基于节点状态跳转统计分析的干扰攻击检测算法

干扰攻击会导致节点状态跳转规律发生变化。为此,在节点状态跳转统计分析的基础上,提出一种改进的干扰检测算法。在学习阶段,通过学习无干扰和有干扰场景下的样本,获取节点各状态时间占比的干扰检测判决门限和干扰类型判决门限。在检测阶段,对节点的各状态时间占比与对应的判决门限进行比较,检测干扰攻击并判断其类型。采用加权检测置信度方法进一步提高检测正确率并降低误报率。在NS3上的仿真结果表明,该算法的误报率较低,能够准确检测到典型的按需和持续干扰攻击。

基于多状态跳转模型的场景独立音频事件检测方法

针对不同类型事件设计多状态跳转模型,结合两种深度神经网络实现对传统音频事件检测框架的改进。实验表明,在DCASE2017任务2的开发集数据上,改进后的DNN-HMM系统相比于基线系统取得F值8.9%的相对提升和错误率19%的绝对下降;基于多状态跳转模型聚类的卷积神经网络模型(SC-CNN),相比于基线系统取得F值18%的相对提升和错误率30%的绝对下降。

基于AP聚类-跳转持续MC的风电出力时间序列模拟生成方法研究

模拟生成概率等效条件下的风电出力时间序列对分析未来场景下风电出力不确定性以及提高风电消纳水平具有重要意义。针对传统马尔科夫链存在的问题,文中提出一种基于AP聚类-跳转持续马尔科夫链(Affinity Propagation Clustering-Transition and Persistence Markov Chain,AP-TP MC)的风电出力时间序列模拟生成方法。首先,对历史风电出力数据进行AP聚类,并对每一聚类类别下的风电序列建立相应的状态跳转矩阵;其次,依据马尔科夫链模型,结合风电出力状态持续时间特性,抽样并叠加符合混合高斯分布的波动分量,形成某一聚类类别下的风电出力时间序列;然后,依托类间转移矩阵,模拟生成风电出力时间序列;最后,通过对比传统马尔科夫链法与文中方法生成的风电出力时间序列与历史序列之间的统计指标、概率分布指标及自相关性指标,验证所提方法的有效性和准确性。

城市快速路交通拥挤分析及拥挤阈值的确定

基于实测数据和交通流模型,划分了六种典型交通状态,提出了"状态跳转"的概念及判别方法以解释拥挤机理;对比了状态跳转与B S Kerner的"相变"理论的差异及其随路段、时段的变化规律;最后给出了拥挤阈值的定义、指标、确定方法,分析了影响因素及与交通控制的关系.研究结果可为选择合适的交通控制措施及确定最佳控制时机提供依据.

城市快速路常发性交通拥挤分析

基于城市快速路交通流实测数据,分析了常发性交通拥挤的特征。划分了6种交通流状态,对其进行了定性和定量分析,进而提出了“状态跳转”的概念和判别方法,揭示了拥挤形成过程;根据交通拥挤的形成原因将其分为主动和被动式。介绍了用时空速度变化图寻找拥挤源头以及选择交通控制措施的方法。

一种可快速生成虚拟培训系统

本文介绍的虚拟实务培训系统基于有限状态机思想,利用状态跳转的思想简化虚拟培训系统的实现逻辑,并选用FLEX、数据库技术对系统在技术上进行了实现。

人脑默认模式网络的动力学行为

大脑具有自适应、自组织、多稳态等重要特征,是典型的复杂系统.人脑在静息态下的关键功能子网络--默认模式网络(DMN)的激活处于多状态间持续跳转的非平衡过程,揭示该过程背后的动力学机制具有重要的科学意义和临床应用前景.本文基于功能磁共振获得的血氧水平依赖(BOLD)信号,建立了DMN吸引子跳转非平衡过程的能量图景、吸引子非联通图、跳转关系网络等;以高级视觉皮层和听觉等皮层活动为例,通过对应激活DMN状态空间的分布,以及XGBoost、深度神经网络等算法验证了DMN状态变化与外部脑区状态的密切依赖关系;通过偏相关、收敛交叉映射等方法分析了DMN内各个脑区之间的相互作用.本文结果有助于理解静息态下大脑内在非平衡过程的动力学机制,以及从动力学的角度探索具有临床意义的脑功能障碍生物标志物.

计算机免疫系统中识别器的改进

抓住入侵位串往往具有的相似性,在KMP字串匹配算法思想的基础上,结合图灵机模型抽象出了一种基于状态转移的字串匹配方案。通过对图灵机状态跳转函数的思索和状态树的构造,得到对于任意状态节点的最大后缀状态,从而大大地加快了识别器的识别效率。通过模拟实验,证明确实得到了较明显的提高。