基于查询向量的英语话题跟踪研究

通过分析英语新闻报道的特点,提出了一种基于词汇区分和位置特征相结合的特征项抽取算法.词汇区分是指将单词分为首字母是大写的单词和首字母不是大写的单词,位置特征利用新闻报道的倒金字塔式的结构特点决定单词的重要性.提出了一种基于多个特征项抽取算法融合的特征项权值计算方法,该方法认为被越多的特征项抽取算法选中的特征项越重要.提出了一种基于多数投票策略的双重过滤算法,对报道和话题是否相关进行两次过滤,大大降低了系统的误报率.实验表明提出的3种算法不但取得了很好的效果,而且具有很好的可扩展性.     

改进BM算法及其在网络入侵检测中的应用

传统BM算法存在一些无用的比较,影响了字符串的匹配速度,降低了入侵检测效率。为此,提出一种改进BM算法,并将其用于网络入侵检测系统的检测引擎中。实验结果表明,较采用BM算法的Snort检测器,改进BM算法构建的网络入侵检测系统可有效降低误报率和漏报率,提高入侵检测率与时间利用率。显然,这对提升网络入侵检测系统的整体能力非常有用。     

基于GRU-LSTM算法的物联网数据入侵检测分析

根据循环神经网络（recurrent neural network,RNN）与长短期记忆（long short-term memory,LSTM）网络运行特征，优化LSTM得到变体门控循环单元（gate recurrent unit,GRU）网络，构建得到GRU-LSTM算法，并与传统Softmax（逻辑回归）分类技术进行对比。研究结果表明：通过dropout（临时丢弃函数）进行网络训练，实现减弱神经元间的相互作用，有效防止过拟合。实验测试GRU-LSTM和GRU-Softmax两个模型的dropout值分别为0.82与0.79。GRU-LSTM表现出比GRU-Softmax更高的控制精确度和检测率。GRU-LSTM算法在检测攻击时将其判断成正常行为的概率较小，减小了入侵概率，获得了更优的精确度、检测率与误报率。该算法弥补了传统机器学习算法在处理数据量上的局限性。     

火灾报警消防联动控制系统的漏报率和误报率及系统设计的研究

探讨了火灾报警系统的漏报率和误报率，并针对火灾报警系统的漏报率和误报率提出了火灾报警消防联动系统设计数学模型和设计方法。     

基于滑动时步和预警阈值的双参数地音预警模型研究

基于地音预警原理,选取地音活动量偏差值DEV作为地音预警的指标,根据预警时效性和实用性制定了预警规则,提出使用不同滑动时步n和预警阈值DEV_0组合优化预警模型的思想。利用多因素无重复试验方差分析对影响地音报准率和误报率的n,DEV_0双参数进行分析,得出n,DEV_0对预警效果均具有显著影响,且DEV_0是主要影响因素。通过构建效用加权双目标函数,求得预警模型的最优解组合为滑动时步取8步,预警阈值取70%,此时对应地音的报准率67%,漏准率33%,误报率29%。     

暴雨天气情况下变换车道的预警算法

根据南方特殊气候,以及当前多数车辆的预警系统因基于车辆参数而误报率增加的情况,建立了一种具有驾驶员生物特性以及车辆未来轨迹预测的预警算法;在暴雨情况下,驾驶员的前方,侧方视线会受到不同程度的限制,后视镜功能因结雾而基本丧失,加上路面因积水而导致阻力减少,驾驶员因对于车辆的控制程度降低而出现车辆偏离正常行驶轨迹而变换车道的情况;而传统的预警系统因雨天因素误报率也会大大增加;针对上述问题,提出一种基于未来轨迹预测以及驾驶员意图判断的变换车道预警算法.     

基于随机丢包网络的网络存储系统故障检测方法

文章针对在带有随机丢包的网络中,对网络存储系统故障检测失误率高的问题进行了研究,结合网络随机丢包的特性,在随机丢包网络中,提出一种网络存储检测故障方法。该方法在故障检测中引入了误报率、残差评估、残差发生。通过研究证实该方法是有效的。     

无线传感器网络中基于SVM的合作型入侵检测系统*

由于许多重要的无线传感器网络需要一个高效、轻量级、灵活的入侵检测算法来检测恶意节点,提出了一种基于二叉树的SVM多类分类方法的合作型入侵检测方案。该方案可扩展性较好,有效地节省了传感器节点的能量。仿真实验表明,与已经提出的入侵检测系统相比,该方案具有较低的误报率和较高的检测率。     

基于神经网络的无线传感器网络异常数据检测方法

传感器网络的异常数据检测对于环境监测具有十分重要的意义。基于BP神经网络模型和线性神经网络模型,分别提出了两种无线传感器网络异常数据检测方法。提出的方法在每个当前时刻通过最近的固定长度的历史数据集训练神经网络,来完成下一时刻的预报。通过神经网络的模型残差,确定概率为P的置信区间。当下一时刻数据落入置信区间内,则该数据被判为正常;反之,则为异常。为了比较和验证两种检测方法的性能,在Matlab环境下完成了仿真实验。实验结果表明,基于线性神经网络的异常数据检测方法的检测率(detection rate)达到了97.9%,误报率(false positive rate)不超过0.76%;基于BP神经网络的异常数据检测方法的检测率为96.7%,误报率不超过0.84%。