基于多通道自适应自回归模型脑-机接口系统特征的提取

背景:由于脑电图信号的非平稳特性,脑-机接口系统至今仍然没有走出实验室,制约脑-机接口实用的主要原因之一是由于被试生理或心理状态的干扰下,脑电特征信号动态变化,难以得到稳定可靠的分类特征。目的:观察动态提取基于左手、右手和脚3种运动想象时的脑电信号分类特征,提高在线脑-机接口系统分类准确率和反应速度。方法:共有3位自愿受试者参加了实验,按照屏幕上的提示分别想象左手、右手和脚3种运动,对采集到的脑电图信号,首先通过带通及拉普拉斯滤波,去除眼电等干扰;其次提取改进的多变量自适应自回归模型模型参数作为分类特征;最后与传统的自适应自回归模型和自回归模型方法进行了比较。结果与结论:结果表明改进的多通道自适应自回归模型算法能够比较稳定的提取出对应左手、右手和脚的分类特征,有利于进一步改进在线脑-机接口数据分析算法的自适应能力,促进脑-机接口系统的实际应用。

采用自适应自回归小波神经网络的单步预测控制

针对非线性系统的控制问题,提出一种基于神经网络辨识的单步预测控制算法.算法在自回归小波神经网络的基础上,利用混沌机制消除了神经网络易陷入局部极值的缺点.采用自适应性学习率,提高神经网络的收敛能力和速度.以该神经网络为预测模型,引入输出反馈和偏差校正克服预测误差,以此构造一步加权预测控制性能指标.然后采用Brent一维搜索方法求取控制律,Brent法无需任何相关的导数信息,需调整的参数少,使得Brent法适合实时控制.仿真研究说明了该非线性预测控制器的有效性.

异构网络环境中的自适应在线故障检测

通过研究网络流量异常检测,提出一种新的基于自适应自回归(AAR)模型的在线故障检测算法.该算法只利用标准管理信息库,因此检测不依赖于特定产品类别,适用于异构网络环境.验证了流量信号的非平稳特性,并采用模拟获取的网络流量拟合AAR模型.由于不必将整个时间序列进行分片和单独拟合,算法可以直接处理获取的新数据,实现真正意义上的在线故障检测.利用时间平均方法消除了网络噪声的影响.在实验中,故障检测结果与预设的故障场景完全对应,进一步证明了该算法的准确性.

基于AR模型的脑-机接口问题研究

在脑一机接口的研究中分类识别技术占有重要地位。将脑电信号中事件去同步化/相同步化现象作为特征信息,深入讨论基于AR模型的自适应算法(AAR)和多变量参数AAR模型算法(MVAAR)在脑电信号特征提取中的应用。结合三种分类器,对这两种算法进行了比较,实验证明两种方法的实验效果都很好,但是MVAAR算法比AAR算法能够达到更高的分类正确率,其阶次一般选取也比较低,数据仿真吻合度高,具有更强的通用性。

基于时间序列分析的分布式拒绝服务攻击检测

该文分析了分布式拒绝服务(DDoS)攻击的特点,提出了一种基于流连接密度(FCD)时间序列分析的DDoS攻击检测方法,该方法通过拟合FCD时间序列的自适应自回归模型,获得能够在多维空间描述当前流量状态的AAR模型参数向量序列,然后使用经过样本训练的支持向量机(SVM)分类器进行攻击识别;充分考虑了报警的时间间隔及分布情况,提出一种报警可信度评估算法对SVM分类结果进行二次处理,以消除网络流量噪声及分类错误所带来的影响.实验结果显示,该检测方法能够有效检测DDoS攻击,可信度评估算法能够明显减少误报,降低误报率,显著提高检测质量.

基于时间序列分析的应用层DDoS攻击检测

根据正常用户和攻击者在访问行为上的差异,提出一种基于IP请求熵(SRE)时间序列分析的应用层分布式拒绝服务(DDoS)攻击检测方法。该方法通过拟合SRE时间序列的自适应自回归(AAR)模型,获得描述当前用户访问行为特征的多维参数向量,并使用支持向量机(SVM)对参数向量进行分类来识别攻击。仿真实验表明,该方法能够准确区分正常流量和DDoS攻击流量,适用于大流量背景下攻击流量没有引起整个网络流量显著变化的DDoS攻击的检测。

基于AAR模型和累积频带能量的特征提取方法

提出了一种自适应自回归(AAR)模型参数和累积频带能量相结合的特征提取方法,该特征应用于基于运动想象脑-机接口(BCI)之中,实现左右手运动想象分类,改善BCI系统的性能.首先,对头皮EEG数据进行小波分解和重构,去除EEG中的噪声,得到不同频带的EEG数据.然后,提取EEG数据的AAR模型参数特征和不同频带的频带能量特征,提出了累积频带能量特征和AAR与累积频带能量相结合的特征提取方法,分别以AAR模型参数、频带能量、累积频带能量和AAR+累积频带能量为特征,利用线性判别分析(LDA)分类器对左右手运动想象任务进行特征分类.最后,对不同特征的分类结果进行比较,得出以AAR+累积频带能量作为特征在BCI系统中的优越性能.

基于流连接密度的分布式拒绝服务攻击检测

分析了分布式拒绝服务(DDoS)攻击的特点,定义了能够反映DDoS攻击所引起的网络流量变化特点的流连接密度(FCD)概念,并证明了FCD时间序列的非平稳特性.据此,提出了一种基于FCD的DDoS攻击检测方法,该方法通过拟合FCD时间序列的自适应自回归模型,将FCD序列转换为多维空间的向量序列,然后使用经过样本训练的K最近邻分类器进行攻击识别.实验结果及分析显示,该检测方法能够有效检测DDoS攻击,误报率低于4 3%,并能够对流量数据进行在线处理,实现DDoS攻击的在线检测.

基于脑电的意识活动特征提取与识别

基于脑电信号的非平稳特性,用自适应自回归模型(AAR)提取脑电信号的特征,利用该模型对同一实验对象的两种不同意识任务的脑电信号进行特征提取,并将AAR模型得到的特征与支持向量机(SVM)分类器相结合,作为支持向量机的输入进行训练和测试,取得了良好的识别效果.实验结果证明,支持向量机分类器用于不同意识任务分类效果很好.

基于时间序列分析的DNS服务器的DDoS攻击检测

分析了针对DNS服务器DDoS攻击的特征,提出了一种基于攻击流特征(AFC)时间序列的DDoS攻击检测方法。通过自适应自回归模型的参数拟合,将AFC时间序列变换为多维空间内的自适应自回归AAR模型参数向量序列,然后使用支持向量机进行分类。实验结果表明,该方法能有效检测针对DNS服务器的DDoS攻击。

基于改进AAR模型的DIDoS攻击早期检测方法

分布式增速拒绝服务(DIDoS)攻击采用逐步提升发包速率的方式来造成受害者资源的慢消耗,较之传统的分布式拒绝服务(DDoS)攻击更具隐蔽性,如何尽可能早地将其捕获是一个亟待研究的问题。本文针对DIDoS攻击的特点,提出了一种基于改进AAR模型的DIDoS攻击早期检测方法。为此,首先提出了一组基于条件熵的检测特征:流特征条件熵(TFCE),用以反映DIDoS攻击流速的增长变化;然后根据改进的AAR模型对TFCE值进行多步预测;最后采用经过训练的SVM分类器对预测值进行分类,以识别攻击企图。实验结果表明,在保证检测精度相当的前提下,该方法比部分现有方法能够更快检测到攻击。

CSSD+AAR模型在脑电信号处理中的应用

针对BCI技术中的脑电信号处理方法和事件相关去同步化的特点,提出了一种结合时、频、空域的特征提取方法。结合CSSD和AAR模型来提取脑电特征,并对基于AAR模型系数的特征提取方法进行了探讨,最终选择卡尔曼平滑算法提取模型系数,然后将提取的特征用简单的线性分类器进行分类。实验结果表明测试集的分类正确率达到了94.08%,而且这种特征提取方法有很好的时间分辨率,适合于在线分类。这是一种正确率高,时间分辨率高,适合在线分类的好方法。

AN EXPONENTIAL INEQUALITY FOR AUTOREGRESSIVE PROCESSES IN ADAPTIVE TRACKING

A wide range of literature concerning classical asymptotic properties for linear models with adaptive control is available, such as strong laws of large numbers or central limit theorems. Unfortunately, in contrast with the situation without control, it appears to be impossible to find sharp asymptotic or nonasymptotic properties such as large deviation principles or exponential inequalities. Our purpose is to provide a first step towards that direction by proving a very simple exponential inequality for the standard least squares estimator of the unknown parameter of Gaussian autoregressive process in adaptive tracking.