD基础上采用Visual-LISP语言进行开发,建立计算模型,通过在对话框中输入数据的形式实现了对使用标准规定航迹的目视机动盘旋保护区的自动生成。     

基于可变形卷积与特征融合的机场道面裂缝检测算法

机场道面裂缝具有形态多变、宽度狭小、长短不一、且空间走势呈自由曲线的不规则特征,现有算法检测效果不佳。针对此问题,本文构建了一种基于可变形卷积与特征融合的神经网络（Deformable convolution and feature fusion neural network,DFNet）模型。首先由可变形卷积模块来强化特征提取网络对裂缝形态特征的学习; 然后经多尺度卷积模块捕获不同感受野下裂缝的全局信息;最后通过特征融合模块来提取裂缝不同层次的特征,通过融合裂缝低级特征与高级特征,实现对机场道面裂缝的准确分割。在采集的实际机场道面裂缝数据集上,与其他6种现有算法进行了对比实验,本文算法在像素级分割的F1-Score上达到了90.95%,效果优于全部对比算法。DFNet算法提高了对机场道面裂缝检测的能力,实验结果表明本文算法较好地达到了工程实际要求。