一种基于GNSS的站内列车精确定位方法

铁路车站道岔密集、站场环境复杂,基于GNSS的站内列车定位面临诸多困难,引入贝叶斯理论和卡尔曼滤波方法,提出一种站内列车精确定位方法。首先,在电子地图中用直线轨段来刻画站场轨道网络拓扑,推导出直线轨段占用识别的随机模型,结合电子地图利用贝叶斯推断对列车直线轨段占用进行估计;利用卡尔曼滤波将GNSS位置信息与速度信息融合处理,去除GNSS信号质量不稳定所产生的定位误差,获得列车的精确位置。在实际铁路车站进行了列车行车GNSS数据采集,与常规的垂直投影列车定位方法进行仿真对比分析,结果表明,本文方法在完成直线轨段占用定位的实时性方面提升了17.6%,列车位置估计误差可以降低到1 m以内,满足列车在站内精确定位需求。

基于人工神经网络的DGA僵尸网络检测

基于DNS协议的僵尸网络大多采用域名生成算法(domain generation algorithm,DGA),该算法可以随机改变域名来隐藏自身。与传统检测方法相比,基于机器学习的检测可以获得更好的检测结果。因此,提出了一种基于人工神经网络的僵尸网络检测体系结构,可以帮助在线安全卫士监控网络流量,区分DGA域和普通域,通过测试朴素贝叶斯模型和用DGA的正常特征或DGA的N-gram特征训练的人工神经网络(artifi cial neural network,ANN)模型并用真实的数据集实现并评估该解决方案的实用性。结果表明,采用人工神经网络的新模型能够更好地区分DGA的域,能够正确地处理更多的域。

基于深度学习的恶意代码可视化纹理检测方法

本文基于恶意家族代码可视化典型纹理特征,提出一种改进的R-FCN和迁移学习的深度学习检测方法,通过计算恶意纹理与背景纹理的IoU交叉比,剔除恶意纹理的相近边框,重新训练困难负样本等方法,提高了分类和定位检测精度;同时结合迁移学习方法加快模型收敛。实验结果表明,本文提出的改进方法在分类准确率、边框回归检测速率和m AP等方面优于其他恶意代码可视化纹理检测方法。