基于改进递归残差网络的伪装入侵行为识别

为解决由于存在不平衡数据导致伪装入侵识别不精准的问题,提出基于改进递归残差网络的伪装入侵行为识别方法研究。对数据入侵行为的伪装特征进行分析;构建改进递归残差网络结构,使用Softmax分类器处理不均衡数据。通过引入损失函数,避免数据在训练时过度拟合。采用peer-to-peer的伪装入侵检测技术,计算入侵行为特征间隔,获取入侵行为伪装特征归属度,实现伪装入侵行为识别。由实验结果可知,在畸形报文、可选段、扫描窥探攻击形式下,与数据分别存在最大为10、0、0 bit的误差,由此可证明应用所研究方法识别结果更精准。

基于递归残差网络的遥感图像超分辨率重建

深层网络有效地提高了重建图像的精度,但是拥有大量参数,使训练时间过长。因此,改进了一种基于递归残差网络的遥感图像超分辨率重建算法,将全局残差学习和局部残差学习相结合,有效地降低训练深层网络的难度,并且通过递归学习控制网络参数。实验结果证明了递归残差网络在遥感图像超分辨率重建中的有效性,改进的网络可以获得更好的主观视觉效果以及客观评价指标。

基于改进递归残差网络的恶意流量分类算法

针对深层网络优化困难会导致网络退化从而引起分类精度降低的问题,提出了一种基于改进递归残差网络的流量分类方法。所提方法将流量所有层负载数据经预处理映射为网络的输入,网络由递归残差模块嵌入一维卷积神经网络构成,其中递归残差模块由残差块以递归方式构建而成,残差块由预激活单元及深度可分离卷积组成。经实验验证,所提方法对10种恶意流量平均检测准确率为99.93%,较现有典型算法准确率提升1%,网络参数减少80%,对两种难检测恶意流量检测准确率提升5%。

融合递归自编解码器的蒙卡画面重构降噪方法

针对生成对抗模型降噪结果出现的伪影和模糊问题,提出一种基于对抗生成递归自编码器的蒙卡渲染画面降噪方法。在模型上,设计多尺度卷积编码结构,以多尺度残差自编码模型为生成器,通过组合连接实现不同层次特征提取,融合不同感受野的特征信息。以设计的递归残差网络模型为判别器,判断蒙卡渲染画面真伪,在对抗中提高网络性能。以端到端的方式将辅助信息特征、含有噪声的蒙卡画面和8192采样率下的画面输入到融合递归自编解码器中进行降噪处理。实验表明,该方法在测试场景下的平均峰值信噪比为32.44 dB,比生成对抗网络方法和残差网络方法分别提升4.80%和3.13%;平均结构相似性为0.92,比2种已有的算法分别提高2.54%和1.01%。