PCA-BP神经网络入侵检测方法

针对经典BP神经网络在入侵检测应用中收敛速度慢、学习性能不够理想等缺陷,以消除原始数据中的冗余信息、提升入侵检测算法的检测性能为目的,综合采用主成分分析法和附加动量法,提出了一种基于PCA-BP神经网络的入侵检测方法,通过对数据的特征选择和对网络的权值修正,对经典BP神经网络算法进行了拓展和改进。首先对网络数据集进行标准化处理,并对处理后的数据集进行降维处理以确定主分量的特征数,最后将处理完成后的数据集输入到改进的BP神经网络中进行检测。通过在KDD Cup 1999网络数据集上的大量实验证明,该方法在大部分网络环境,尤其是在训练样本较为充足的网络环境中时,系统模型的收敛性、检测效率和检测准确率上均优于经典BP神经网络方法和半监督入侵检测方法。

改进卷积自编码器的局部特征描述算法

针对非监督学习方法提取的底层特征用于特征描述时可区分性不强,对图像旋转、尺度等变换敏感的问题,提出了一种改进卷积自编码器的局部特征描述算法(Convolutional Auto-Encoder Descriptor,CAE-D)。CAE-D算法利用信息熵评价卷积核性能,提出在CAE中添加卷积核信息熵约束规则,通过均值化卷积核携带的局部特征信息,提升卷积特征描述的可区分性;在特征描述前使用传统SIFT中主方向分配算法确定局部图像的主方向,并引入降采样操作,进一步提升特征描述的旋转不变性及鲁棒性。图像匹配实验结果验证了改进策略的有效性,CAE-D算法优于当前先进的KAZE、SIFT,而运行时间相比SIFT缩短了47.14%。

基于非监督特征学习的兴趣点检测算法

由于兴趣点是图像中的基础、关键特征,因此兴趣点检测是图像配准、图像检索以及图像识别的关键步骤。基于兴趣点对于图像特征响应较为强烈的特性,结合非监督特征学习算法可以自主地从无标签的样本中提取特征的思想,提出了UFL-ID兴趣点检测算法。该算法无监督学习了图像的底层特征,对特征进行信息量和各向同性的评价,并利用特征的卷积响应及评价参数寻找图像中的兴趣点。与其他常见的兴趣点检测算法的对比实验表明,该算法具有良好的重复性与抗噪能力。

一种改进的特征点方向分配算法

现有特征点方向分配算法易受噪声干扰,在光照、仿射变换时准确性有待提高。针对以上不足,在SIFT算法基础上,提出了一种改进的特征点方向分配算法。该算法以特征点为中心,在0°~360°的范围内固定角度间隔,等距采样若干局部区域的圆形图像小块,计算各圆形图像小块质心相对圆心的偏移值。根据统计学原理以及实验验证表明,低偏移值区域易受噪声干扰且对特征点主方向的确定没有影响。据此,改进算法排除低偏移值局部区域,计算剩余局部区域像素梯度的幅度与幅角,利用方向直方图给特征点分配主方向。结果表明,相比SIFT算法,改进算法在主方向分配时运行速度更快,同时准确性更高。此外,在特征点匹配实验中,对视角变换的数据集图像,改进算法的准确率与现有算法基本持平;在噪声干扰的数据集图像中,改进算法的准确率提升了17%。

基于模糊积分的纠错输出解码研究

针对基于纠错输出编码的多类分类中解码策略的选择问题,提出一种基于模糊积分的解码方法.将每个基分类器看作一个证据源,其概率输出提供了测试样本所属类别的可能性;同时基于基分类器信任度和混淆矩阵对模糊密度的赋值进行了改进;最后求取最大的模糊积分值所对应的类别为分类输出.基于UCI数据集和经典解码方法的比较实验验证了本文所提方法作为二符号解码策略的可行性和有效性.