基于多模态神经网络流量特征的网络应用层DDoS攻击检测方法

农业设备、传感器和监控系统与网络的连接日益紧密,给农村配电网带来了新的网络安全挑战。其中,分布式拒绝服务(DDoS)攻击是一种常见的网络威胁,对农村配电网的安全性构成了严重威胁。针对农村配电网的特殊需求,提出一种基于多模态神经网络流量特征的网络应用层DDoS攻击检测方法。通过制定网络应用层流量数据包捕获流程并构建多模态神经网络模型,成功提取并分析了网络应用层DDoS攻击流量的特征。在加载DDoS攻击背景下的异常流量特征后,计算相关系数并设计相应的DDoS攻击检测规则,以实现对DDoS攻击的有效检测。经试验分析,所提出的方法在提取DDoS攻击相关特征上表现出色,最大提取完整度可达95%,效果明显优于对比试验中基于EEMD-LSTM的检测方法和基于条件熵与决策树的检测方法。

基于雾层特征提取与增强网络的端到端去雾算法

卷积神经网络在图像处理中发展迅速。大多数图像去雾算法仅专注于去雾,忽略了去雾图像的整体质量,进而导致诸如信息丢失和纹理模糊等问题。为此,提出了一种去雾和增强卷积神经网络。通过编码和解码获得雾层图像和一阶段去雾图像,增强网络用于恢复去雾图像的纹理和细节。实验表明,该方法在主观评价和质量指标上均具有优异的效果,获得了去雾程度更加彻底、细节和纹理更加清晰的去雾图像,有效地解决了信息丢失和纹理模糊的问题。

多路径生成对抗网络的红外与可见光图像融合

生成对抗网络在红外与可见光图像融合领域受到广泛关注,但单路径进行融合容易丢失浅层信息、分支路特征提取融合能力有限。提出一种基于多路径生成对抗网络的红外与可见光图像融合方法。在生成器端,利用源图像与导向滤波结果构建3条输入路径提取更多源图像特征信息,以获得细节更丰富的融合图像;然后,卷积层加入掩码注意力机制模块,提升显著信息的提取效率,引入密集连接和残差连接,在提升特征传递效率的同时可获取更多源图像重要特征信息。在鉴别器端,采用双鉴别器估计红外与可见光图像的区域分布,避免单鉴别器网络丢失对比度信息的模态失衡问题。在TNO数据集上进行了实验,实验结果表明,所提算法在5个客观评估指标上4项取得了最好结果,优于多数主流算法,在主观评估方面,所提算法保留了更多的纹理细节信息,具有更好的视觉效果。

基于多层神经网络的中分辨SAR图像时间序列建筑区域提取

为提高合成孔径雷达(Synthetic Aperture Radar,SAR)图像时间序列建筑区域提取的准确率和稳定性,该文结合时间序列图像的特点,提出了一种基于多层神经网络的建筑提取方法。该方法使用单幅SAR图像进行样本的粗略标记,并从经过直方图规定化处理后的时间序列图像中获得大量样本。通过单幅SAR图像生成的少量样本确定网络的深度,并从时间序列生成的样本中筛选出具有更高质量的样本作为最终模型的训练样本。利用数量大且质量高的训练样本学习得到模型参数。使用包含38幅25 m分辨率ENVISAT ASAR图像的数据集进行两组对比实验,实验结果中该文方法的最低准确率和最低Kappa系数分别90.2%和0.725,均高于其它3种传统方法,算法的稳定性以及准确率都有显著提高。此外,该方法还具有人工操作少、推广性强、训练高效等优点。

基于雾层学习的多级融合去雾网络

针对去雾算法中存在的颜色失真、去雾不彻底等问题,本文提出一种基于雾层学习的多级特征融合网络用于单幅图像去雾。首先,结合大气散射模型将有雾图像与无雾图像之间的差值图像定义为雾度层,通过对雾度层的有效估计来达到优化的去雾效果。其次,设计一种端到端的网络模型,该模型主要包括雾层估计模块和图像复原模块。在雾层估计模块中,通过特征提取块对图像的低级和高级特征进行提取,并采用多级融合策略对不同级别的特征进行逐像素加法来实现特征融合,融合后的雾层特征同时包含局部信息和全局信息。最后,根据图像复原模块,直接从有雾图像中减去雾层特征,便可实现无雾图像的有效复原。实验表明,与现有去雾算法相比,该算法复原结果清晰自然,有效避免了颜色失真现象;合成图像和真实图像上的客观评价指标进一步验证了所提算法的有效性。

基于多层前馈神经网络的车牌提取方法

文中提出一种采用三层前馈神经网络提取车牌的方法。该方法是一种基于纹理分析的图像分割算法,适合于彩色及灰度图像。实验表明,该方法能准确地提取图像中的车牌。

基于BP网络的涡流探伤裂纹信号特征提取的研究

用变频扫描励磁方法进行涡流定量检测以提取裂纹信号,利用三层结构的反向传播网络(Backpropagationnetwork,简称BP网络)建立了网络模型,并利用实际数据拟合参数,针对提离实验数据进行了计算仿真.结果表明:该网络模型算法收敛速度较快,输出精确,为实现板材裂纹深度的定量标定打下了理论基础.

基于改进特征提取网络和YOLO V2的手势识别

在使用深度卷积网络提取目标图像特征时,卷积网络深度和宽度决定网络性能,与浅层网络相比,深层网络特征提取效果更佳。但由于网络过深,导致误差梯度在反向传播时不能有效指导前层网络权重的更新方向,导致网络训练时间加长和拟合能力变弱。将残差网络结构加入到基于YOLO v2的特征提取网络中,并通过手势识别试验数据验证改进特征提取网络的性能。实验结果表明,在原有的特征提取网络加入残差结构能够有效地提高深度卷积网络模型的性能。

基于竞争学习网络的中文关键字提取算法

为提高中文关键字的提取准确率,提出一种基于竞争学习网络的中文关键字提取算法。对文章进行分词,得到单个词组或短语,视其为单个神经元,将神经元输入竞争学习网络的输入层,通过竞争层上神经元的相互竞争,获得一个或几个活跃的神经元,使用合并权值及聚类分析方法得到文章的关键字。实验结果表明,该算法提取关键字的平均命中率高于词频-逆文档频率算法和传统的词频算法,鲁棒性较好。

基于小波分析和神经网络的渗碳层深度分类

提出了一种基于小波理论的新的特征值提取方法,较全面地反映了信号的时频特征,并将小波包提取的特征值输入到BP网络,对7种不同渗碳层深度的试件进行了分类。实验结果表明,小波包特征值提取和BP神经网络分类器相结合,可以实现对不同渗碳层深度的分类,其效果良好、精度较高,有一定的实用价值。

基于多层特征融合的多光谱行人检测方法

针对行人检测模型在全天候场景下特征提取能力差、检测准确率低的问题,提出一种基于多层特征融合的多光谱行人检测方法。设计一种基于通道注意力机制的可见光与红外特征的融合方式,提升模型的特征融合效率;采用多层融合特征设计特征金字塔网络,提升模型的特征提取能力;引入自适应特征融合机制对检测层进行特征图尺度调整,降低尺度冲突对模型性能的影响。在KAIST数据集上进行实验,其结果表明,模型的检测性能有一定提升。

基于深度学习的浅地层剖面层界自动提取

针对传统浅地层剖面层界自动提取方法效率低下、阈值参数多且选取困难等问题,提出一种层界提取的深度学习方法。首先根据原始回波数据得到的浅地层剖面灰度图像进行人工层界提取,并形成层界提取图,图中赋予不同层不同颜色,不同层的边缘即为层界处,并以此为样本;然后基于DeeplabV3+网络,将层界提取问题转化为图像分割问题,展开模型训练;最后使用网络模型对浅地层剖面图像进行预测分割,提取分割边界作为初始层界,并使用图像处理技术对初始层界进行优化处理,得到最终连续层界。实验实现了连续层界的自动化提取,并取得了优于80%的提取精度。

基于双隐含层RWPSO-BP神经网络的齿轮箱故障诊断研究

针对齿轮箱故障诊断过程中采集到的振动信号通常都比较复杂多变,随机性和偶然性也比较强的特点,提出了一种基于随机权重粒子群优化(Random Weight Particle Swarm Optimization,RWPSO)算法的双隐含层反向传播(Back Propagation,BP)神经网络(RWPSO-BP)的齿轮箱故障诊断方法。对江苏千鹏诊断工程有限公司所公布的齿轮箱故障诊断实验中的原始振动数据进行多特征值提取;利用主成分分析法(Principal Component Analysis,PCA)对特征集进行降维处理,将多个变量的数据集转变为较少新变量的数据集(即主成分),把所选主成分归一化处理后利用双隐含层RWPSO-BP神经网络进行诊断分析;将分析结果与单隐含层RWPSO-BP神经网络对测试样本的识别结果作对比。最后的诊断结果为:双隐含层RWPSO-BP神经网络的误差更小,可以较为准确地对齿轮箱故障类型进行有效的识别。

基于单层感知器的彩色图像目标提取方法

针对复杂背景下的彩色图像的目标提取,提出了一种基于单层感知器的目标提取方法。通过建立以颜色分量为输入、阈值型函数为输出的单层感知器网络并训练得到最适权重,实现彩色图像的目标与背景分离。与现有主流目标提取算法进行对比实验,结果表明,该方法能够更加准确、有效地分离目标和背景,且方法适用范围广,实现简单。

基于统计纹理残差学习网络的葡萄叶片分类方法

针对葡萄叶片类间相似度高导致的类内品种分类精度低的问题,构建一种改进的统计纹理残差学习网络(statistical texture residual learning network,STRLNet)的葡萄叶片分类方法。首先在ResNet50骨干网络的基础上添加SE注意力机制,然后构建底层信息的特征增强层,最后将增强后的底层特征与骨干网络提取的高层语义信息相融合,输出连接到用于存储分类特性的全连接层上。利用采集的11种成熟期葡萄叶片数据集进行训练测试,结果显示,STRLNet在提高网络空间性能的同时可充分利用底层特征信息,对构建的葡萄叶片数据集的分类准确率可以达到92.26%,相较于ResNet骨干网络提高了约2.8个百分点,与VGG16、Inception v4和ResNet等主流分类网络相比在葡萄叶片细粒度分类中具有更高的准确性。研究结果表明,在多品种的葡萄叶片分类任务中,改进后的模型相较于骨干网络可以关注到更多的特征信息,相较于主流分类网络模型可以获得更高的分类精度,模型性能得到进一步的提升。

三层BP神经网络隐层节点数确定方法探究

为探究三层BP神经网络最佳隐层节点数的确定方法,对现有经验公式法、试凑法和奇异值法等隐层节点确定方法与分块有效像素统计值、HOG和傅里叶变换等特征提取方法在2600个手写小写英文字母样本上仿真识别的效果进行对比分析。据此引入公式可信度的概念,并基于加权思想提出了一种新的确定隐层节点数的方法。结合标准正态函数的反函数对新方法权数的确定进行改进,仿真实验验证结果表明该方法测试识别率最高可达96.667%。

DIMLP神经网络多层组合的算法

本文介绍了一种新的神经网络算法,就是根据需要,把几个DIMLP神经网络组合起来进行神经网络的预测,可以提高预测的精度。DIMLP是离散解释型多层感知器,本文依次介绍了它的提取规则的技术和它的DIMLP模型,包括学习算法和训练算法。最后说明几个DIMLP模型如何组合的。

基于卷积神经网络的标签文字提取算法研究

基于机器识别的计算机网络信息提取技术一直是研究的热点领域之一。文章基于卷积神经网络技术,通过小波滤波技术来提取文字图片边缘区域,运用卷积神经网络来监督样本变化值,分别以RGB5、10、15的值作为分割阈值,对图片文字进行提取,通过对比发现添加全连接层的样本监督算子,会使文字提取的精确度得到提高,为机器视觉的文字提取技术提供依据。

融合多层门控与关系图注意力的方面情感分析

作为目前方面情感分析领域的主流技术,序列化神经网络和图神经网络分别聚焦于语义和句法关系建模。针对序列化神经网络无法准确捕获复杂句的远距离依赖关系,图神经网络缺乏局部序列语义以及精细的最终情感表达等问题,设计了一种多层门控与关系图注意力混合网络。采用预训练模型ERNIE 2.0生成语境化表示,构建方面门控循环单元捕获有关方面的序列语义信息,使用关系图注意力网络学习局部序列语义中的高阶句法特征。最后由双重蒸馏门控网络构成的特征蒸馏双通道,强化特定方面与上下文之间的交互,过滤语义和句法中的冗余信息,获取兼具语义和句法关系的方面情感增强表示。在Twitter和SemEval2014数据集上进行的实验表明,相较于八种先进基线方法,所提出的混合网络具有更优的分类性能。

基于多层时变功能脑网络特征的运动想象识别

针对运动想象脑电信号(EEG)识别中信号随时间的结构动态变化与网络分离整合过程被忽视等问题,提出一种基于多层时变功能脑网络的运动想象特征提取方法.本方法截取运动想象有效片段投入EEGLAB进行信号预处理;依据滑动窗口方法,设定合适长度与步长,将信号分成连续且部分重叠的时间窗口,将时间窗口截获的脑电数据生成多个脑网络,以节点间锁相值构建多层时变网络模型.首先通过多层时变网络不同层的网络拓扑分析与层间相似度量指标自适应确定其中核心网络层,提取其节点度和聚类系数用以描述网络空间功能连接;然后结合多层参与系数和多层聚类系数,描述脑电信号网络动态变化与分离整合特征,并组合两者成为多层时变脑功能网络特征向量,完成运动想象识别任务.用支持向量机识别的结果表明:基于所构建的网络特征向量分类准确率高达89.14%,高出对比所用的单层网络特征6.61%.