一种融合字词双通道的Domain-Flux僵尸网络检测方法

Domain-Flux是僵尸网络中常用的一种命令与控制信道隐蔽技术,其能有效躲避网络安全设备的检测。针对现有检测方法中对Domain-Flux域名信息提取不全面,无法有效捕获词典类域名关键分类特征的问题,提出了一种融合字词双通道的Domain-Flux僵尸网络检测方法。在字符向量和词根向量两个通道上分别采用卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)提取局部特征和全局特征,丰富输入域名的特征信息,提升分类性能。其中,字符向量通道针对随机字符域名提取局部空间特征,而词根向量通道基于TF-IDF算法,引入类内因子将词根重要性加权到词向量中,然后提取域名单词组合序列前后的时序特征。实验结果表明,与单一采用TextCNN或BiLSTM的模型相比,融合字词双通道的模型检测准确率分别提高7.12%和5.86%,针对词典类Domain-Flux的检测也具有更高的精确率。

考虑多尺度纹理特征的红外传感图像频域增强

红外传感图像质量容易受探测器和传输距离影响,导致图像亮度和对比度较低、轮廓细节模糊等问题。为此,提出了考虑多尺度纹理特征的红外传感图像频域增强方法。引入残差学习策略,基于多尺度纹理特征搭建多尺度卷积神经网络模型,进行图像去噪。对去噪后图像进行傅里叶变换,获取红外传感图像的低频图像和高频图像。针对低频图像部分,调节图像灰度和对比度以增强低频分量。针对高频图像部分,利用Log算子和Laplace算子增强图像细节及边缘。加权融合两者处理结果,选取Gamma校正调节对比度,增强高频分量。融合两种增强后图像,实现红外传感图像频域增强。实验结果表明,该方法峰值信噪比高于43,信息熵大于8,边缘强度超过82,对比度熵大于8.1,平均梯度大于8。

基于光纤光栅应变监测的风机叶片损伤识别及预警

风力发电机在运行过程中叶片容易损伤,存在安全隐患。为了对风机叶片的损伤状态进行识别和预警,通过光纤光栅传感器采集得到的应变数据,建立基于应变的叶片材料损伤模型;在有限元分析软件ABAQUS中建立风机叶片结构的有限元模型,通过模态分析得到叶片的固有频率。同时对应变数据进行傅里叶变换,分析叶片损伤状况的频率特征,并与固有频率对比判断叶片是否发生共振;最后,根据风机叶片运行过程中采集的应变时序数据,采用深度学习方法进一步对风机叶片的损伤程度进行识别。实验结果表明:基于光纤光栅应变数据,从风机叶片材料应变监测、模态频率监测和神经网络模型识别3个方面对叶片损伤进行综合分析和预警是一种可靠且高效的方法,对风机健康监测和安全运行具有重要作用。

基于改进MobileV3Net的脉冲雷达干扰识别方法

随着现代电子战的飞速发展,基于数字射频存储器转发的新型干扰层出不穷,如何快速有效地识别这类干扰成为现今研究的热点问题。针对于此,提出了一种基于改进MobileV3Net的脉冲雷达干扰识别研究,使用MobileV3Net作为基本网络框架,添加了动态卷积模块和高效通道注意力模块,实现了自动提取特征的小样本下8类干扰的有效识别。仿真结果表明,该网络的训练时间大大减少,且在轻量训练样本下依然能保持95%以上的识别准确率,在-10~10 dB下,平均识别率在99%以上,证明该方法具有更强的鲁棒性,更高的准确度,更好的轻量性。

基于多域特征的多雷达信号自动识别方法

为解决复杂电磁环境中多台雷达在相似的频段上同时发射各自的信号,导致侦察接收信号在时域和频域上重叠的问题,提出一种低信噪比(SNR)下自动调制识别(MR)方法。通过接收脉冲间列快速傅里叶变换(FFT)将接收信号的能量集中在各自的多普勒频率上,以达到分离多个截获信号的目的;将每个信号的Wigner-Ville分布(WVD)和模糊函数(AF)作为一幅图像的2层同时发送到训练后的残差神经网络(ResNet),以解决某些类型的信号仅采用单一时频分布时识别精度低的问题。理论分析和仿真结果表明:所提方法不仅能有效分离时域和频域重叠的多个雷达信号,而且能在SNR为-10 dB的条件下准确识别其调制模式。

眼底数据频域增强算法

眼底血管分割算法常作为一种辅助分析工具用于眼部疾病的诊断.具有良好泛化性能的算法需要大量有标签数据作为支撑,但眼底数据难以获取且标注成本高.当数据匮乏时,模型训练容易过拟合,导致产生域泛化性能弱的问题.使用生成对抗网络进行数据增强能在一定程度上缓解该问题,但是合成的图像往往包含噪声数据,性能提升有限.本文从频域角度出发,设计一种数据增强算法,定义频域语义信息量,将眼底数据集的频段划分为低频、中频和高频.在训练阶段,对低频分量进行随机融合,中频分量使用随机权重增强.在测试阶段通过聚类算法缩小源域和目标域在频域上的语义信息偏差,从而提升算法的泛化性能.

基于频域控制约束的物理神经网络非线性系统预测方法

针对现有物理信息神经网络利用数值模拟近似物理控制方程带来的高计算代价、边界条件限制等问题,提出一种基于频域控制约束的物理神经网络非线性系统预测方法。首先构建时序特征交替更新的非线性预测网络模型,再在频域建立基于傅里叶谱方法(FSM)的物理控制方程约束,时空数据在网络模型与频域控制约束耦合下实现无标签数据加速训练,完成系统演化学习。最后在Burgers系统上进行湍流预测验证,实验结果表明该方法可在物理规则约束下实现无标签非线性复杂建模,对比主流PINN模型及其变体,具有更快的学习速度与预测准确率。在t≤0.25 s、t≤0.5 s短时预测情况下,经前期20次训练后系统预测均方误差(MSE)相比主流基准模型同期预测,MSE降低了86%与95%,在t≤2 s长时预测情况下,经充分训练后系统预测MSE能降低80%。

基于XFEM的大体积结构波动传播规律及裂纹反演方法

大体积混凝土结构被广泛应用于土木、水利等领域的重大工程中,而混凝土抗拉强度低的力学特性决定了其易产生裂纹,因此,发展高效的检测方法,识别大体积混凝土结构中的裂纹信息十分必要.论文提出了一种新的方法,通过提取响应信号频谱中特定频率的幅值特征,基于BP人工神经网络建立幅值特征与裂纹信息间的映射关系,从而有效识别出裂纹信息.首先采用扩展有限元法(eXtended Finite Element Methods, XFEM)和人工吸收边界模型,分别模拟了单裂纹和双裂纹情形下,大量不同裂纹信息下特定位置传感器的响应,分析其频谱曲线并提取特征,建立频谱特征—裂尖位置数据集,以训练人工神经网络,测试集的反演效果显示,该方法具有较好的准确度,可有效识别出裂纹信息.

电源网络低频段S参数拓展方法

电源网络S参数与芯片电源模型(Chip Power Module,CPM)级联可实现电源时域噪声仿真,完成电源完整性设计签核。当下部分仿真工具在AC阻抗优化过程中导出的S参数存在低频段无法覆盖的问题,影响时域纹波仿真精度,如果重新对S参数进行提取,又会增加仿真时间降低仿真效率。针对AC阻抗优化过程中导出的S参数无法覆盖低频段的问题,提出了一种电源网络S参数低频段拓展方法,结合电压调节模块(Voltage Regulator Module,VRM)的R-L模型,推导出低频段的S参数可以借用抽取的S参数中最低频点处的S参数实现低频段S参数的拓展。仿真和实验结果表明,通过对低频段S参数进行拓展,电源时域纹波噪声仿真的精度提升31%。同时,低频段的S参数直接借用已抽取的S参数中低频点的数值无须重复提取,在8 GB内存的配置下,仿真时间节约14%左右,提高了仿真效率。

基于卷积神经网络预测南海海底地形

针对南海区域,使用3种重力信号(垂线偏差、重力异常、垂直重力梯度异常)训练卷积神经网络模型,并将预测结果与船测数据和国外模型结果进行对比分析。将3种重力信号分成4组数据:重力异常,重力异常与垂直重力梯度异常,重力异常与垂线偏差,以及重力异常、垂线偏差和垂直重力梯度异常。4种组合方式的反演结果与船测水深之间的标准差分别为104.780 m、102.778 m、93.788 m、88.289 m,表明随着不同类型重力数据的加入,水深预测精度明显提高,并且在深度大于2000 m时,反演结果精度提升效果更为显著。将训练集占总数据集的比例分别设置为80%、70%、60%和50%,反演结果与船测水深之间的标准差分别为88.289 m、91.256 m、92.833 m、96.022 m,表明数据量的增多可以有效提高模型学习结果的精度。

面向雷达图像分类模型的两步式对抗样本检测技术

深度学习技术极大地提高了雷达图像目标分类的精度,但由于神经网络自身的脆弱性使得雷达图像分类系统的安全性受到威胁。本文对雷达对抗样本的攻击性及雷达对抗样本与原始样本在频率域上的差异性进行了分析,并在此基础上,提出了两步式雷达对抗样本检测技术来提升雷达分类模型的安全性。首先基于频率域对输入的雷达图像进行第1步对抗样本检测,分离出对抗样本,然后将剩下的图像分别送入到一个经过对抗训练的模型和一个未经过对抗训练的模型进行第2次对抗样本检测。通过这种两步式的检测方法,可以有效地检测出对抗样本,检测成功率不低于95.73%,有效提升了雷达分类模型的安全性。

基于频域数据压缩感知的复合调制信号盲识别

现有基于特征提取和模式识别的复合调制盲识别方法对特征和样本量敏感,且在多子载波情况下流程繁琐。基于统一载波体制复合调制信号建模,提出了以压缩后的复合调制信号频域数据为特征、利用倒残差分组卷积结构的轻量化神经网络对压缩数据进行训练和分类的盲识别新思路。通过实验平台搭建和Python代码实现,对10种复合调制信号进行了不同信噪比下的盲识别对比试验,结果表明:该方法在0 dB信噪比条件下识别率可达94.5%,5 dB信噪比条件下识别率为100%;精确识别所需数据量少于基于统计特征和决策树的识别方法,分类所用神经网络的准确率和参数量亦优于基准网络。

基于深度学习的广播信号自动分类研究

非法广播信号指未经国家无线电管理部门批准擅自设立的广播电台,这类信号会扰乱正常的无线电通信秩序。因此,提出了一种基于时频域特征提取和反向传播(Back Propagation,BP)神经网络的非法广播信号监测方法。该方法先使用时频域分析方法提取信号的特征,然后使用BP模型进行分类。在实验中,文章使用MATLAB生成模拟广播信号数据集,并对设计方法进行测试。结果表明,该方法的准确率、召回率和F1值均在99%以上,证明了该方法的正确性。

基于空频联合卷积神经网络的GAN生成人脸检测

生成式对抗网络(GAN)的快速发展使其在图像生成领域取得了前所未有的成功。StyleGAN等新型GAN的出现使得生成的图像更真实且具有欺骗性,对国家安全、社会稳定和个人隐私都构成了较大威胁。文中提出了一种基于空频联合的双流卷积神经网络的检测模型。鉴于GAN图像在生成过程中因上采样操作在频谱上留下了清晰可辨的伪影,设计了可学习的频率域滤波核以及频率域网络来充分学习并提取频率域特征。为了减弱图像变换至频域过程中丢弃部分信息而带来的影响,同样设计了空间域网络来学习图像内容本身具有差异化的空间域特征,最终将两种特征融合来实现对GAN生成人脸图像的检测。在多个数据集上的实验结果表明,所提模型在高质量生成数据集上的检测精度及在跨数据集的泛化性上都优于现有算法,且对于JPEG压缩、随机剪裁、高斯模糊等图像变换具有更强的鲁棒性。不仅如此,所提方案在GAN生成的局部人脸数据集上也有不错表现,进一步证明了所提模型有着更好的通用性以及更加广泛的应用前景。

基于云计算平台加速的时频域结合图像增强方法

不充分的光照会使图像细节损失严重,降低图像视觉质量,严重影响图像的各项下游任务,如目标检测、分类和识别等。因此,如何针对低照度图像进行增强,是机器视觉领域研究的热点。现有方法都是基于时域设计的,没有基于更接近人类视觉系统、信息表征能力更强的频域,增强效果一度停滞不前。针对这一问题,以提升图像增强效果为目标,将时域原图像的频域信号进行编码、映射和增强,提出了一种包含全新频域图像增强模块的时频结合低照度图像增强(Low Light Image Enhancement, LLIE)网络。同时,为了加快上述深层网络的训练速度,提出了一种基于云计算平台的专有加速模块,从系统架构的角度对网络训练进行加速。实验结果表明,所提算法增强后的图像不但比其余方法拥有更优异的客观指标、更好的主观视觉效果,同时也拥有比传统计算平台更快的训练速度。

基于小波变换与卷积神经网络的羊脸识别模型

为解决养殖场条件下羊只的个体识别问题,本文基于小波变换与卷积神经网络,提出一种融合频域特征与空间域特征的羊脸识别模型DWT-GoatNet。首先采集总计30只高相似度西农萨能奶山羊日间、夜间两种不同光照环境下的面部图像,基于SSIM指标剔除其中相似度过高的样本,接着进行图像裁剪,并通过模糊、调整亮度、平移、旋转、加入噪声、缩放等方法完成数据增强;然后,设计基于二维离散小波变换(2D-DWT)与卷积运算的羊脸特征提取模块,完成特征融合;之后,以前述羊脸特征提取模块为基础,添加分类模块,进行卷积神经网络搭建;最后,进行超参数组合寻优,形成羊脸识别模型。试验结果表明,本文所构建的羊脸识别模型在日间、夜间两种不同光照环境下测试集上识别准确率分别可达99.74%和99.89%,高于AlexNet、VGGNet-16、GoogLeNet、ResNet-50、DenseNet-121等经典卷积神经网络模型,说明所构建模型适用于羊只的个体识别,为精准养殖、农险理赔领域相关工作提供了有效解决方案。

基于混合时频域特征的卷积神经网络心律失常分类方法的研究

心律失常是常见的心血管疾病之一,目前很多方法通过计算机辅助系统对心电图进行分析以识别心律失常,但由于大多数心律失常数据样本较少,计算机辅助系统识别心律失常效果不佳.本文提出了一种基于混合时频域分析特征提取的卷积神经网络方法,该方法提取心电图的RR间期时域特征、希尔伯特-黄变换提取的频域特征和连续小波变换提取的时频域联合特征,经过特征融合后输入卷积神经网络训练分类模型,并采用Focal Loss作为网路的损失函数,实现对心律失常的分类.本文使用MIT-BIH(Massachusetts Institute of Technology-Boston’s Beth Israel Hospital)心律失常数据库验证本文提出方法对4类心电数据分类的结果,实验结果表明,与现有的分类算法相比,本文所提出的混合时频域特征方法能有效提升心律失常分类的准确性.

基于频域叠加和深度学习的频谱信号识别

针对频谱监测领域频带较宽、接收机采样步进受限而造成的宽带频谱信号难以识别的问题,提出了一种频域叠加预处理和目标检测相结合的频谱信号识别方法。该方法利用频域叠加对频谱数据进行多帧叠加来突出频谱中的弱信号,将叠加处理后的频谱图像送入改进的目标检测网络中进行信号类型的识别。经过实验证明,此方法能够有效地识别7种类型的频谱信号,提出的频域叠加预处理能够提升目标检测算法的精度,并提高频谱中弱信号的识别能力,在信噪比为6 dB时,算法能够达到89.7%的平均识别率。

基于双阶段Conv-Transformer的时频域语音增强算法

频域语音增强算法通常存在相位失配问题,而相位信息对于语音增强任务非常重要。时域语音增强算法可以有效解决相位失配问题,但是噪声和语音在频域中更易分离。为了实现时域和频域语音增强算法的优势互补,提出一种基于双阶段Conv-Transformer的时频域语音增强算法。采用编解码结构,将带噪语音经过短时傅里叶变换得到的频域特征和一维卷积处理后得到的时域特征作为输入。考虑到Transformer擅长提取语音序列的全局依赖关系,卷积神经网络可以关注局部特征,为了更好地提取时域和频域中的局部信息和全局信息,设计一种Conv-Transformer模块。在此基础上,联合时域和频域损失函数对模型进行优化,使得模型可以同时学习语音在时域和频域中的分布规律。实验结果表明,与单一域的语音增强算法相比,该算法具有更好的降噪效果,增强后的语音感知质量、短时可懂度、信号失真测度、噪声失真测度、综合质量测度分别为3.04、0.953、4.34、3.55、3.69。

基于注意力机制的音频隐写算法研究

为提高音频隐写算法的安全性,提出了一种将卷积注意力模块(Convolutional Block Attention Module,CBAM)与深度神经网络相结合的高容量、高透明性和高鲁棒性的隐写术。网络在频域对信号进行处理,其模型包含3部分:含密音频的自适应编码、解码和提取秘密音频。编码器和解码器在末尾卷积层后添加注意力模块,在提高模型感受野的同时,增强了秘密信息对隐写嵌入位置的敏感程度,大大提升了隐写术的容量和透明性。实验在多个干净与含噪语音数据集上进行,结果表明,该隐写术相较于传统隐写方案,含密音频信噪比提升2~8 dB,嵌入容量提升约20倍;相较于对比神经网络生成的含密音频,信噪比提高了约4 dB。此外,实验还进行了加噪训练,测试结果证明该模型具有较好的鲁棒性。