基于CB-CNN与分割残差优化的列控系统网络攻击流量检测

复杂环境中的列控系统容易遭到各类网络流量攻击,现有的攻击流量检测方法往往特征选择差、稳定性较弱,导致检测精度较低。为此,提出一种通道增强卷积神经网络与分割残差优化的攻击流量检测方法。首先通过降噪式自动编码器对正常流量进行建模,同时使用无监督训练将原始特征空间转换为重构特征空间;然后利用通道增强使相关误差向量转化为分类器的多通道输入变量;最后为增加神经网络的特征表示多样性,设计一种多路径的分割残差网络来优化CB-CNN,通过学习不同维度级别的流量特征来优化分类。实验结果表明:所提方法具有较好的训练性能,NSL-KDD数据集与真实铁路安全网络中获得的平均精确率分别为94.573%与96.78%。在误报率较低的同时均具有较好的分类可视化效果。综合对比其他检测方法,提出方法检测实时性较好,能够适用于复杂场景的列控系统网络攻击检测,在噪声存在时具有较好的鲁棒性。

基于分割注意力机制残差网络的城市区域客流量预测

客流量预测是城市交通资源和公共安全智能化管理的重要依据。为了综合考虑城市乘客人群流动自身的既有周期性、趋势性和突发性,以及与城市物理和社会空间的耦合关系,在时空残差网络的基础上,本文提出了基于深度时空数据的分割注意力机制残差网络的城市细粒度客流量预测模型。首先以不同时空间隔的区域客流量历史数据为基础,引入分割注意力机制模块,为各模态的数据分配不同的权重,动态捕捉更高相关性的抽象数据特征;在时空数据的基础上,引入城市功能区属性作为联合特征,结合节假日、气候等外部特征,形成deep&wide网络结构,有效记忆重要特征对客流量变化的贡献。基于北京出租车数据的区域客流量对比实验表明,相比于传统的深度时空残差网络和其他经典机器学习模型,引入了分割注意力机制和城市功能区特征的预测模型能够更好地提取数据多元化的特征,预测精度明显优于其他同类别方法。

基于U型残差网络的遥感图像道路提取方法研究

针对遥感图像道路提取时大量建筑物、植被等干扰信息遮挡,导致出现错分、漏分、边缘信息恢复不完整等问题,提出一种基于Adaptive Mixup操作的深度残差分割网络。首先,使用预训练的ResNet101作为网络的编码器,有效地保持其特征表达能力;其次,引入ASPP模块提取图像的多尺度特征信息,在特征融合过程中加入Adaptive Mixup操作,对特征信息进行自适应地动态融合;最后,使用转置卷积与Pixelshuffle结合的上采样方法,对缩小后的特征图进行有效放大。通过使用两个高分辨率遥感数据集Massachusetts Roads Dataset和DeepGlobe Roads Dataset的实验结果表明,所提方法最高可达92.28%的精确率值和86.97%的F1值,改进后的网络在各项评价指标上均优于FCN、SegNet等经典语义分割网络,能够有效对道路信息进行提取,具备一定的实用价值。

采用双流网络结构的虹膜卷缩轮检测方法

针对虹膜卷缩轮检测易受干扰而导致边界定位波动的问题,提出一种基于双流网络结构的虹膜卷缩轮检测方法。在归一化图像中,利用双流网络结构分别提取结构特征和纹理特征。融合模块融合来自不同流的特征,得到初定位区域。对该区域进行滤波操作,去除噪声干扰。利用边缘梯度算子检测、提取卷缩轮。实验结果表明,该方法正确检出率为91.2%,边缘定位AP值为0.706,平均检测速度为2.3秒/幅,相比其它算法,存在复杂干扰的情况下,保证检出率和检测速度的基础上,降低了边界波动。