多功能相控阵雷达行为辨识综述

多功能相控阵雷达是指具备相位控制阵列,能同时实现搜索、跟踪、制导等多种功能的雷达。随着雷达对抗的不断升级以及各国对于电子战的日益重视,作为获取多功能相控阵雷达信息的重要手段,其行为辨识技术的研究得到了进一步发展。结合目前多功能相控阵雷达行为辨识的背景与意义,对已有的不同多功能相控阵雷达信号模型进行梳理,对高密度、大噪声信号环境下的波形单元提取算法和基于深度学习的工作模式识别算法进行识别性能、适用场景等方面的系统性对比,并归纳了不同仿真数据集的实际应用情况,最后总结了该技术存在的问题并提出了未来展望。

基于长短时记忆网络的计算机网络数据传输节点入侵行为辨识方法

入侵行为正呈现出多样化和隐蔽化的特点,在这种复杂环境下,对于新型或未知的入侵行为,辨识灵敏度较低。为此,提出了一种基于长短时记忆网络的计算机网络数据传输节点入侵行为辨识方法。该方法深入分析网络入侵节点的聚集度,揭示入侵节点在网络中的分布规律。随后,针对入侵行为的特性,提取入侵行为特征,为后续的入侵检测提供关键依据。接着,利用长短时记忆网络模型,结合节点的历史行为数据和实时状态信息,实现对节点入侵行为的精准检测。最后,在检测到可疑行为后,通过设定合理的阈值和判定标准,对入侵行为进行准确辨识。实验结果表明:对于异常数据,基于长短时记忆网络的计算机网络数据传输节点入侵行为辨识方法表现出平稳且中等偏上的灵敏度增长趋势,明显优于基于统计分析和模式识别的入侵行为辨识方法,具有更高的应用价值。

基于LSTM-YOLOv5的“黑飞”无人机异常行为辨识方法研究

针对“黑飞”无人机飞行轨迹低、体积小、运动速度慢,其产生的信号回波数据量有限,且时域信号分辨率极低,传统雷达探测设备难以捕获“黑飞”无人机的特征反馈信息,论文提出了一种基于LSTM-YOLOv5的“黑飞”无人机异常行为辨识方法,利用YOLOv5算法实现无人机目标的跟踪识别,结合长短期记忆网络(Long short-term memory,LSTM)处理时间序列的优势,分析在该时间切片内的飞行趋势变化,以预测辨识“黑飞”无人机的异常行为。结果表明,论文提出的方法在无人机异常行为识别和分类方面具有较高准确性和鲁棒性,可有效应对“黑飞”无人机造成的威胁。

新型电力系统中信息网络攻击行为辨识方法

为提高新型电力系统信息网络的安全性和稳定性,需预防其中存在的攻击行为。为此,提出一种针对新型电力系统信息网络的攻击行为辨识方法。首先,分析攻击行为入侵信息网络的原理;其次,根据压缩感知理论对网络信息展开去噪处理;然后,利用去噪后的信息数据建立数据源矩阵及信息网络的样本协方差矩阵,并获取矩阵的最大特征值;最后,设定阈值函数,通过比较最大特征值与阈值函数来辨识新型电力系统信息网络中存在的攻击行为。实验结果表明该方法具有较高的辨识精度,能有效辨识出拒绝服务、端口扫描和协议异常三种攻击行为。

基于车载数据的交叉口车辆行为辨识

交通控制策略制定过程中,对于车辆在交叉口进口道前行为规律的把握至关重要。准确辨识进口道车辆行为模式,是研究下一代基于车路协同的交通控制理论的基础之一。基于车路实验平台的实时车载数据,运用加权平均法对交叉口的车辆换道和转向行为进行了观察分析,并通过建立线性规划模型及求解对辨识过程中的匹配误差进行了处理。最后实地的案例研究显示,本研究的方法对交叉口驾驶转向行为识别精度达100%,对换道行为识别的误差为8.33%,基本能够满足交通控制的要求。

基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法

在线控转向系统中,采用一种基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法,可达到辅助驾驶员驾驶、屏蔽驾驶员错误操作和提高汽车主动安全性的目的。通过驾驶模拟器采集相应工况数据,经数据预处理后,应用Baum-Welch算法对多维高斯隐马尔科夫模型进行优化,且应用Labview进行在线辨识,准确率达到99.8%。

基于车载传感信息融合的电动汽车驾驶行为辨识

本文的主要目的是基于信息融合的方法设计出一套能准确辨识出驾驶行为的系统。本系统使用六轴加速度计采集加速度信息,通过多尺度多重分形(MMA)算法(首次将该算法用作特征提取的方法)从加速度信号中提取出可反映不同驾驶行为的波动特征。并采集电动汽车的OBD接口获取的包括速度、功率、电流等车载OBD信息并提取特征。分别通过随机森林(RF)算法对驾驶员的驾驶行为进行辨识。提出一种新的信息融合的方法,采用该方法对加速度信息和OBD信息进行融合,发现信息融合的方法可以更有效的辨识出电动汽车的驾驶行为。

基于神经网络的多功能雷达行为辨识方法

针对多功能雷达行为状态复杂多变、难以识别的问题,构建了多功能雷达行为数据集,提出了一种基于神经网络的雷达行为辨识方法。首先对数据进行预处理,提取多功能雷达的参数特征与行为状态特征,并建立两者间的映射关系。然后通过基于贝叶斯准则的变化点检测算法对原始雷达信号脉冲序列进行分割,补齐有缺失的特征参数,构造完整的可用于训练的脉冲数组样本。最后通过数据推理丰富数据库,为数据驱动的智能识别方法提供可靠的数据准备,增强神经网络的泛化能力。针对处理后的雷达行为数据集的特点,设计BP神经网络进行训练与测试。仿真实验结果表明:训练完成的网络模型在识别过程中一定程度上克服了噪声变量等干扰的影响,正确率可以达到89%。

空间临近目标行为辨识方法

针对侦察卫星通过变轨等方式抵近目标的对天观测行为,提出了一种基于视觉特性的临近目标行为辨识方法。通过对序列图中抵近目标上特征点进行跟踪以得到其轨迹变化;针对目标可能存在的异常行为在图像当中的表征进行分析,结合已得信息构建特征参数并对目标行为进行判断;最后通过试验对辨识算法进行验证。试验结果表明:该算法能对不同光照条件下的连续图像进行处理,实现对临近目标通过主体姿态变化进行对天侦察行为的有效辨识。

基于离群数据挖掘的低压窃电行为辨识方法研究

传统的低压窃电行为辨识方法的特征参数优化能力较弱,导致其辨识能力较差。为解决此问题,基于离群数据挖掘设计了一种新的低压窃电行为辨识方法。通过密度聚类方法分析不同方向的用电模式,在分析离群距离的基础上,挖掘不同的离群数据点,并设定评价矩阵,从而提取离群阈值。基于此分析窃电行为的可能性,进而完成对低压窃电行为的有效辨识。实验结果表明,该方法能够有效提高特征参数的优化能力,增强了对低压窃电行为的辨识效果。

多功能雷达行为辨识技术研究现状

由于传统的电子对抗手段对复杂电磁环境的感知能力有限且不具备对广泛使用的多功能雷达行为意图的获取能力,所以世界强国都将目光聚焦在具有更强认知能力的认知电子战上。而多功能雷达行为认知作为一个全新的研究领域,就是为满足认知电子战的需求和发展而提出的。针对MFR行为认知中的最重要的行为辨识方法,从6个方面梳理了国内外的发展现状,对比讨论了各自的优缺点,展望了未来多功能雷达行为认知技术的发展趋势。

基于门控循环单元的驾驶行为辨识研究

准确识别驾驶行为,有利于提高车辆行驶安全性。文章针对目前驾驶行为识别方法的主观性和识别准确率低的问题,从驾驶员的角度出发,建立了基于门控循环单元网络的驾驶行为辨识模型。利用驾驶模拟器获取驾驶员操纵数据并建立驾驶行为数据集,模型经过训练后,能够有效利用驾驶员操纵数据的时序特征,成功识别紧急加速、紧急制动和平稳直线行驶,模型的识别准确率到达96.67%,为交通安全领域提供重要的理论支持。

配电网窃电行为辨识中的技术分析及应用

本文详细分析了数据挖掘技术在配电网窃电行为辨识中的应用。长期以来,配电网中一直存在着窃电行为,给电网企业带来了较大的经济损失,干扰正常的用电秩序,并且妨碍电网企业的线损管理,由窃电行为引发的后果较为严重,还可能影响配电网的运行安全。故有必要采用先进的数据挖掘技术和物联网技术,准确辨识出配电网中存在的窃电行为,保证配电网的安全运行。

基于目标跟踪的电网带电区域施工人员行为辨识方法技术研究

研究针对电网带电区域施工人员行为监测存在的难点问题,设计了一种基于目标跟踪的人员行为辨识系统。该系统结合计算机视觉技术和传感器技术,采用双向特征金字塔网络(BiFPN)和优化损失函数的方式对YOLOv5s进行改进,并引入卡尔曼滤波模型实现对施工人员行为的目标跟踪。结果显示,在NEU Pole和Baidu FSG数据集中的辨识正确率为92%以上,当准确率为0.9时,对应的召回率分别为0.82和0.84。研究系统在两种场景分别正确识别标注13个和44个。对比以上数据可知,研究系统能对电网带电区域施工人员行为进行精确辨识和实时跟踪检测。

基于异常行为辨识的移动adhoc网络安全监控系统

为了提高对环境区域的异常行为辨识能力,提出基于异常行为辨识的移动ad hoc网络安全监控系统设计方法。设计的异常行为视频辨识ad hoc网络安全监控系统分为视频图像信息采集模块、总线编译模块、人机交互控制模块、HTTP-FLV视频特征分析模块、WS-FLV总线交互模块、WebRTC等,采用汇聚总线控制模块中,将RTSP协议转换成HLS和支持ad hoc网络的WebRTC连接协议,通过视频输入接口,采用华为海思的Hi3520D3S作为内核处理器,在媒体处理软件平台MPPl (Media Process Platfom)中实现异常行为视频辨识ad hoc网络安全监控系统的网络开发设计和嵌入式内核控制设计,采用H.264/MJPEGIJPEG/MPEG4格式编码方法,实现系统的音频接口、网络接口开发设计。测试结果表明,设计的异常行为视频辨识ad hoc网络安全监控系统输出稳定性较好,安全监控辨识度水平较高。

幼小校门口人脸及异常行为智能辨识建设浅析

本文结合江苏省幼小校园作为重点防恐单位要求,通过对校园出入口区域范围进行人脸识别、异常行为的智能化辨别识别及对应的数字化建设,对入校人员人脸信息即时采集、即时传输,以及对既定策略中各种异常行为的即时采集、即时分析、即时报警,不仅可以强化学校对于校园出入口防恐安全管理,规避常规人工监管不及时、报警不及时等缺点漏洞,而且可以通过校园与对应的公安部门110指挥中心、安防大平台的信息网络的即时点对点传递,使当地公安部门可以主动对校门口异常徘徊人员进行提前关注,提前处警,变被动为主动,有效提高校门口的保护程度和安防等级。考虑到幼儿园、小学作为重点防恐单位的特征特点,尝试以校门口数字监控、智能比对、无线备份、加密网络链路等现代数字化技术手段为基础,探索一种能够形成常态化的、简单易推广的解决方案,以期完善校园智能安防体系,提高校园整体安防水平。

稀疏随机森林下的用电侧异常行为模式检测

随着智能电网的不断推进与传感技术的高速发展,我国电网用电侧数据逐步呈现出高复杂度、高冗余度的幂指数增长态势。传统的用电行为模式检测技术已无法满足其分析处理需求。为此提出基于稀疏随机森林模型的用电侧异常行为模式检测方法。该方法首先利用时间窗函数与Bootstrap重采样,建立用电侧行为模式信息簇。其次,利用基于随机权网络的有监督学习得到随机森林模型。最后,对随机森林模型进行稀疏化,并依据异常积累量指标判定样本有无异常。仿真对比实验验证了提出的稀疏随机森林模型的精确性与高效性。此外,通过多种体量数据下的Hadoop分布式计算实验,验证了基于稀疏随机森林的用电侧行为模式检测方法对用电侧大数据的高效处理能力。

基于改进D-S证据理论的MPAR行为状态识别方法

随着多功能相控阵雷达不断发展,其展现的多功能状态和自适应能力强的特性使得传统行为辨识方法无法适应现代战争需求。对此,提出一种基于改进D-S证据理论的雷达行为状态识别方法,该方法将空间运动状态和天线扫描方式作为辅助特征,通过改进D-S证据理论将双链HMM估计结果进行融合,得到最终识别结果。仿真实验结果表明,所提方法能有效解决传统D-S证据理论不能处理的证据冲突问题,且在雷达字提取准确率下降的情况下表现出更强的鲁棒性。

会话分析的行为观

会话分析遵循自下而上的质性研究范式,其研究目标之一就是描述行为及其完成方式。正确认识会话分析需要了解自然发生的会话中行为的定义、行为的辨识与描述、行为的构成与完成、行为的理解与说明四个方面的内容,进而了解会话分析对语料观察的基本方法,从会话常规中揭示言谈互动背后的社会秩序。

基于车辆行驶轨迹的道路不良驾驶行为实时辨识方法

为了提高道路交通安全主动防控能力,以小汽车行驶轨迹数据为研究对象,研究了不良驾驶行为的实时辨识问题;基于无人机拍摄交通流视频提取海量车辆行驶轨迹数据;提出了应用风险度量方法量化典型不良驾驶行为的理论;使用大样本统计分布方法确定不良驾驶行为的特征参数阈值;建立了结合交通环境信息的不良驾驶行为谱,计算了不良驾驶行为谱特征值;以车辆不良驾驶行为谱特征值为依据标定不良车辆样本;以部分驾驶行为谱参数为输入,使用不平衡类提升的人工智能算法建立了不良驾驶行为辨识模型;为了验证方法的有效性,使用无人机交通视频采集了上海市的车辆行驶轨迹数据,分析了小汽车不良跟驰行为特征。分析结果表明:使用四分位差法得到不良跟驰特征参数的阈值为0.19 s^(-1),大部分样本处于正常跟驰状态,约2%样本处于不良跟驰状态;基于每辆车行驶轨迹中正常跟驰状态和不良跟驰状态的比例,使用95%分位数将8 917 veh小汽车样本划分为不良跟驰车辆445 veh与正常跟驰车辆8 472 veh;不平衡类提升算法CUSBoost辨识不良跟驰车辆达到了94.4%的召回率和85.9%的精确率,平衡分数和精确率-召回率曲线下的面积为所有算法中最高。可见,不良驾驶行为谱作为一种客观的不良驾驶行为量化表达方法,与人工智能方法结合可以生成海量的不良驾驶行为谱库;不平衡类提升算法可以解决不良驾驶行为数据的不平衡问题,与常规算法相比具有更好的不良驾驶行为辨识能力。