基于多分类器投票的变电站自动化系统硬件木马检测方案

针对IEC 61850标准下变电站自动化系统所面临的硬件木马攻击风险,提出了一种基于多分类器投票的硬件木马检测方案。该方案能有效检测该系统中常用通信接口RS232存在的各类型硬件木马。相比于其他基于机器学习的硬件木马检测方法,方案通过主成分分析算法对旁路特征数据进行降维和去噪处理,解决了处理高维度旁路特征样本时的计算开销高和数据冗余问题。此外,本方案结合网格搜索和K折交叉验证算法优化个体分类器参数,并通过投票机制将这些个体分类器集成为改进的多分类器投票模型,以进一步提高模型检测硬件木马的准确率。对比实验结果证明,该方案在检测不同类别的硬件木马时具有高效率和高准确率。

多分类器投票法预测植物蛋白质亚细胞定位

选取伪氨基酸组分、氨基酸频次的ID向量、N端信号的ID向量作为参数,利用多分类器投票法对植物11类蛋白质亚细胞定位进行预测。得到的预测精度已高达5折交叉检验的76.4%和77.0%,并且预测方法简单易实现。

基于近似熵与CSP的异步BCI空闲状态检测方法

针对异步脑机接口(BCI)中空闲状态难以检测的问题,提出将近似熵与公共空间模式(CSP)综合的方法来处理.在采用二级分类策略的前提下,通过近似熵与CSP方法分别从时间复杂度和空间模式上提取不同类型的脑电特征,利用这些特征训练出不同的分类器,然后使用多分类器投票的方法将它们综合以提高判断空闲状态的正确率.将本文的方法运用到BCI竞赛数据中,得到最终具体想象任务的命中率(TPR)普遍比通过阈值法得到的结果要高.数据处理的结果说明了本文方法对空闲状态检测的有效性.