【摘 要】
：
当前的网络多入侵行为识别方法无法计算入侵信任度,导致传统方法下网络流量数据振幅识别结果波动不大,识别结果存在失真问题.为解决上述问题,基于信任度计算设计多入侵识别数学建模仿真方法.通过构建动静结合的信任度模型,计算网络节点多入侵信任度,并输入至基于深度学习神经网络多入侵识别数学模型中.利用自适应特征映射和深度学习神经网络算法,通过确定各网络节点的权值实现网络多入侵特征匹配.并通过深度学习神经网络调整模型的误差,实现网络多入侵识别.实验结果表明,上述方法通过引入动态信任度反映节点的信任度变化,对网络多入侵识
【机 构】
：
河北工程技术学院,河北 石家庄050091;山西大同大学数学与统计学院,山西 大同 037009
论文部分内容阅读
当前的网络多入侵行为识别方法无法计算入侵信任度,导致传统方法下网络流量数据振幅识别结果波动不大,识别结果存在失真问题.为解决上述问题,基于信任度计算设计多入侵识别数学建模仿真方法.通过构建动静结合的信任度模型,计算网络节点多入侵信任度,并输入至基于深度学习神经网络多入侵识别数学模型中.利用自适应特征映射和深度学习神经网络算法,通过确定各网络节点的权值实现网络多入侵特征匹配.并通过深度学习神经网络调整模型的误差,实现网络多入侵识别.实验结果表明,上述方法通过引入动态信任度反映节点的信任度变化,对网络多入侵识别具有积极作用.所提方法识别输出的网络流量数据振幅变化显著,且识别结果与实际结果相同并具有稳定区间,有效提高了网络多入侵识别能力,合理规避网络风险.
其他文献
针对目前通过Simulink模糊控制工具箱对变论域模糊控制算法仿真缺少理论支撑的现象,利用模糊数学理论,推导出变论域模糊控制插值函数,并对此插值函数分析得出:将伸缩因子的作用对象向输入输出移动而保持论域固定可等效实现变论域算法.为验证理论,以单相逆变电源为例,在Simulink中搭建变论域模糊控制+PID算法仿真模型.实验结果表明其具有良好控制效果,为借Simulink模糊控制工具箱仿真变论域模糊控制算法提供了理论依据和方法,验证了上述理论研究和结论.
针对目前物联网属性基加密算法没有利用双重加密的方式对属性基进行加密,存在加密复杂度高、加密效率低和密钥敏感程度低的问题,提出基于区块链的物联网可撤销属性基加密算法.新算法将物联网系统进行初始化后,在页面中输入一系列参数经过运算获取其密钥,并对密钥进行加密,完成物联网属性基的第一次加密,并在区块链技术优势的基础上构造出物联网的主私钥以加密系统中的文档及密钥并生成索引,同时生成用户密钥及验证其身份等方式限制用户以保证数据安全,完成物联网的第二次加密,实现物联网属性基加密.实验结果表明,所提方法加密复杂度低、加
针对二维局部均值分解(BLMD)对图像进行多尺度分解时,计算过程费时,模态混叠现象严重的问题,提出一种快速自适应二维局部均值分解算法(FABLMD).算法首先通过图像极值点信息计算顺序统计滤波器(OSF)窗口大小;然后利用OSF求图像上下包络曲面,进而得到包络估计函数和局部均值函数;最后在新的筛分终止条件下经过有限次迭代,快速将图像分解成一系列尺度不同的分量图像.仿真结果表明,改进算法计算速度更快,模态混叠现象得到有效抑制,对图像中不同频率成分的分解能力和效率都要优于BLMD.
针对无线通信网络功率和速率系统建模困难的问题,提出一种基于数据的功率和速率控制算法.算法实现对无线通信网络功率和速率的跟踪.首先,利用由输入、输出和参考轨迹组成的历史数据推导出一个新的基于数据的状态方程.方程只依赖于输入和输出数据,不需要任何系统动力学方程;在此基础上,应用自适应动态规划解决无线通信网络功率和速率的跟踪问题.仿真结果表明,上述算法对于无线通信网络功率和速率跟踪控制具有很好的效果.
永磁同步电机(PMSM)传统的模型参考自适应系统(MRAS)存在负载扰动、响应速度慢、跟踪精度差等问题.针对上述问题,提出了一种双滑模变结构的MRAS方法.通过把传统MRAS观测器中的PI环节和PI速度调节器用滑模变结构控制器代替,提高了系统的抗干扰能力,采用Sigmoid连续函数代替滑模变结构控制中的符号函数,削弱了滑模控制引起的系统震荡.仿真结果表明,双滑模变结构MRAS方法可以改善PMSM控制系统的动静态性能,具有更强的鲁棒性.
针对神经网络处理参数更新的优化算法中出现的局部最优点振荡问题,改进带动量项的随机梯度下降算法,提出了一种动量项分离的优化算法.通过计算当前时刻目标函数的曲率半径,根据阈值适时分离动量项,从而缓解局部最优点振荡问题.实验表明,动量项分离的优化算法能够适用于不同的模型结构和不同数据集.相较于带动量项的随机梯度下降算法,具有更高的准确度,能够更快地稳定收敛.与同类一阶动量算法相比,其准确率上升明显,为深度神经网络的参数更新提供了一种新的有效的解决方案.
近年来,卷积神经网络在图像处理方面的良好性能得到了广泛关注.为了更好地提取图像内容信息,提高图像分类精度,提出了一种基于深度多特征融合的CNNs图像分类算法.算法有效深度融合了图像的多种特征,即使用k-means++聚类算法提取的主颜色特征和利用去噪卷积神经网络提取的空间位置特征.实验结果表明,提出的基于深度多特征融合的CNNs图像分类算法在图像分类方面提供了有竞争力的结果,分类精度比CNN提升了7个百分点.该算法通过深度融合图像的多种特征,可为后续图像处理提供更全面更显著的有用信息.
软件可靠性参数分布不规律,参数采样难度较大,导致软件的可靠性参数估计准确度较差.提出新的基于ARINC659总线的软件可靠性同步参数估计方法.根据ARINC659总线同步机制工作原理,构建实时同步系统,实现软件可靠性的实行初始同步和周期同步处理.采用周期性659中断出多个时间段,利用小帧计数获取可靠性参数分布规则.通过加权重采样方式,获取到相关变量分布函数,将先验参数与目标样本结合,实现对软件可靠性同步参数估计.实验结果表明,所提方法的运行时间更短、准确度更高,可有效降低计算误差,为软件领域相关研究提供可
针对现有图像序列弱小目标识别存在图像特征学习不全面、训练样本较大,导致对相似物体识别率及准确率较低的问题,提出基于多模态深度学习的图像序列弱小目标识别.利用弱小目标与背景之间的相关性对单帧图像进行背景抑制,得到目标和高频噪声,对图像做目标分割处理,剔除高频噪声.在此基础上,使用加入稀疏性约束的自编码器不断调节其自身参数,压缩输入信息,提取有用的输入特征,训练出最佳唯一向量,使用优化的CNN深度学习模型完成弱小目标识别.实验结果表明,所提方法能够在不依赖大量识别训练的情况下,始终保持较高的识别率,最大识别率
为帮助用户快速、准确地获取所需的网络资源为目的,提出基于深度学习的网络资源优先协同过滤推荐方法.首先分析推荐过程的组成架构,将其划分为信息处理、用户建模、推荐算法等多个功能模块.然后通过共现关系分别描述网络资源与用户之间的关联性,从而建立资源-用户特征矢量模型,获取表示全面特征的目标函数.将能够反映丰富物理量的张量引入到神经网络中,合并一阶张量与二阶张量,得出神经网络的输出信号,再采用反向传播算法对神经网络做深度学习,获得输出层、隐含层与输入层误差.计算整体损失函数的偏导数,直到损失函数收敛,结束学习过程