高光谱图像分类的ReliefF-RFE特征选择算法构建与应用

高光谱图像具有波段连续、维数高、数据量大、相邻波段相关性强的特点,可为地物分类提供更为丰富的细节信息。但是,数据中存在大量冗余信息与噪声,在图像分类中如直接利用其所有波段特征而不进行有效分析与选择,将会导致较低的计算效率和较高的计算复杂度,分类精度亦可能随着波段维数增加而出现先增后减的“休斯(Hughes)现象”。为快速地从高达数十个甚至数百个波段的高光谱图像中提取出具有较好识别能力的特征子集,从而避免“维度灾难”,将过滤式ReliefF算法和封装式特征递归消除算法(RFE)相结合,构建了ReliefF-RFE特征选择算法,可用于高光谱图像分类的特征选择。该算法根据权重阈值,利用ReliefF算法快速剔除大量无关特征,缩小并优化特征子集的范围;利用RFE算法进一步搜索最优特征子集,将缩小范围后的特征子集中与分类器关联性小、冗余的特征进行递归筛选,进而得到分类性能最佳的特征子集。采用Indian pines数据集、Salinas-A数据集与KSC数据集等3个标准数据集作为实验数据,将ReliefF-RFE算法的应用效果与ReliefF和RFE算法进行对比。结果显示,在3个数据集中,应用ReliefF-RFE算法的高光谱图像分类平均总体精度(OA)为92.94%、F-measure为92.81%,Kappa系数为91.94%;ReliefF-RFE算法的平均特征维数是ReliefF算法的37%,而平均运算时间则是RFE算法的75%。由此表明,ReliefF-RFE算法能够在保证分类精度的同时,克服过滤式ReliefF算法无法有效减小特征之间冗余以及封装式RFE算法时间复杂度较高的缺陷,具有更为均衡的综合性能,适用于高光谱图像分类的特征选择。

基于逻辑回归-聚类算法的采空区危险等级评价模型

采空区危险性分级研究在矿山灾害防治和风险管理中具有重要意义。为克服传统采空区危险性评价指标繁多、计算复杂等问题,提出了一种采空区危险等级快速评价模型。基于110个采空区样本,将随机森林算法(Random Forest,RF)与递归特征消除理论(Recursive feature elimination,RFE)相结合,筛选出对采空区危险性分级信息量贡献较大的指标,克服传统评价指标繁多且不易获取的缺陷,实现采空区评价指标体系精简降维。基于逻辑回归理论得到采空区危险性概率模型,并应用K-means快速聚类算法求得采空区危险性概率的4个聚类中心点,耦合2种算法构建了采空区危险等级快速分级模型,以克服传统采空区危险性评价方法计算复杂、普适性差的缺陷。为验证该评价模型的有效性,基于混淆矩阵对评价模型的准确性进行了验证分析。研究表明:①RQD值、矿柱尺寸布置、岩体结构、采空区高度、地质构造、工程布置、地下可见水赋值为采空区分级评价中信息贡献量较大的指标;②模型分级准确率达到77.4%,第一类错误率降低至6.25%,危险采空区的预测准确率达到93.75%,评价结果可为采空区后续治理提供可靠依据。

基于修正Rife算法的雷达信号载频估计

提出了一种估计雷达信号载波频率的修正Rife算法。该算法利用快速傅里叶变换的频移性,将原始信号进行左右频移,使信号的频率位于两个相邻量化频率的中心区域后,然后利用Rife算法获得最终的载波频率估计值。采用仿真模拟的方法,分别给出了在不同量化频率、采样点数和信噪比等3种情况下,修正Rife算法的频率估算误差,并与Rife算法进行对比,结果表明,在信噪比较低或相对偏差较小时,修正Rife算法估计频率的精度较高,且在整个量化频率范围内性能稳定。

SDN网络架构下应用层DDos攻击分类及检测方法研究

DDoS攻击手段主要是针传输层的TCP-SYN、UDP,以及网络层的ICMP泛洪等,早期DDos的攻击很容易就被更先进的检测技术、如机器学习和深度学习技术检测出来,于是就出现了更复杂和针对性更强的DDoS攻击,即应用层攻击。本文将SDN架构中的各种组件在遭受DDoS攻击后按受到攻击的影响范围和攻击强度进行分类,同时使用轻量化工具Mininet构建模拟测试环境,应用AdaBoost机器学习模型,通过对数据流的分析,区分正常和恶意的数据流量,进一步提高检测的准确率,对SDN网络架构全面实现自动化防御具有现实意义。