基于ALR-GMM的群养猪攻击行为识别算法研究

群养猪攻击行为是评估猪群对微环境适应性的重要指标。活动指数模型能够描述猪群行为模式,已经在群养猪攻击行为识别研究中得到初步验证。然而,养殖设施的差异性和动态背景环境等因素所导致的环境适应性差是限制其商业化应用的主要障碍。本文基于递归背景建模思想,在高斯混合模型(GMM)中引入双曲正切函数,提出了一种自适应学习率GMM的活动指数计算方法(ALR-GMM),能够在动态背景环境下准确提取动物活动指数。与经典模型相比,平均相对误差从15.08%降到14.34%。育肥猪攻击行为识别试验中,采用ALR-GMM算法提取行为视频单元的活动指数特征,构建了活动指数最大值、平均值、方差和标准差特征向量,采用线性核函数支持向量机建立分类器。结果表明,本文算法的正确率、灵敏度、特效度和精度分别为97.6%、97.9%、97.7%和97.8%,满足实际应用需求。

面向加密流量的恶意RAT攻击行为识别方法

远程控制木马(Remote Access Trojan,RAT)是一类能够远程控制和监视计算机的恶意软件,广泛用于各种网络攻击。由于其危险性和隐蔽性,现已成为网络安全领域的重要关注点。针对细粒度恶意RAT攻击行为识别混淆程度更高的问题,提出一种面向加密流量的恶意RAT攻击行为识别方法。首先,提出一种加密恶意RAT攻击行为精细化分割方法,基于滑动窗口算法分析报文序列相似度,通过相对熵变化来寻找行为分割点;其次,设计基于报文负载长度序列的2种神经网络分类模型LS-CNN和LS-LSTM,用于提取不同攻击行为流量中的深层空间特征来识别不同恶意攻击行为。通过在自建的真实数据集上进行实验,结果表明,提出的方法能够以92.08%的准确率识别出不同恶意RAT攻击行为。

社区重性精神患者攻击行为的识别与对策

目的总结探讨社区重性精神患者攻击行为的识别与对策。方法对本社区2006年4月至2013年7月社区管理的重性精神患者随访观察和记录结果。结果 56例重性精神病患者经过随访观察和治疗,病情不稳定11例(其中自杀2例,纵火2例,3级7例),占19.6%,病情基本稳定39例,占69.6%,病情稳定者6例,占10.7%。结论识别社区重性精神患者的攻击行为,采取有效对策,降低危害社会治安行为的发生,可有效提高社区精防医师的应急处理能力。

基于人体关节点数据的攻击性行为识别

针对人体攻击性行为识别问题,提出一种基于人体关节点数据的攻击性行为识别方法。首先,利用OpenPose获得单帧图像中的人体关节点数据,并通过最近邻帧特征加权法和分段多项式回归完成由人体自遮挡和环境因素所导致缺失值的补全;然后,对每个人体定义动态“安全距离”阈值,如果两人真实距离小于阈值,则构建行为特征矢量,其中包括帧间人体重心位移、人体关节旋转角角速度和发生交互时的最小攻击距离等;最后,提出改进的LightGBM算法w-LightGBM,并对攻击性行为进行识别。采用公共数据集UT-interaction对所提出的攻击性行为分类识别方法进行测试实验,准确率达到95.45%。实验结果表明,所提方法能够有效识别各种角度的攻击性行为。