基于CNN-WSN与SHO-KELM的电子鼻食品质量检测方法

食品质量的检测对于人体健康与工业生产具有重要意义,但是当下的常见检测手段难以实现快速、准确、无损的检测需求。因此在这项工作中,提出了一种基于CNN-WSN与SHO-KELM相结合的电子鼻食品质量检测方法。首先基于卷积神经网络(CNN)与小波散射网络(WSN)得到了能够有效表征食品质量原始信息的CNN-WSN融合特征。然后利用海马优化算法(SHO)对核极限学习机(KELM)模型的核参数与正则化系数进行优化,解决了关键参数选择困难的问题。为了验证提出方法的有效性,最后自主搭建了一套电子鼻系统并对牛奶样本进行了采集与测试。实验结果证实了该方法具有良好的食品质量检测效果。

基于一维卷积神经网络的WSN多攻击行为判别研究

无线传感器网络一般部署在户外等无人值守的环境中,容易被攻击者在物理上接近,因此更容易遭受攻击。当入侵者意图攻击信标节点而提供错误的位置信息给网络内其他节点时,对基于位置服务的无线传感网络是毁灭性的破坏,因此能够准确判别各类攻击对保障无线传感器网络(WSN)安全具有重要的意义。针对节点定位的攻击问题提出一种深度学习的WSN多攻击行为判别方法,主要识别重放攻击、干扰攻击和女巫攻击三种类型。该方法基于信标节点的位置信息和网络的拓扑属性构建具有代表性的特征,然后利用一维卷积神经网络(CNN)从原始特征中获取更具有代表性的预处理特征,最后利用输出层激活算法通过随机梯度下降法更新深度学习模型的权重值,从而完成对攻击行为的分类。实验表明,该算法对信标节点4种状态的平均识别率达到了94.23%。