基于改进CGANs的入侵检测方法研究

近年来,机器学习算法在入侵检测系统(IDS)中的应用获得越来越多的关注。然而,传统的机器学习算法更多的依赖于已知样本,因此需要尽可能多的数据样本来对模型进行训练。遗憾地是,随着越来越多未知攻击的出现,且用于训练的攻击样本具有不平衡性,传统的机器学习模型会遇到瓶颈。文章提出一种将改进后的条件生成对抗网络(CGANs)与深度神经网络(DNN)相结合的入侵检测模型(CGANs-DNN),通过解决样本不平衡性问题来提高检测模型对未知攻击类型或只有少数攻击样本类型的检测率。深度神经网络(DNN)具有表征数据潜在特征的能力,而经过改进后的条件CGANs,能够通过学习已知攻击样本潜在数据特征分布,来根据指定类型生成新的攻击样本。此外,与生成对抗网络(GANs)和变分自编码器(VAE)等无监督生成模型相比,CGANsDNN经过改进后加入梯度惩罚项,在训练的稳定性上有了很大地提升。通过NSL-KDD数据集对模型进行评估,与传统算法相比CGANs-DNN不仅在整体准确率、召回率和误报率等方面有更好的性能,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率。     

淀粉基塑料FTIR-TG法的研究

利用红外-热重联用技术研究了淀粉基塑料,并与聚丙烯树脂、马铃薯淀粉作了全面比较,确定了淀粉基塑料在TG曲线中的失重率和分解温度以及在红外光谱图热分解产物的特征吸收峰。结果表明,淀粉基塑料热解主要分为两步,两者失重互不影响,确定其材质为聚丙烯树脂与马铃薯淀粉,最后计算出淀粉基塑料中淀粉含量大约为50. 6%。     

汽车衡地感线圈改红外控制尝试

正1基本情况近年来,汽车衡无人值守系统已成为水泥行业发运系统的发展趋势,我公司的汽车衡无人值守系统,自投运以来运行较为正常,近期由于道路路面逐渐被重载车辆轧坏,导致埋在地面下的地感线圈损坏,多是被挤断或磨烂遇水短路,我们临时处理后用不了几天又被破坏,如果想彻底处理必须重新做路面重埋线圈,这样至少需要停用一个月,所以我们被迫探索采取其它的办法来解决这个问题。2地感线圈的工作原理及改造     

透明红外硫系薄膜非均匀性检测及影响因素

薄膜非均匀性的无损检测对于制备大面积高质量的红外透明薄膜尤为重要。针对红外薄膜光学均匀性难以获取的困难,提出了一种同时获得单层透明红外薄膜厚度和折射率均匀性的无损检测方法。实验上,通过磁控溅射法在二氧化硅衬底上制备了厚度约1.4μm红外透明Ge-Sb-Se硫系薄膜,然后在该薄膜上标定出36个80μm×80μm区域,利用显微傅里叶红外光谱仪测得该36个区域的透射谱,通过分段滤波的方法滤除背景噪声,运用改进的Swanepoel方法计算得到了薄膜每一个区域的厚度和折射率,进而精确获得该薄膜的厚度和折射率均匀性,结果表明精度优于0.5%。     

采用轮廓特征匹配的红外-可见光视频自动配准

为了精确地配准近平面场景下的红外-可见光视频序列,本文提出了一种基于轮廓特征匹配的自动配准方法,通过迭代匹配目标轮廓特征来解决异源图像中配准特征的提取和匹配难题。首先,采用运动目标检测技术获取目标轮廓,并由曲率尺度空间(CSS)角点检测算法提取轮廓特征点。此后,建立全局形状上下文描述子和局部边缘方向直方图描述子描述特征,从而实现可靠的特征匹配。来自不同时刻的匹配点对被保存在一个基于高斯距离准则的特征匹配库中。最后,为了克服近平面场景中目标深度变化的影响,本文结合前景样本随机抽样策略计算配准矩阵的损失函数,完成对全局配准矩阵的更新。在LITIV数据库上对方法进行实验验证,结果表明本文方法的配准精度优于当前先进的对比方法,在9个测试视频上的平均重叠率误差仅为0.194,与对比方法相比下降了18.5%。基本满足了近平面场景下红外-可见光视频序列配准的精度要求,且具有较高的鲁棒性。     

煤红外快速热解过程中床层对二次反应的影响

针对煤快速热解研究中样品添加量少(mg级)、焦油收集难等问题，本研究利用压片法制备微薄厚度(mm级)的煤层，并采用红外加热装置考察大添加量(g级)、微薄煤层的快速热解特性。对比堆积煤样和不同煤压片厚度(1.5~3 mm)与个数(1~2)的压片煤样热解特性发现，压片煤层热解过程的二次反应受到明显抑制，焦油产率急剧增加，在1000℃时达9.96%，为格金分析的1.5倍，实现油气产量的同步增长。模拟蒸馏分析发现，堆积状态下焦油以沥青质为主，而微薄煤层制焦油含大量轻油、酚油、萘油、洗油和蒽油。GC-MS和FTIR分析表明，随煤层厚度和个数的减少，焦油组分和含量提高，芳香烃类和含氧官能团吸收增加，进一步验证煤快速热解过程中煤层厚度对焦油产率和品质的影响，揭示在二次反应充分抑制下煤高温热解的初级反应特性。