一种基于模糊免疫的检测器生成算法

网络入侵方法和网络环境的不断变化,入侵越来越难以防范和检测。针对当前入侵检测过程中检测器生成问题,提出了一种基于生物免疫机制和模糊理论的检测器生成算法。该算法利用改进的否定选择算法来提高生成的检测器为成熟检测器的概率。通过仿真实验,表明该模型有效地改善了系统的性能,大大减少了不可避免的"黑洞"数量,黑洞数量大幅下降,检测率有显著提高。     

免疫算法在模糊检测器生成中的应用

目前入侵检测中传统否定选择算法忽略了正常和异常模式之间的模糊界限而造成了检测效率低下,以及生成的检测器数量冗繁,用在非我模式识别时计算复杂度相当高.针对这些缺陷,重点研究了在入侵检测系统中定义模糊检测规则的重要性,并提出利用免疫算法的优化搜索性能来进化模糊检测器的方法.实验结果表明,该方法生成的检测器能够允许更简洁的自我和非我的表示方式,降低了检测规则的脆弱性,检测效果较好.     

一种可变模糊匹配阴性选择算法

通过对人工免疫系统中阴性选择算法机理的分析,定义了连续相似度与背离度,提出了一种可变模糊匹配阴性选择免疫算法.算法通过调整匹配阈值的方法降低黑洞数量;利用模糊思想,实现了具有一定连续相似度的模糊匹配,模糊程度可控;为了消除检测器间的冗余,提高检测器集的检测效率,算法在模糊匹配的基础上,生成了有效检测器集.仿真实验表明,可变模糊匹配阴性选择算法生成的成熟检测器检测范围较大,空间覆盖率明显提高,黑洞数量大幅下降,算法具有较强的鲁棒性.     

一种改进的否定选择算法在入侵检测中的应用

有效的检测器生成算法是入侵检测的核心问题。针对现有算法存在检测率低、匹配阈值固定、检测器集合庞大等问题,通过对人工免疫系统中否定选择算法原理的分析,提出一种生成最有效检测器集的变阈值模糊匹配否定选择免疫算法,并将该算法应用到入侵检测系统中。算法采用随机生成和基因库相结合的候选检测器生成机制,在保证检测器多样性的同时,提高了候选检测器成为成熟检测器的比率。为了消除冗余检测器的产生,提高检测器集的检测效率,算法在模糊匹配的基础上生成有效检测器集。同时,匹配阈值可变,可大幅降低黑洞数量。实验结果表明,该算法提高了入侵检测率,降低了虚警率,整体检测性能较好。     

基于模糊集隶属度特征和贴近度的徽标识别

模糊信息理论是一种基于模糊集理论的信息科学,模糊集理论在模式识别中表现出很好的性能,两者相结合形成了模糊模式识别.针对图像智能处理中对徽标识别的应用需求,提出了一种基于模糊集隶属度特征和贴近度的徽标识别算法.该算法通过把徽标网格特征映射转化成模糊集的隶属度特征并根据贴近度进行识别,显著增强了对质量不佳图像的适应性和抗干扰性,有效提高了徽标识别系统的柔性处理能力.实验表明,使用该徽标识别算法的识别率能达到94.5%.     

Fuzzy-ART背景抑制的单帧红外弱小目标检测

针对现有背景抑制算法未能有效地抑制背景而导致目标检测率低的问题,提出一种基于模糊自适应共振理论(Fuzzy-ART)进行背景抑制、基于行列k均值(k-means)聚类实现阈值分割的单帧红外弱小目标检测算法.首先依据红外成像原理仿真生成红外弱小目标训练样本;然后采用Fuzzy-ART神经网络建立目标模型,并以此分析各像素点的目标模糊隶属度来抑制背景杂波;最后采用基于行列k-means聚类的自适应阈值分割算法来检测真实目标.实验结果表明,该算法能有效地抑制背景杂波和突显目标,并能有效地提高信噪比检测弱小目标.     

基于免疫识别的最小检测器生成模型

高效的检测器是入侵检测系统的核心和决定检测效率的关键,根据形态空间理论提出了最小检测器概念,建立了基于免疫识别的最小检测器生成模型。通过克隆选择、遗传变异以及进化算法生成有效检测器集合,利用改进的冗余优化算法生成最小检测器集合。理论结果表明了最小检测器的可行性和有效性,仿真结果表明,该模型具有较高的检测率和较低的误检率。     

基于免疫的最小有效检测器集生成算法

通过对可变模糊匹配阴性选择算法生成的检测器集覆盖空间的分析,针对检测器集中检测器之间出现的互相匹配的现象,提出一种最小有效检测器集生成算法。该算法利用模糊思想确定匹配阈值,有效去除了检测器集中的冗余现象。仿真结果表明,由该算法所生成的检测器集空间覆盖率显著提高,实现了以较小的检测器集合,检测到较大范围的“非己”行为,从而提高了系统的检索率和性能。     

面向隶属度修正模糊聚类的参数选择方法

隶属度修正是模糊C-均值聚类算法改进的一个重要方向,该类改进算法引入模糊阈值修正隶属度,极大的加快了算法的收敛.然而其模糊阈值的自适应取值一直是一个较难解决的问题.针对这个问题,从数据对聚类中心的物理吸引和相似关系等角度提出了一种针对隶属度修正类FCM算法的模糊阈值参数选择方法,并从该参数选择公式的单调性、收敛性和鲁棒性等角度理论验证了该方法的有效性.仿真实验表明,该参数选择方法有效并具有较好的自适应效果,在加入离群点时也有着较强的鲁棒性,对于隶属度修正类FCM算法的参数选择有着较高的应用价值.     

基于改进的FCM算法的入侵检测研究

随着计算机网络的不断发展,网络信息安全成为人们越来越关注的一个方面.入侵检测是提高网络信息安全的一个重要手段.为了提高入侵检测的效率,文中在提出了一种基于隶属关系不确定的模糊聚类算法.该算法在迭代过程中为目标函数创建了一个不确定性隶属度和一个相对性隶属度,使样本中的元素不仅仅局限于一个聚类.通过在数据集上的实验,验证了该算法在数据挖掘入侵检测中的检测率高于一般的K均值算法和模糊聚类算法.证明该方法在模糊事件的情况下,会提高正确的聚类结果.     

基于相似度模型的动物疾病确诊方法研究

为提高机器系统辅助诊断疾病的效率,分析了疾病诊断与模式识别的解决手段相似性,提出了基于可信度向量和模糊隶属度向量的疾病相似度的人工智能模式识别理论模型、数据结构模型、模式相似度构造算法与实践方法,并将其应用于计算机系统辅助诊断疾病的实践.数据显示结果表明,同自然人兽医专家个体相比,该模式能获得较高的诊断正确率,有效地降低了误诊率,具备较好的综合诊断性能.     

区间模糊谱聚类图像分割方法

近年来谱聚类算法在模式识别和计算机视觉领域被广泛应用,而相似性矩阵的构造是谱聚类算法的关键步骤。针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题,提出了区间模糊谱聚类图像分割方法。该方法首先利用灰度直方图和区间模糊理论得到图像灰度间的区间模糊隶属度,然后利用该隶属度构造基于灰度的区间模糊相似性测度,最后利用该相似性测度构造相似性矩阵并通过规范切图谱划分准则对图像进行划分,得到最终的图像分割结果。由于区间模糊理论的引入,提高了传统谱聚类的分割性能,对比实验也表明该方法在分割效果和计算复杂度上都有较大的改善。     

基于模糊对向传播网络的水中目标分类识别

把对向传播（CP）网络的竞争层神经元输出函数定义为模糊隶属度函数,将模糊C-均值（FCM）算法和对向传播网络相结合,提出了一种改进的模糊对向传播（MFCP）网络。在MFCP网络中解决了模糊隶属度函数的自动生成问题。对海上实录的三类水中目标辐射噪声进行了调制解调谱（DEMON谱）的线谱和连续谱分析,并进行了对应的特征提取和神经网络分类识别实验,结果证明：MFCP网络的分类能力及对未训练目标的适应性优于CP网络和误差反向传播（BP）网络。     

基于混合聚类算法的模糊函数系统辨识方法

针对传统模糊系统存在的结构难以确定和参数辨识复杂的问题,提出了一种基于混合聚类算法的模糊函数系统辨识算法.与一般的模糊函数系统相比,混合聚类算法结合模糊C均值和模糊C回归模型聚类算法的样本距离.在模型预测部分,采用高斯函数计算每个输入变量的隶属度,利用输入变量隶属度的模糊化算子得到输入向量的隶属度.应用于Box-Jenkins煤气炉数据、一个双入单出的非线性系统和Mackey-Glass混沌时间序列数据的试验结果表明,本文算法具有很好的辨识效果,从而验证了本文算法的有效性与实用性.     

基于模糊理论的行人异常动作检测

为在智能监控系统中自动识别行人的异常动作,提出简化的人体关节模型图。根据行人躯干和四肢轮廓角度的变化,设计用于模糊化的函数式。提出利用躯干和四肢的模糊隶属度通过计算来得到整个人异常度的一种基于模糊理论异常行为判别的算法。在系统实现中,提出利用质心轨迹和模糊判别的联合方法来甄别行人是否异常的方法。模糊判别可实现在视频监控范围内对行人行为的主动分析,从而能够对行人异常的动作做出识别并进行报警处理。通过实验证明该方法具有较高的识别率。     

结合隶属度与像素交替引导滤波的鲁棒模糊聚类算法

模糊局部信息C-均值（FLICM）聚类算法是目前应用较广泛的图像分割算法,然而仅适用于处理低噪声图像。FLICM算法与像素引导隶属度滤波的结合在一定程度上提高了噪声抑制能力,但仍无法满足强噪声图像的分割需求。联合引导滤波与基于核度量的加权模糊局部信息C-均值（KWFLICM）聚类算法,提出一种隶属度与像素值交替引导的核模糊聚类算法。将像素引导隶属度滤波模块和隶属度引导像素滤波模块引入KWFLICM算法,构造一种引导滤波约束的多目标核模糊聚类优化模型,采用最小二乘法对该模型进行迭代求解。在迭代过程中,通过像素引导隶属度滤波和隶属度引导像素滤波,分别修正输入图像的隶属度和像素值,进一步提高核模糊聚类算法对含噪图像的鲁棒性。实验结果表明,与同类核模糊聚类算法相比,该算法在莱斯噪声干扰下的误分率、精确度、峰值信噪比、Jaccard相似系数等评价指标上表现突出,具有更好的分割性能和更强的鲁棒性。     

一种有效的传感器故障诊断方法

提出了一种核Fisher特征提取以及模糊模式识别的传感器故障诊断方法。提取传感器信号波形时域特征和频域特征构成初始特征,使用核Fisher方法对初始特征进行非线性变换增强信号特征。然后使用模糊数学方法建立了传感器故障诊断模型,通过使用隶属度函数获取特征向量对各状态的隶属度,运用最大隶属原则对特征向量进行定性分类,判定传感器状态。将该方法应用到FDT/DTM（Field Device Tool/Device Type Manager）设备管理系统中,对NCS4000水循环控制的压力传感器进行故障诊断,数值实验表明该算法具有实效性。     

A novel fuzzy logic system based on N-version programming

For the consideration of different application systems, modeling the fuzzy logic rule, and deciding the shape of membership functions are very critical issues due to they play key roles in the design of fuzzy logic control system. This paper proposes a novel design methodology of fuzzy logic control system using the neural network and fault-tolerant approaches. The connectionist architecture with the learning capability of neural network and N-version programming development of a fault-tolerant technique are implemented in the proposed fuzzy logic control system. In other words, this research involves the modeling of parameterized membership functions and the partition of fuzzy linguistic variables using neural networks trained by the unsupervised learning algorithms. Based on the self-organizing algorithm, the membership function and partition of fuzzy class are not only derived automatically, but also the preconditions of fuzzy IF-THEN rules are organized. We also provide two examples, pattern recognition and tendency prediction, to demonstrate that the proposed system has a higher computational performance and its parallel architecture supports noise-tolerant capability. This generalized scheme is very satisfactory for pattern recognition and tendency prediction problems     

基于模糊隶属函数的主元分析人脸识别算法

将一个人脸图象矩阵视为一矢量,先通过主元分析的方法构造优化的“人脸空间”,并在此基础上引入模糊数学中的矢量隶属函数、隶属度等概念,提出和设计了一种新的基于模糊隶属函数的主元分析人脸特征抽取和识别算法。实验结果表明,这种识别算法既可行又具有良好的识别能力。     

Robust fusion algorithm based on RBF neural network with TS fuzzy model and its application to infrared flame detection problem

A robust fusion algorithm based on Radial Basis Function (RBF) neural network with Takagi–Sugeno (TS) fuzzy model is proposed in view of the data loss, data distortion or signal saturation which is usually occurred in the process of infrared flame detecting with multiple sensors. To initialize the model, the traditional K-means clustering algorithm is used to obtain the number of the fuzzy rules and the center of the membership function. Compared with the traditional RBF neural network with TS fuzzy model, the output of the node in the proposed model is constructed taking into account the membership degree of the feature components in each item of the output polynomial of the hidden layer nodes in consequent fuzzy network. A new weighted activation degree (WAD) is defined to calculate the firing strength (i.e., fuzzy rule applicability) of the fuzzy node instead of the commonly used Mahalanobis distance. The feature representation coefficients used in the above WAD fully consider the variant representation degree of different features in different fuzzy clusters, thus the developed method can deal with the abnormal outputs of the fuzzy rules caused by the variation of the feature components of the raw data obtained from the complex industrial environments. The robustness of the proposed approach is validated with experimental data obtained from a developed triple-channel infrared flame detector and the experiment results show that the convergence rate, accuracy and generalization ability of the proposed method are improved compared with the traditional RBF neural network with TS fuzzy model in Qiao et al. (2014) and the GA-BP (Genetic Algorithm-Back Propagation) model in Wang et al. (2016). In particular, the required number of the hidden layer nodes in the proposed approach is the least among the aforementioned methods.