汽车安全带固定点失效分析及结构优化

以乘用车后排安全带固定点为对象，基于安全带固定点强度试验结果，通过有限元方法建立模型，简化并调试有限元模型，进行试验对标分析。经过对标后，有限元分析结果与试验结果基本吻合。然后基于对标后的有限元模型对结构进行优化，提高安全带固定点强度，提出优化方案，并通过试验验证，满足法规要求。通过利用CAE分析技术在产品开发过程中的应用，有效找到问题原因并有针对性地加以优化，从而缩短开发周期和节约成本。     

面向入侵检测的机器学习方法综述

入侵检测方法是基于网络的入侵检测系统的核心,可以是基于特征的,也可以是基于异常的。基于特征的检测方法具有较高的检测率,但不能检测到未知新型攻击;基于异常的检测方法可以检测到新型攻击,但误报率较高。为了降低入侵检测的误报率并提高其检测率,许多机器学习技术被应用到入侵检测系统中。通过对大量带有入侵数据训练样本的学习,构建了一个用于区分正常状态和入侵状态的入侵检测模型。针对目前入侵检测系统存在的高误报率、低检测速度和低检测率等问题,对机器学习技术在入侵检测系统中的的优势、系统检测的通用数据集以及系统评估指标进行了详细阐述,并对未来研究趋势进行了展望。     

基于分层自适应主动学习策略的入侵检测系统

为进一步降低样本成本并加快模型收敛速度，提出基于探索和开发的指数加权算法(exponential-weight algorithm for exploration and exploitation, EXP3)和增量微调卷积神经网络(fine-tuning convolutional neural networks, FCNN)的入侵检测系统(EXP3-FCNN)。利用EXP3算法自适应选择最佳主动学习策略，代替单一的主动学习算法，提高样本质量；利用增量微调卷积神经网络提取流量数据更深层次的特征；使用AWID数据集作为实验数据。实验结果表明，该方案在保证模型精确度、召回率等性能指标的基础上，降低了样本成本，提高了模型的收敛效率。