基于Hurst参数基准值自适应更新的网络流量异常检测方法

现有大规模网络随机上网行为对网络流量造成波动幅度大导致传统流量异常检测算法存在虚警率过高的问题,提出一种基于Hurst参数基准值自适应更新的网络流量异常检测方法。首先,利用小波变化来求解Hurst参数;然后,引入网络流量波动变量控制值来更新Hurst参数基准值;最后,结合动态更新的Hurst参数基准值来判断网络流量是否存在异常。仿真表明,本文的方法可根据网络流量波动幅度自适应更新Hurst参数基准值,从而具有更高的准确率和鲁棒性,流量检测准确率高、虚警率低。

特征融合和模型自适应更新相结合的相关滤波目标跟踪

提出了一种基于自适应特征融合和自适应模型更新的相关滤波跟踪算法(CFT)。该算法在跟踪的训练阶段利用损失函数计算特征的自适应权重,在检测阶段对不同特征的响应图进行加权求和,从而实现了响应图层面的自适应特征融合。设计了自适应的模型更新策略,采用响应图的峰值旁瓣比判断是否发生遮挡或错误跟踪,据此决定是否在当前帧更新目标模型。在11个视频序列上对所提算法进行了实验,验证了所采用的自适应特征融合策略和自适应模型更新策略的有效性。与多个传统的采用单特征的相关滤波跟踪算法进行了比较,结果显示,所提算法的跟踪精度和成功率典型值分别提升了18.2%和11.5%。实验结果验证了特征融合和自适应模型更新对跟踪算法的改进具有指导意义。

基于自适应更新的无线传感网络MAC协议

针对无线传感器网络节点能量受限问题,提出了一种新的自适应更新异步MAC协议——AU-MAC协议。该协议以睡眠与工作状态切换、异步方式和自适应更新相结合的办法有效延长了网络寿命,减少了节点能耗。AU-MAC协议通过采用发方监听、接方激活数据传输,提高了信道利用的有效性。并且,它以建立邻居节点信息表,引入自适应更新机制,来减少空闲监听。在NS2网络仿真平台对提出的AU-MAC协议的性能进行了仿真评估。仿真结果表明,AU-MAC协议在保持相当的吞吐量以及端—端延迟的基础上,使无线传感器网络的能量有效性得到了改善。

一种鲁棒的自适应更新策略的弹载计算机红外目标跟踪算法

针对目前弹载红外目标跟踪算法对快速机动目标适应性较差的问题,本文在现有模板跟踪算法的基础上提出了一种鲁棒普适的自适应更新策略。该策略利用多个不同学习因子的更新模型,通过对不同模型下的跟踪置信度进行分析,自适应地对模型进行更新,有效地解决跟踪过程中目标剧烈外观变化或微弱位移变化。大量的定性定量实验表明本文所提的算法的跟踪性能超过现有的大多数算法,在现有弹载红外目标跟踪板硬件余量有限的情况下也能实现稳定跟踪复杂背景下的目标。同时,本文算法已经在挂飞测试中获得较理想的效果,适合军事装备的应用。

移动自适应更新机制

移动计算网络的逐步成熟和移动设备的日益普及刺激了移动环境下应用需求的迅速增长,而移动数据库是实现移动设备上应用的基础,因此,研究和开发移动数据库有着重大意义[2].在研究和开发移动数据库过程中,一方面由于移动计算环境具有无线通信开销高,带宽较低且不稳定,以及通信时延较大等特性,另一方面由于移动设备硬件的性能的提高,使得将操作所需的部分数据存储于移动设备变得必要.

WebView的物化选择和自适应更新

1.引言 随着Internet的发展和异构信息源(从传统的RDBMS到半结构化信息源[13])集成技术的提高,对Web环境下的信息进行集成、分析处理并提供决策服务已成为当前的研究热点.Web信息集成最初采取Mediator/Wrapper框架的虚拟方案.Ullman在提交给VLDB‘97的论文[14]中指出,"Mediator实际上是一个或多个信息源上的视图".

SAUM——一种自适应更新的Ad Hoc多径路由算法

提出了一种自适应更新的AdHoc多径路由算法的设计思想。采用自适应更新的方式建立源节点到目的节点的多条路由,并在NS-2环境下与AODV路由协议在路由开销、分组传输率和端到端的平均延时方面进行了对比实验。

相控阵雷达数据率自适应更新算法

相控阵雷达的波束可以瞬时切换,为数据率的自适应更新提供了方便。给出了几种运动模型下的滤波和数据率自适应更新算法,交互多模型(IMM)算法由于可适应不同的运动模型而具有优越的性能。

基于自适应更新策略的蚁群算法在TSP上的应用

针对传统蚁群算法收敛性不好、易陷入局部最优的问题,提出了自适应更新策略的蚁群算法(A-daptive Update-Ant Colony System,AU-ACS),有效地平衡了种群多样性和算法收敛速度。算法前期通过自适应地改变信息素挥发值,由信息素挥发值动态约束信息素值,从而提高了种群多样性;运行后期奖励当前迭代最优路径的信息素,通过加大最优路径的相对引导作用,从而加快收敛速度;最后加入改进的子路径贡献度,根据阈值因子自适应调整局部最优路径的信息素,达到平衡种群多样性和收敛速度的目的。在与传统蚁群算法在旅行商问题(Travelling Salesman Problem,TSP)中对比表明,改进后算法求解的精度更高、稳定性增强。

自适应更新上下文相关滤波补充学习跟踪算法

为了使跟踪算法在遇到背景混乱、遮挡等问题时,能具有更好的鲁棒性,提出了一种自适应更新的上下文感知相关滤波补充学习跟踪算法(adaptive context-aware correlation tracking,ACCT)。首先,利用上下文感知相关滤波计算出响应图;接着,在更新阶段,加入了峰旁比(peak-to-sidelobe,PSR)置信度检测机制,自适应地更新相关滤波器模型;最后,与颜色直方图分类器进行线性融合,得到最终的响应值,响应值最大的位置即跟踪结果。实验上,将所提方法与先进的实时跟踪算法进行对比,结果表明,所提算法在跟踪标准测试集OTB50和TC128上,相比基准算法成功率有显著提高;并且能很好地解决背景混乱、目标被遮挡等问题。

软件定义航空集群机载网络自适应更新策略

软件定义网络的出现为突破当前机载网络在航空集群作战应用中存在的固有技术瓶颈开辟了全新途径,然而软件定义机载网络动态的网络拓扑以及有限的链路容量导致网络更新过程中链路拥塞现象频发,造成网络更新过程极易引发网络拥塞,并降低网络更新的成功率。针对该问题,提出一种基于拥塞避免的软件定义航空集群机载网络更新策略。首先通过混合更新策略计算得到各业务流的初始更新操作序列;然后提出拥塞链路感知算法,实现更新过程中对潜在拥塞链路的感知;最后提出基于拥塞避免的软件定义机载网络更新算法,根据各业务流的初始操作序列以及感知到的潜在拥塞链路状态,计算无拥塞更新操作约束,并最大限度实现网络的无拥塞更新。仿真结果表明,与现有网络更新策略相比,所提更新策略能够有效避免网络更新过程中软件定义机载网络的拥塞,提升网络更新的成功率。

外部信息自适应更新的SCMA系统译码方案

现有上行稀疏码多址接入(Sparse Code Multiple Access,SCMA)通信系统采用的译码算法中,基于串行策略的消息传递算法(Message Passing Algorithm,MPA)因其在每次迭代过程只选择单个消息进行更新,存在着收敛速度较慢等问题。针对以上问题,提出外部信息自适应更新的MPA算法,每次迭代过程中自适应选取多个残差值较大、相互独立的节点,更新其外部信息以达到提高计算效率的目的。仿真结果表明,该算法可有效提升译码性能,在计算复杂度与译码性能之间取得了较好的平衡。

基于滤波器自适应更新的机场目标跟踪算法

机场场面目标跟踪常面临目标遮挡、背景干扰、低分辨率等因素的影响,导致跟踪准确性降低甚至丢失跟踪目标。针对以上问题,研究了基于滤波器自适应更新的机场目标跟踪算法。选取跟踪目标的颜色特征和深度特征,通过插值算子进行多特征融合,再将融合特征与之对应的滤波器进行卷积求和计算各区域置信度,置信度高的区域即为跟踪目标位置。为提高跟踪准确性,利用峰值旁瓣比与平均响应峰值能量建立了跟踪结果校验机制,并设计了1种滤波器自适应更新策略,使滤波器能够自适应调整学习速率,仅在结果可靠时更新。在西南某机场采集的视频数据集上进行测试,结果表明:算法在目标特征不明显或发生变化时具有更好的性能,在目标遮挡和背景干扰等9种因素下的跟踪性能有较大提升,整体精确度和成功率分别达到0.834和0.828,较原ECO算法分别提升了11.35%和11.29%,且均优于文中提到的其他5种经典算法。

国家自然科学基金项目端元光谱库自适应更新的空谱深度稀疏回归高光谱图像解混(项目批准号:61901208)

高光谱成像技术是高分辨率对地观测系统重大专项的重点支持方向。高光谱遥感具有图谱合一的特性,可以探测出在宽波段成像遥感中缺乏的地物精细光谱特性,对于精细化地物识别和参数反演至关重要。目前其应用领域已涵盖地球科学的各个方面,在地质找矿、环境监测、农业调查等领域发挥着重要的作用。然而在实际遥感探测过程中,由于成像传感器空间分辨率的限制以及探测区域地形复杂、地物种类多等原因,导致一个像元对应的光谱曲线可能由多种不同物质的光谱曲线混合而成,使得高光谱遥感图像中存在大量的混合像元。

基于灰度区间统计的背景自适应更新算法

视频中运动目标检测与提取是计算机自动识别技术的重要环节,如何快速且准确的提取运动目标是研究热点。目前通常使用背景差分算法来进行运动目标检测,而背景差分的关键在于背景提取的好坏和阈值设定上,并且为达到实时检测的目的,背景还要能够适应光照的变化而进行实时更新。针对于传统的mode算法在背景提取时没有考虑到统计帧的背景灰度值是波动的情况,本文提出基于灰度区间统计的背景提取算法。算法是将0~255灰度范围进行区间划分,判断灰度值落在哪些区间并且统计区间的样本个数,然后对样本量最大的区间的样本求平均值,从而得到初始化的背景效果图,最后通过对样本数据进行离散分析来自适应更新背景。

健壮且自适应的学习型近似查询处理方法研究

由于在大规模数据集上执行精确查询耗时较长,因此近似查询处理(AQP)技术常被用于在线分析处理,目的是以较短的交互延迟返回查询结果,并尽可能地降低查询误差。现有的学习型AQP方法与底层数据解耦,将I/O密集型计算转化为CPU密集型计算,但是由于计算资源的限制,该类方法通常基于随机的数据样本进行模型训练,此类训练数据会引起稀有群组缺失问题,导致模型预测准确性不高。针对上述问题,提出一种基于分层样本学习的混合型和积网络模型,并基于该模型设计一种AQP框架。分层样本能够有效避免稀有群组缺失现象,基于该样本训练的模型预测准确性大幅提升。此外,针对数据动态更新的情况,提出一种模型自适应更新策略,使得模型能够及时检测数据偏移现象并自适应地执行更新。实验结果表明,与基于抽样和基于机器学习的AQP方法相比,该模型在真实数据集和合成数据集上的平均相对误差分别约降低18.3%和2.2%,在数据动态更新的场景下,其准确性和查询时延均呈现出良好的稳定性。

融合注意力机制与自适应模板更新的目标跟踪算法

针对基于孪生网络的跟踪算法在目标快速移动、发生较大形变、处于复杂背景等情况下容易出现跟踪性能下降的问题,提出一种融合注意力机制与自适应模板更新的目标跟踪算法。跟踪算法以SiamRPN为基础,通过在特征提取网络融合通道注意力机制与空间注意力机制,抑制图像中的干扰信息,补充目标特征在通道空间中的信息,更好地对目标进行定位。将对象在不同时刻的模板,包括初始模板、累积模板和预测模板作为帧残差模块的输入,采用残差学习策略,充分利用初始模板语义信息,自适应更新当前帧所需的模板,减少了跟踪飘移的现象。在OTB100数据集上的实验结果表明,本文跟踪算法与其他跟踪算法相比取得了更高的跟踪成功率和准确率。

基于自适应动量更新策略的Adams算法

Adam算法是目前最常用的优化算法之一,但其面临学习率震荡导致模型不收敛问题,其改进算法AMSGrad也存在梯度递减导致的二阶动量失效问题。针对上述问题,提出了基于自适应动量更新策略的Adams算法。首先,通过为一阶动量和二阶动量引入自适应更新参数,并在最后的参数更新期间采用较小的一阶动量更新参数,构建了一种自适应的动量更新策略。其次,基于该更新策略,提出了一种能够快速收敛的Adams算法。最后,通过理论分析证明了Adams算法的收敛性。基于文本分类和图像分类的对比实验表明,相比于Adam和AMSGrad算法,Adams收敛速度更快、训练结果更好,且具有优秀的泛化能力;消融实验证明了Adams算法自适应动量更新策略的有效性。

基于自适应阈值和动态更新因子的ViBe改进算法

针对传统ViBe算法不能及时反映场景变化,动态场景适应性差等问题,提出一种改进的ViBe算法。改进内容包括:采用随机选取背景样本和24邻域法获取初始背景,可以加速“鬼影”消融;结合大津法(OTSU)和均匀性度量法的平均自适应阈值计算方法,可以提高算法对树叶晃动、水波纹和光照变化等环境的适应性,最大限度保留有效像素;更新阶段引入自适应更新因子,可以有效减少被误判的概率,从而增强算法的鲁棒性;最后通过形态学处理和滤波使目标更加完整。采用标准数据集视频对改进算法进行了测试和对比分析,改进算法相对于KDE算法、GMM算法和传统ViBe算法各项指标均有大幅度提高,精确度分别提高30.44%、40.72%和20.95%,错分比分别降低了43.28%、40.59%和29.43%。

数据驱动自适应更新的斜坡地质灾害易发性评价系统

为了实现斜坡地质灾害易发性评价能够随着影响因子动态变化和灾害点数目不断增加的自适应更新,使得评价精度能够随着影响因子认识的深入和样本点的丰富不断升高,提出一种数据驱动的斜坡地质灾害易发性评价系统自适应更新机制,以影响因子处理与筛选、支持向量机以及正确率、Kappa系数和AUC三个评价指标为理论支撑,设计并实现斜坡地质灾害易发性评价系统。该系统由数据预处理、易发性评价模型构建、评价模型评估、地质灾害易发性评价等4个模块构成,以数据变化触发系统自适应更新,可以支持影响因子的动态更新、地质灾害样本点的实时更新以及评价模型的迭代更新,使得评价模型能动态升级以适应最新的区域环境特征和地质灾害特征,保证评价模型的准确性。在浙江省文成县的实验结果表明,数据驱动自适应更新的斜坡地质灾害易发性评价系统能对地质灾害进行有效评价,并随着数据的丰富,将有效提高评价精度。