基于MVO-SVR的室内指纹定位算法

针对室内定位过程中由非视距和环境干扰导致的定位精度不高的问题,提出一种基于多元宇宙优化支持向量回归的室内指纹定位算法。首先通过基于超宽带通信技术的双边双向测距算法计算得到测距信息;然后利用测距值作为指纹特征并建立指纹库,使用SVR算法构建定位坐标和测距值之间的映射关系;最后使用MVO优化算法寻优SVR算法的cost和γ参数,以提升定位精度。实验显示,选择径向基函数作为SVR模型的核函数能够有效提高定位精度,并将MVO-SVR的结果与三边定位、随机森林算法、极致梯度提升算法、SVR的结果进行对比和分析,X方向平均绝对误差分别降低了20.12%、54.43%、60.66%和16.21%,Y方向平均绝对误差分别降低了79.57%、54.18%、59.29%和38.17%,平均定位误差Ep分别降低了60.73%、54.38%、60.01%和22.84%,且MVO-SVR算法在X和Y方向平均绝对误差均达到了厘米级。结果证明:基于MVO-SVR的室内指纹定位算法明显提升了定位精度,在复杂室内环境中具有良好的应用前景。

基于脆弱指纹的深度神经网络模型完整性验证框架

预训练模型容易受到外部敌手实施的模型微调和模型剪枝等攻击,导致它的完整性被破坏。针对这一问题,提出一种针对黑盒模型的脆弱指纹框架FFWAS(Fragile Fingerprint With Adversarial Samples)。首先,提出一种无先验知识的模型复制框架,而FFWAS为每一位用户创建独立的模型副本;其次,利用黑盒方法在模型边界放置脆弱指纹触发集,若模型发生修改,边界发生变化,触发集将被错误分类;最后,用户借助模型副本上的脆弱指纹触发集对模型的完整性进行验证,若触发集的识别率低于预设阈值,则意味着模型完整性已被破坏。基于2种公开数据集MNIST和CIFAR-10对FFWAS的有效性和脆弱性进行实验分析,结果表明,在模型微调和剪枝攻击下,FFWAS的指纹识别率相较于完整模型均明显下降并低于设定阈值;与基于模型唯一性和脆弱签名的深度神经网络认证框架(DeepAuth)相比,FFWAS的触发集与原始样本在2个数据集上的相似性分别提高了约22%和16%,表明FFWAS具有更好的隐蔽性。

跨学科视角下的流域磷源示踪技术:原理、实践与挑战

文章详细介绍了流域磷源示踪技术的种类和原理,包括化学特征示踪法、同位素示踪法、微生物指纹法和模型模拟法,并讨论了各方法的优势、局限性以及面临的挑战。尽管这些技术在理解磷循环的复杂性和动态特性方面各有优势,但其有效应用受限于技术方法的局限性、数据解释框架的多样性和比较难度、操作的高度复杂性以及对先进技术的依赖。该文强调了跨学科协作在推动技术创新、数据处理集成和成本效益平衡方面的重要性。通过结合化学、生物学、环境科学等学科的方法和理念,可以为磷源示踪技术的优化提供新视角,助力未来的研究和实践应用。

基于显著图的高隐蔽性模型指纹算法

在核心任务场景下训练深度神经网络(DNN)需要越来越多的算力资源,这刺激了基于云端预测API接口的模型的窃取与盗用,同时也违反了模型所有者的知识产权.为了追踪公开的非法模型副本,深度神经网络的模型指纹技术为希望保持模型完整性的模型所有者提供了一种强大的版权验证方案.然而,现有的模型指纹方案主要基于输出层面的内在痕迹(例如:特定输入样本下的错误预测行为),这导致在模型指纹验证阶段缺乏隐蔽性.本文基于模型预测时的显著图(saliency map)痕迹,提出了一种全新的任意下游任务通用的模型指纹方案.本文的方案提出了受约束的显著图操控目标,构建标签不变和自然的指纹样本,显著提高了模型指纹的隐蔽性.根据对3种典型任务场景下全面的评估结果,本文提出的方法被证明能够显著地增强现有方案的指纹版权验证的效果,同时保持高度的模型指纹隐蔽性.

视觉深度伪造模型归因研究综述

视觉深度伪造模型归因技术对于保护知识产权、打击深度伪造技术滥用和维护信息真实性具有非常重要的作用。首先概述了主流的视觉深度伪造技术,其次分类综述了视觉深度伪造模型归因研究进展和技术特点,最后总结了当前模型归因技术存在的不足和难点。

井下动态环境基于DAE的XGBoost自适应定位算法研究

针对煤矿井下高动态环境导致WiFi定位模型的精度降低的问题,提出极端梯度提升(XGBoost)的指纹定位算法,利用其高维数据特征的学习能力完成定位。与传统的梯度提升树(GBDT)算法相比,在完成更好定位效果的同时,速度也大大提升。同时针对WiFi数据的波动性和XGBoost算法面对动态环境模型漂移问题,分别提出融合降噪自编码器(DAE)和自适应机制的D-XGBoost算法和Z-XGBoost算法。实验结果表明:XGBoost算法的定位精度比GBDT算法提高了,效率提高了5倍多。融合DAE的D-XG-Boost算法的定位准确率比XGBoost算法提高了17%;融合了自适应机制的Z-XGBoost算法有效降低了模型漂移造成的误差。所提改进算法更好地改善了WiFi定位模型精度降低和模型漂移问题。

一种新型深度分类神经网络黑盒指纹水印算法

提出了一种新型的强鲁棒黑盒指纹水印框架及方法。首先,提出了一种基于数字水印技术的高视觉质量的、具有一定安全性的毒化图像构造方法,将指示用户身份的信息嵌入到毒化图像,实现多用户场景下深度神经网络模型的可追溯性,并降低毒化图像被伪造的概率;其次,提出了毒化特征加强模块来优化模型训练;最后,设计了对抗训练策略,有效地学习到嵌入强度很小的指纹水印。大量的仿真实验表明,所构造的毒化图像中的指纹水印具有非常好的隐蔽性,大幅超越了WaNet等同类最优模型水印方法;以分类性能降低不超过2.4%的代价获得了超过99%的黑盒模型指纹水印验证率;且即便在指纹水印相差1位时亦能准确地进行模型水印版权验证。这些性能总体上优于同类最优的模型水印方法,表明了所提方法的可行性和有效性。

煤矿井下HBi-LSTM地磁定位算法研究

针对井下环境对地磁数据影响较大的问题,提出HBi-LSTM神经网络地磁定位模型。基于分层LSTM处理不同长短时间序列以及Bi-LSTM充分学习每条序列信息的特点,构建出HBi-LSTM模型,利用矿用手机内置磁力计采集井下地磁数据,建立面向井下环境的地磁指纹数据库,通过HBi-LSTM学习实现地磁序列可以更好地对应位置标签,之后矿工手持矿用手机随机运动采集地磁序列通过训练好的模型精确匹配指纹库实现在线定位。实验结果显示:所提出的模型比基本LSTM模型的定位性能更好,能够有效提升复杂环境下定位精度。

混合室内定位系统设计与实现

室内环境复杂性以及建筑物对信号的干扰使得GPS等室外定位无法精准作用于室内环境,因此提出一种混合室内定位系统,提高定位精准度,可较为直观地反映出定位地点的位置信息,一定程度上减少了定位所需时间。本文通过在一处居所的定位实验简单研究了混合定位的实现方式以及影响定位精度的因素,定位精度受数据库记录点密度、信号衰减系数、室内环境的变动等因素影响。

面向可见光无线定位的指纹推理模型校准

针对可见光无线定位指纹推算技术遇到的指纹赋权模型校准难题,本文利用贝叶斯推断理论和随机优化方法,提出了一种高效的指纹赋权模型校准优化方法.首先,利用可见光接收信号强度及其对应的位置和姿态标签建立指纹数据库;其次,依据指纹观测模型及最大熵理论,构建高斯型指纹赋权模型,用于推算可见光无线终端的位置和姿态;然后,依据随机优化理论,将高斯赋权模型校准难题建模为随机优化问题,并设计了基于连续凸函数逼近的赋权模型优化算法解决其中的非凸函数优化难题,从而实现对指纹赋权模型参数的高效校准,提升可见光定位的指纹推算精度.通过对指纹赋权过程进行建模与优化,本文提出的指纹定位方法能够有效抑制非视距传播干扰、弥补指纹匹配误差,极大地提升了可见光指纹定位的精度.仿真数据表明,本文基于指纹赋权模型优化的可见光无线定位算法相比于主流的指纹定位方法具有更高的定位性能.

反向残差结构的指纹细节点提取轻量型网络模型

针对指纹匹配中细节点信息提取错误和提取不充分的问题,提出一种基于深度学习的端到端轻量型改进多尺度反向残差指纹网络模型(inverted residual network for fingerprint minutiae extraction,IRFingerNet)。该网络模型使用改进的残差结构,建立容易优化的轻量级网络,在增加网络深度时可减少信息丢失;把指纹的脊线、细节点等多种特征融合为联合特征,增强语义信息并提高对细节点的感知能力;运用通道注意力机制,校正联合特征,增大有效特征权重,减少无效特征权重。在NIST 4、FVC 2002、FVC 2004数据库上的实验结果表明,在实际应用中,IRFinger Net可以更有效地完成指纹细节点提取的任务,拥有更高的精准度和回调率,整体的F1得分高达0.87,其效果相较于传统提取方法得到了11%的提升,且达到了每个指纹图像0.23 s的检测速度。

针对Tor暗网流量的MorViT指纹识别模型

网络攻击日趋频繁,为保护用户隐私,匿名通信系统不断涌现。但这也被不法分子利用,进行各类违法活动而形成暗网。监测和识别暗网流量对维护网络安全具有重要意义。针对上述问题,提出了用于Tor暗网流量的MorViT指纹识别模型。该模型将流量数据转换为图像以便于可视化和模型输入,并融合一维倒残差结构、二维倒残差结构和MobileViT模块,用以同时提取流量局部特征以及整体流量的全局特征和长距离依赖关系。为弥补Transformer在小数据集上的不足,引入可学习的温度系数和对角掩码增强局部归纳能力。实验结果表明,MorViT模型在封闭世界和开放世界场景下的分类准确率、召回率、AUC等指标上均优于既有模型,能够有效完成Tor暗网流量指纹识别任务。

天然香精香料萃取特征分析及化学成分研究

天然香料植物及其提取物用途广泛,但受种类、产地、种植条件等多重因素影响,化学组成复杂,且差异性大,真伪鉴别、品质监控与特征组分挖掘难度较大。以烟用香精香料为研究对象,设计实验过程,优化与比较分析直接进样、热脱附,以及搅拌棒吸附萃取-热脱附方法,采用气相色谱-质谱分析,从指纹图谱整体性与特征分子目标性的二个维度,基于模型集群分析(MPA),有效提取表征香精香料间质量差异性的特征组分,深入分析指纹特征与目标物质质控的关联性一致。构建偏最小二乘-判别分析(PLS-DA)和支持向量机(SVM)定量模型,获得100%的识别准确性,具有较好的应用前景。

海量模式高效匹配方法研究

本文提出了一种基于随机指纹模型的Wu and Manber(WM)算法(Randomizing Fingerprint WM,RFPWM),它通过为每一个模式串计算唯一指纹可以有效降低误报率.与WM算法相比,RFP-WM算法极大地降低了哈希冲突率,提高了命中率,在海量模式集上这一效果更为显著.实验结果表明,相对于传统WM算法,该算法的匹配效率更高,而且模式集的规模越大,性能越优越.

复合指纹识别技术定量示踪流域泥沙来源

土壤侵蚀导致水土资源及土地生产力的破坏和损失,泥沙淤积危害及其引发的一系列水环境效应已成为当前及以后一段时期内研究的热点和重点。开展流域(河流)泥沙来源研究,查明入塘、河、库泥沙通量,定量识别泥沙来源具有重要现实指导意义。选取了一个由山坪塘控制出口的封闭式农业单元小流域(10.7 hm2),开展复合指纹识别技术定量辨析塘库沉积泥沙来源新尝试。据流域现状,定性划分了3种泥沙来源,即旱地、水田、林草地,并分别于塘库中部采取A、B、C三柱表层沉积泥沙;结合复合指纹识别技术定量解析了塘库表层沉积泥沙来源。研究表明,塘库沉积泥沙各来源相对输沙贡献分别为旱地84%、水田14%、林草地2%,复合指纹识别技术能较好地辨析小流域泥沙来源。

8种植物油气味指纹模型的建立

运用电子鼻对8种不同加热温度下的植物油进行检测,建立了8种植物油的气味指纹模型,采用线性判别式(LDA)进行分析,通过判别函数法(DFA)对其进行验证。结果表明:电子鼻能够很好地对不同种类以及不同温度的植物油进行区分;在DFA分析中模型对未知样品的识别值大于96%,能对所测的8种植物油样品进行有效地识别,正确率达到100%。电子鼻建立的植物油的气味指纹模型是可靠的。

贝类气味指纹模型的建立

为建立一种快速有效的识别贝类的科学方法,运用电子鼻区分不同种类和不同加热温度的贝类,建立一个包含所有种类和温度的贝类模型,通过判别函数法对该模型进行验证。结果表明,电子鼻能够区分不同种类以及不同加热温度的贝类;建立的贝类气味指纹模型的成功率可达到95%以上。可知利用电子鼻建立贝类的气味指纹模型是可行的。该模型准确灵敏,可为食品特别是水产品的快速检测提供了依据。

茶油挥发性成分指纹图谱的构建及掺伪定量检测方法研究

为探析茶油的挥发性成分指纹图谱,以20种不同产地、制备方法的茶油为原料,利用顶空固相微萃取(SPME)和气相色谱仪分析其挥发性成分。结果表明:(1)茶油挥发性成分的指纹图谱由壬醛、2-反己烯醛等17个共有色谱峰构成,且经聚类分析和相似度分析得出茶油的产地、储存时间,尤其是制备工艺对其影响较大;(2)选取一种茶油为研究对象,建立了菜籽油-茶油的掺伪模型:Y=-4 572.5X^3+5 637.4X^2-2 206.3X+364.05(Y为菜籽油掺假比例%,X为夹角余弦cosθ),适用于菜籽油掺伪量25%以上的茶油。

杏仁油挥发性成分指纹图谱的构建及掺伪定量检测方法研究

以17种不同的杏仁油为原料,采用顶空固相微萃取(SPME)和气相色谱仪测定了其挥发性成分,建立了杏仁油挥发性成分指纹图谱,并采用向量夹角余弦法计算了指纹图谱相似度。结果表明,杏仁油挥发性成分指纹图谱由12个共有色谱峰构成,通过聚类分析和相似度分析,发现该指纹图谱重复性好,专属性强。在该方法的基础上,建立了菜籽油-杏仁油掺伪模型:Y=-2947.0X^3+1254.9X^2+77.661X+46.693(其中Y为菜籽油掺假比例%,X为夹角余弦cosθ),适用于掺伪量15%以上杏仁油的鉴别。

基于信号传输模型的指纹井下目标定位算法

由于煤矿井下环境的特殊性,无线信号易受折射、散射、反射等因素的影响,造成了传统的定位技术得不到有效的发挥。通过分析煤矿井下巷道的无线信号传输模型,结合井下巷道自身的特点,提出了一种改进的信号强度指纹井下目标定位算法,利用均值滤波方法去除受多径效应或遮挡产生的野值点。实验结果表明,该算法能够很好地解决其他指纹定位方法在个别点上定位误差较大的问题,提高了总体的定位精度,获得了煤矿井下目标的理想定位结果。