采用shell命令和隐Markov模型进行网络用户行为异常检测

异常检测是目前网络入侵检测领域研究的热点内容.提出一种基于shell命令和隐Markov模型(HMM)的网络用户行为异常检测方法,该方法利用shell会话中用户执行的shell命令作为原始审计数据,采用特殊的HMM在用户界面层建立网络合法用户的正常行为轮廓.HMM的训练中采用了运算量较小的序列匹配方法,与传统的Baum-Welch训练算法相比,训练时间有较大幅度的降低.在检测阶段,基于状态序列出现概率对被监测用户当前行为的异常程度进行分析,并考虑到审计数据和用户行为的特点,采用了较为特殊的判决准则.同现有的基于HMM和基于实例学习的检测方法相比,文中提出的方法兼顾了计算成本和检测准确度,特别适用于在线检测.该方法已应用于实际入侵检测系统,并表现出良好的检测性能.     

语音识别中结合进化计算的MMI训练方法

将最大互信息(MMI)和进化计算(EC)相结合,引入到HMM的训练中去.各个模型用个体来表示,个体的适应值采用模型的最大互信息.这样借助于演化计算的全局搜索及种群的特点,得到了基于最大互信息估计的HMM模型的更优解.实验结果表明,用该方法训练所得的系统识别率高于传统的基于梯度的最大互信息估计方法训练所得的系统.     

基于热成像数据与FLD的体育运动分类方法

针对体育运动的自动分类和运动员隐私问题,提出一种基于热成像数据与Fisher线性判别(FLD)的分类方法.首先,通过热成像相机获取10min的运动视频片段.然后,对于每一帧,通过单应性矩阵将其转换为三维世界坐标系,并通过像素占比来检测运动员的位置,标记为一个热点.接着,将所有帧中的运动员热点进行累积,形成运动热图.最后,利用主成分分析对热图进行降维,利用Fisher线性判别对热图进行分类.实验结果表明,对于预设的5种运动类型,该方案具有较高的正确分类率.     

篮球视频中基于AdaBoost分类器的运动员检测方法

针对篮球视频中运动员的检测识别问题,提出一种基于AdaBoost分类器的检测方法 .首先,从视频中获取有用帧,并通过SampleCreator软件来标记运动员,提取出全身和上半身矩形图像.然后,基于积分图技术从对象图像中提取Haar特征.接着,利用AdaBoost算法选择出具有较强分类性能的特征,训练一系列的弱分类器,并将其进行级联来构建最终的强分类器.最后,通过强分类器对Haar特征进行判别,从而检测图像中的运动员.实验结果表明,该方法能够准确检测并识别视频中的运动员.     

基于DWT和随机森林的运动自动分类方法

为了对运动员训练过程中的运动进行自动分类,以可穿戴式惯性传感器采集的信息为基础,提出了一种基于离散小波变换(DWT)和随机森林分类器的分类方法 .首先,通过佩戴于身体特定部位的微型加速度计和陀螺仪,采集速度和角度信息,从而估计出运动员的膝关节和髋关节的运动角度.然后,通过DWT从关节角度信息中提取特征.接着,利用提取的特征集来训练随机森林分类器,以此实现运动的自动分类.实验结果表明,该方法能够有效分类出多类运动,具有较高的分类精度.     

多特征主成分分析与声图相结合的海底底质分类

通过提取多种回声特征构造全特征向量,并对全特征向量进行主成分分析,计算出对底质分类贡献率最大的特征组,实现海底底质的分类. 采用两种分类方法对胶州湾实测数据进行比较,可得出下列结论：应用多特征主成分分析与声图相结合的分类结果优于单纯使用声纳图像的分类结果.     

利用卷积神经网络的体育视频运动员检测

针对体育视频中多尺度运动员的检测问题,提出一种基于卷积神经网络的自动检测方法.首先,从视频帧中获得运动员图像,并结合非运动员图像构建训练集,利用Bootstrapping算法来训练卷积神经网络分类器.然后,对于输入的图像帧,通过二次采样构建不同尺度的图像金字塔,并通过卷积神经网络检测出多个候选运动员位置.最后,计算这些候选运动员的重心,获得一个具有代表性的候选运动员,再通过一个局部搜索过程来确定最终的运动员位置.实验结果表明,该方案具有较高的检测率和较低的误报率.     

基于降低分辨率模型视频代码转换的研究

基于降低分辨率的视频代码转换模型,对运动矢量和宏块类型进行了精简.提出一种基于量化误差的自适应运动矢量模型,从而减小了搜索域,使最佳化输出运动矢量能进行快速运动估值.该方法在视频图象质量没有明显失真的前提下,改善了计算复杂度.     

基于中心向量KNN算法的改进

针对KNN算法在中文文本分类时计算开销大的问题,在已有改进算法的基础上进行了更深入的研究,提出改进的基于中心向量KNN算法.算法首先引入基于密度的思想对训练样本进行调整,同时计算各类别的类中心向量.在保证类中心向量准确性的前提条件下,使分类阶段的复杂计算提前到分类器的训练过程中.实验结果表明,该算法在不损失精确度的情况下,提高了分类实时性.     

基于频带能量和相同步的运动意识任务分类研究

提出了基于信号频带能量和相同步作为脑电特征向量,实现对左右手运动意识任务的分类方法．用线性判别式算法对左右手运动想象脑电模式进行识别,识别正确率最高达到了86．43%,与只用特定频带能量作为脑电特征分类结果相比,效果更好．为大脑运动意识任务的分类提供了新思路．     

AVS快速立体视频编码新方法

提出一种基于AVS(audio video coding standard)的快速立体视频编码方法,对左路参考图像使用AVS编码器编码,对右路目标图像同时在时间域和空间域进行预测. 使用两级神经分类器来快速确定预测模式,第1 级分类产生对每一个大块的不同分割块,第2 级分类在运动估计或视差估计中选出最合适的预测源,并设计了改进的SAD(sum-of-absolute-differences)算法用以计算视差. 实验表明,该文提出的方法能节省80%的时间,引起的质量下降可以忽略,而占用的编码字节数仅多出7%左右.     

排球视频中结合似然度与粒子滤波的运动员跟踪方法

为了解决排球视频中运动员重叠事件影响目标跟踪精度的问题,提出一种基于改进型粒子滤波的跟踪方法.首先,为每个跟踪目标标记一个不同颜色的标签,以此来检测重叠事件的发生,同时利用粒子滤波来跟踪目标.然后,当重叠事件发生时,根据目标的颜色似然度和距离似然度计算综合似然度,以此来避免粒子聚集到一个目标上.最后,根据位置预测模型来预测目标位置,实现目标的实时跟踪.实验结果表明,提出的方法能够对重叠事件具有鲁棒性,跟踪准确率达到了80%.     

一种基于视频的超分辨率图像生成方法研究

随着手持视频设备的普及,如何为这类低分辨率应用环境提供一种生成高质量图像的方法是一个值得研究的问题.讨论了如何从低分辨率、低质量的视频中创建清晰的、高分辨率图像的方法.针对当前多图像超分辨率技术没有考虑运动估计和重要帧的权值等问题,提出了一个基于时间显著性、局部图像统计特征来计算图像像素权值的方法,以实现更好的图像融合.提出的基于重要性的计算框架,降低了低质量帧的影响,显著提高了有效成分的作用.     

大数据环境下基于K均值聚类的 网络伪舆情分类研究

为了解决网络伪舆情事件分类过于主观以及分类标准模糊的问题该文基于网络大数据建立一个全新的伪舆情识别指标体系,在此基础上,收集过去一年中网络伪舆情事件的相关指标数据,基于Python软件利用经典的K均值聚类算法对网络伪舆情事件进行聚类分析,得到三个类别的网络伪舆情事件集,分析总结各类伪舆情事件本身的特点该文为网络伪舆情的识别与分类提供了一种全新的方法,为相关部门利用网络大数据准确控制各类伪舆情提供参考     

二阶隐马尔可夫模型的学习算法及其与一阶隐马尔可夫模型的关系

研究和推导了二阶隐马尔可夫模型(HMM2)的学习算法,其中包括前向、后向变量的定义与计算,Viter-bi算法,以及Baum-Welch算法.同时还研究了HMM2与一阶隐马尔可夫模型(HMM1)之间的关系,发现对任给的HMM2,总存在一个HMM1与之等价,提出了HMM2与HMM1的等价性定理,并给出了定理的证明.     

基于关联网络模型的H.264/AVC运动矢量调制信息隐藏检测方法

H.264/AVC运动矢量信息隐藏方法具有较大的嵌入容量,同时对重建帧的视频质量引入的附加失真较小,是一种重要的H.264/AVC视频信息隐藏方法.针对该种信息隐藏方法提出了一种隐写分析方法.由于视频帧中物体的完整性和物体在帧间运动的连续性,H.264/AVC时域及空域中相邻编码宏块的运动矢量存在一定的相关性.据此,建立了用于运动矢量隐写分析的时空相邻宏块运动矢量关联网络模型.通过对关联网络进行剪枝得到强相关网络,并对强相关网络中顶点之间的相关性进行了量化表示,从而提取了用于隐写分析的特征向量,结合支持向量机(support vector machine,SVM)构建了隐写检测器.实验表明,与现有的隐写分析算法相比,该文方法具有更好的检测性能,检测准确率均超过90%.     

体育视频中基于粒子滤波和ARG模型的多目标跟踪方案

针对体育视频中运动员的精确跟踪问题,提出一种融合粒子滤波和属性关系图(ARG)的多目标跟踪方案.首先,对于所有目标执行粒子滤波构建跟踪器,并根据颜色直方图计算粒子权重.然后,在粒子滤波过程中,融入ARG模型.基于已标注的图像构建ARG模型,并以此评估每个跟踪器的时间得分.最后,根据得分来选择最终的跟踪器,以此实现运动目标跟踪.实验结果表明,该方案能够准确地跟踪多个运动目标,对遮挡和突然运动具有较好的鲁棒性.     

小波包分析和支持向量机用于直肠感知功能重建

针对临床上肛门失禁导致的直肠感知功能丧失,提出一种基于小波包分析和支持向量机( support vector machine,SVM)重建患者直肠感知功能的方法.分析人体直肠生理特征,将典型直肠压力收缩波形中的巨大移行性收缩作为产生便意的主要依据.利用小波包分析对直肠压力信号进行特征提取,以分解层结点的L2范数和标准差作为特征向量.通过提取的直肠压力信号特征向量对基于SVM的直肠感知预测模型进行训练,对SVM的惩罚因子和核函数宽度进行交叉验证优化,并利用训练后的模型进行便意预测,同时对比分析了基于前馈神经网络和基于不同核函数的SVM便意预测的准确率.实验结果表明,所提出的方法能帮助患者重建直肠感知功能.     

基于目标距离关系和图像光流特征的异常行为检测

提出了一种基于目标距离关系和图像光流特征的异常行为检测新方法。采用三帧差分法从视频序列中提取出运动前景,利用卡尔曼滤波跟踪运动目标,并采用欧式距离计算目标质心间距离。若距离小于设定阈值,认为可能发生异常行为,采用Lucas-Kanade法提取当前帧的光流信息和光流方向直方图描述行为,计算归一化直方图的熵来判断行为的异常。本方法仅对距离小于阈值的图像帧进行光流计算,弥补了光流法计算量大的缺点,满足了系统实时性需求,基于不同场景的实验结果验证了所提方法的有效性。     

基于RBF神经网络的手绘电气草图分类研究

手绘电气草图识别输入有益于电路设计者开拓思路,把握全局,提高设计效率,是现代CAD技术的重要发展内容,各类相关成果不断出现,但总还是存在识别率不高、速度较慢,或者手绘约束太多的等问题.结合构成电气符号草图绘制笔画的形状和RBF神经网络逼近特性好,无局部最小,收敛速度较快且拓扑结构简单等优点,该文研究基于RBF神经网络的在线手绘电气草图分类方法.特征按结构特征和关系特征分类处理与应用,并由此构建两级串联分类系统;第一级分类器使用一个RBF神经网络,输入向量为结构特征;第二级分类器包含三个RBF神经网络,输入内容是关系特征向量.试验表明,该方法识别率高,速度快,基本无约束.