基于多频特征学习的恶意代码变种分类

针对恶意代码变种分类方法没有充分对原始输入进行分析的问题,提出一种更加高效的基于深度学习的办法,使用卷积神经网络对多频信息进行学习。对恶意代码转化而成的图像进行研究,利用小波变换进行多频和多层次的分析,抓住低频和高频特征;针对多频信息输入,设计一种多频特征学习模块,充分挖掘其中有用信息。实验结果表明,该方法在Malimg数据集上,相比其它两种恶意代码分类办法,分别取得了1.5%和0.8%的效果提升。

支持向量机的OTHR多频特征目标分类识别法

针对低信噪比下多频法在天波超视距雷达(Over-The-Horizon Radar,OTHR)目标分类识别中分类精度不高的缺点,充分利用雷达量测的一些先验信息,将基于支持向量机(Support Vector Machine,SVM)的多分类器引入多频法中,提出了一种基于SVM的OTHR多频特征目标分类识别方法。仿真结果表明,利用较少的3个频率点,在信噪比较低的条件下可获得较好的分类识别效果,说明了该方法在OTHR目标分类识别中的有效性和可行性。

基于多频特征的OTHR目标分类性能分析

天波超视距雷达(OTHR)的目标分类识别方法与常规雷达有着很大的区别;由于目标对不同频率的入射波所返回的信号不同,可直接用合理配置在几个频率点上的RCS数据进行目标分类识别;在仿真模拟OTHR的目标回波及电离层模型和构建目标RCS特征库的基础上,针对部分空中目标,利用多频法进行目标分类识别,进行了大量仿真实验和性能分析;通过对比在不同频率点数和不同外加噪声情况下的分类识别结果,验证了多频法在OTHR目标分类识别中的有效性和可行性。

基于空-频上下文联合卷积网络的单图像去雨

针对单图像去雨中,雨纹尺度、方向等随机分布导致的图像背景信息损失的问题,提出一种基于空-频域上下文联合卷积网络的单图像去雨算法。首先通过上下文信息聚合模块,对雨图像的全局信息重新分配权重,强化重要特征。建立空-频域去雨模型,提高空-频域之间上下文信息的相关性。设计多频特征映射模块,对重新分配权重的空域特征采用下采样低频特征与频间信息交互的方式映射雨频特征,去除空间冗余,提高网络运行速度。最后,通过序列操作迭代分解出不同成分的雨纹信息,完成单图像去雨。实验表明,所提算法去雨性能优越,对于背景图像的细节信息也具有较好的保护作用。

阵列调制随机共振在微弱信号特征提取方面的应用

论述了阵列调制随机共振方法在强噪声背景下多频微弱信号特征提取中的工作原理和实现步骤;采用预先设定系统参数的多个并联非耦合随机共振单元形成阵列,将被测强噪声背景下的多频微弱信号分别与不同频率的载波进行调制,生成多个差频均为0.01Hz的信号作为各对应随机共振单元的激励信号,采用龙格-库塔算法求取各单元输出并进行频谱分析,根据0.01Hz处的信噪比判断在微弱信号中是否存在载波频率与差频值之和大小的频率分量,最后综合各个随机共振单元的检测结果生成微弱信号的频率特征向量;仿真结果表明,阵列调制随机共振在微弱信号特征提取方面效果明显,具有很好的应用前景。