基于固定数采样法的人体行为模式分类方法研究

在视频序列中信息量较大时,当前人体行为模式分类方法存在分类效率低下,分类误差较大的弊端。通过对目标轮廓信息的分析和处理,获取人体目标轮廓精确的位置信息并建立坐标系,在质心-边界距离法对人体轮廓进行描述的基础上,通过固定数采样法平均选取轮廓像素点,消除不必要的像素点,对轮廓像素点的选取进行优化,生成更加准确的质心-边界距离描述子。在人体行为模式分类中,首先使用前期数据进行学习,生成一系列的行为数据集,再通过本文的固定数采样法筛选得到的轮廓点,生成质心-边界距离描述子,与行为数据集中的数据进行相似性度量,得到行为识别结果。所设计方法大大降低了分类的时间,并且提高了识别的准确性;实验证明本文的方法能够对人体行为模式进行较好、高快地识别与分类。

网络背景流量的分类与识别研究综述

互联网流量分类是识别网络应用和分类相应流量的过程,这被认为是现代网络管理和安全系统中最基本的功能。与应用相关的流量分类是网络安全的基础技术。传统的流量分类方法包括基于端口的预测方法和基于有效载荷的深度检测方法。在目前的网络环境下,传统的方法存在一些实际问题,如动态端口和加密应用,因此采用基于流量统计特征的机器学习(ML)技术来进行流量分类识别。机器学习可以利用提供的流量数据进行集中自动搜索,并描述有用的结构模式,这有助于智能地进行流量分类。起初使用朴素贝叶斯方法进行网络流量分类的识别和分类,对特定流量进行实验时,表现较好,准确度可达90%以上,但对点对点传输网络流量(P2P)等流量识别准确度仅能达到50%左右。然后有使用支持向量机(SVM)和神经网络(NN)等方法,神经网络方法使整体网络流量的分类准确度能达到80%以上。多项研究结果表明,对于多种机器学习方法的使用和后续的改进,很好地提高了流量分类的准确性。

网络背景流量的分类与识别分析研究

识别网络应用和分类相应流量的过程就是互联网流量分类,同时也是现代网络安全管理系统中最基本的。网络安全的基础技术就是流量分类,流量分类识别方法包括基于端口的预测方法和基于有效载荷的深度检测方法。文章从基于端口的识别分类和深度包检测的识别分类方面介绍了传统流量识别分类方法;进一步从数据及采集方法、有监督方法、半监督方法等方面分析了机器学习的识别分类。

基于边缘计算的道路行程时间预测

为了解决目前市面上的导航软件无法针对用户个性化预测的问题,本文提出了基于边缘计算的道路行程时间预测的预测思想,并在之后就系统架构和预测过程进行了详细论述。为了实现个性化预测,本文根据速度变化特征将用户的行为模式分成了三类,并对每一类行为模式构建了对应的数据集。在基于用户行为模式的预测算法方面,本文对每一类数据集分别应用了ELM模型和LSTM模型,通过对模型的预测表现进行对比确定了最优模型,并将模型及其参数装载到边缘端。最终,本文通过大量的实验,将该研究所提供的时间预测和百度地图提供的时间预测进行对比,验证了本文研究内容的可行性和准确性;以实例证明了本文设计并实现的道路行程时间预测原型系统的实用性和有效性。