基于Bayes分类器的DoS／DDoS攻击防御技术

提出了一种基于贝叶斯分类算法的分布式拒绝服务攻击防御技术。利用贝叶斯分类算法来计算数据包的分值特征,按照分值表对数据包进行评分并映射成危险等级。然后对危险等级进行评估,根据不同危险等级对网络流量进行过滤。基于该防御技术,设计并实现了防御系统。通过实验分析,该系统在DoS／DDoS攻击发生时能有效区分正常流量与异常流量,从而实现对DoS／DDoS攻击进行实时防御。     

通用航空机队设备可靠性动态识别模型

通用航空机队设备可靠性是通航单位安全运行的前提条件,是影响运营单位经济效益的重要因素之一。根据通航单位机队设备可靠性数据统计、分析及实际使用情况,采用ATA100章节名称作为指标源。综合可变模糊识别方法和权重阶梯朴素贝叶斯分类器模型的优势,构建了通用航空机队设备可靠性动态识别模型。为了避免主观给定指标权重导致的不合理,应用熵权法客观获取指标权重。最后利用实例测试样本验证了权重阶梯朴素贝叶斯分类器的合理性,并基于该方法对待识别样本进行了可靠性状态识别。实例分析表明：基于权重阶梯朴素贝叶斯分类器的通用航空机队设备可靠性状态识别模型具有较强的可行性和合理性,为通用航空机队设备可靠性状态提供了一种科学的识别方法。     

基于压缩协作表示的辐射源识别算法

针对低信噪比（SNR）条件下传统辐射源识别算法性能下降的问题,提出了基于压缩协作表示的识别算法,分别从特征提取和分类器设计两方面进行描述。首先将时域辐射源信号变换到二维时频域,通过图像处理方法提取高维特征列向量。经随机矩阵压缩到一定维度后,输入到提出的压缩协作表示分类器中得到识别结果。进而,对协作表示系数进行非负约束,提出了更符合实际应用场景的算法。仿真结果验证了所提算法的可行性与有效性,且在低信噪比条件下稳健性强、抗噪声干扰性能好、计算量较小、易于工程实现。     

基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。      

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法,首先回顾了图像分类技术的发展历程,接着介绍了图像识别技术中的分类器,并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用,详细阐述了多种图像分类技术,具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时,对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后,从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。     

三维模型在SAR图像自动目标识别中的应用

提高高分辨率SAR图像在复杂战场环境中的目标识别能力,对防御未来战争中来自地面目标的威胁具有重要意义。针对地面特定目标的大小、方位、旋转等变化以及强杂波背景给目标识别带来的严重影响,提出将目标的三维模型投影到二维平面,采用余弦傅里叶矩和瑞利分布的CFAR检测方法分别对其矩特征和峰值特征进行提取,利用级联组合分类器对目标识别进行建模分析,并通过试验验证该方法的有效性。结果表明:该方法实现了在特征维数高和姿态变化下的目标识别,而且无需额外增加对制导控制系统的开销。     

现代雷达辐射源识别技术研究

对雷达辐射源进行准确识别是当前研究的重点课题之一,主要包括对雷达辐射源个体信号、雷达辐射源型号的识别.系统地介绍了当前用于识别雷达辐射源个体信号、雷达辐射源型号的几种常用方法,从理论上详细分析了它们的优缺点,并重点提出了脉内特征在现代雷达辐射源识别中的重要性.最后指出当前这一领域亟需解决的一些问题.     

离心式分级机分级理论与分级效能研究

介绍了离心式分级机的工作原理，分析了离心式分级机的流场特性，重点研究了速度特性和压力特性的分布规律，对离心机的分级效能以及改进方案进行了探讨，论述了细粉出口附加二次引风以及二相流入口速度对提高分级效率的的影响。     

Assessment of the impact of dimensionality reduction methods on information classes and classifiers for hyperspectral image classification by multiple classifier system

Identification of the appropriate combination of classifier and dimensionality reduction method has been a recurring task for various hyperspectral image classification scenarios. Image classification by multiple classifier system has been evolving as a promising method for enhancing accuracy and reliability of image classification. Because of the diversity in generalization capabilities of various dimensionality reduction methods, the classifier optimal to the problem and hence the accuracy of image classification varies considerably. The impact of including multiple dimensionality reduction methods in the MCS architecture for the supervised classification of a hyperspectral image for land cover classification has been assessed in this study. Multi-source airborne hyperspectral images acquired over five different sites covering a range of land cover categories have been classified by a multiple classifier system and compared against the classification results obtained from support vector machines (SVM). The MCS offers acceptable classification results across the images or sites when there are multiple dimensionality reduction methods in addition to different classifiers. Apart from offering acceptable classification results, the MCS indicates about 5% increase in the overall accuracy when compared to the SVM classifier across the hyperspectral images and sites. Results indicate the presence of dimensionality reduction method specific empirical preferences by land cover categories for certain classifiers thereby demanding the design of MCS to support adaptive selection of classifiers and dimensionality reduction methods for hyperspectral image classification.     

基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测

提出一个新的基于集成学习的预测器(TargetPCM),对蛋白质接触图(特别是中长程)进行高精度的预测。首先,TargetPCM使用加权朴素贝叶斯分类器(Weighted Nave Bayes classifier,WNBC)融合3个接触图预测器的输出,其中WNBC中的权重参数通过粒子群算法优化得到;其次,将WNBC融合后的输出和基于序列的特征进行组合,得到更具鉴别能力的特征;在此基础上,应用极端随机树训练得到最终的蛋白质接触图预测模型。为了验证TargetPCM的有效性,在包含98个非冗余蛋白质的数据集上进行了测试。结果表明:对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的集成预测器(NeBcon)分别提高了8.2%,16.1%和5.3%。在CASP11上进一步的验证表明,对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的基于协同进化的集成预测器(MetaPSICOV)分别提高了7.4%,9.1%和7.5%。实验结果验证了本文所提蛋白质接触图预测方法的有效性。