一种基于DPI和负载随机性的加密流量识别方法

随着加密技术的发展和私有协议的不断出现,加密流量的识别已经成为信息安全领域的重要研究方向.该文在现有加密流量识别技术研究基础上提出一种基于深度包检测技术(deep packet inspection, DPI)和负载随机性的加密流量识别方法,该方法主要分为三部分:首先用DPI技术对网络流量快速筛选识别;其次对DPI无法识别流量的有效负载计算信息熵值和蒙特卡罗仿真估计π值的误差;最后输入C4.5决策树分类器进行分类评估.所提方法不仅可克服了DPI无法完全识别协议交互阶段的加密数据和私有协议的缺陷,同时解决了用信息熵识别加密流量和非加密压缩流量误判的问题.实验表明,所提方法较现有的识别模型对加密流量的识别效果有较大提高,同时验证了所提方法的鲁棒性.     

基于小波包分解变换的图像数字水印嵌入算法研究

介绍了一种改进的基于小波包分解的自适应数字水印算法.该算法首先对水印图像作预处理置乱,然后对宿主图像进行3层小波包分解变换.在水印嵌入算法中,提出一种基于人类视觉特性(HVS)和小波包基的自适应水印嵌入算法.该算法引入人类视觉特性和基于小波包基的多分辨率嵌入技术,以达到更好的抗攻击鲁棒特性和视觉效果.     

高误码条件下线性分组码的盲识别

针对信息截获领域中线性分组码的盲识别问题,依据分组码的线性构造、校验性质及码重分布特征,提出了一种在信息熵高误码条件下基于矩阵秩信息熵与码重分布盲识别线性分组码的方法. 首先通过数据矩阵的秩信息熵识别出码长并由码重分布的信息熵函数准确计算出码字起始点,再根据系统与非系统线性分组码生成矩阵的特点,采用不同的计算方法正确求解生成矩阵,从而盲识别出线性分组码. 仿真结果表明,该盲识别方法在较高的误码条件下具有良好的识别效果.     

基于Gabor小波和神经网络的图像目标识别

针对目前数字图像目标识别方法中存在识别精度和实时性的问题,提出一种结合Gabor小波和神经网络的图像目标识别方法.该方法首先对图像进行预处理,用Canny算子进行边缘提取,然后通过神经网络获取最优的双Gabor小波复合滤波器参数,再采用参数优化过的滤波器组提取目标的特征向量,最后进行目标的分类和识别.实验表明这种方法鲁棒性好、识别率高,具有较广泛的实际应用价值.     

基于深度置信网络和生成模型的驾驶疲劳识别

驾驶疲劳识别研究对预防交通事故提高交通安全具有重要意义.提出了一种基于深度置信网络和生成模型的驾驶疲劳识别方法.为了有效地表示疲劳,采用深度置信网络从人脸图像中提取疲劳特征;结合已标注样本和未标注样本,提出了一种基于生成模型的半监督学习的疲劳识别方法,解决了疲劳识别中的小样本问题.在自建疲劳数据库上,采用该方法进行了驾驶疲劳识别的仿真实验,同时和其他几种方法进行了对比,结果表明该方法具有更高的识别精度.     

基于功率谱小波分解的神经网络钻头磨损监测

在钻削过程中,钻削力功率谱与钻头磨损之间具有较强的相关性,被广泛用于钻头磨损监测,但是关于功率谱特征的提取和识别一直没有很好解决.文中采用小波变换对功率谱进行多层分解,提取低频分解系数作为功率谱的包络信息,从而实现对功率谱特征的提取和压缩,并利用BP神经网络对功率谱小波低频分解系数进行融合,实现钻削过程钻头磨损状态的智能识别.试验结果表明:该方法可有效实现功率谱特征提取,经训练的神经网络具有较高的识别精度和推广能力.     

SAR图像中PS点的识别与选取

提出一种基于小波相位分析的永久散射体(persistent scatterer, PS)的识别与选取方法. 该方法将小波理论引入到PS点识别与选取中,利用基于小波相位分析的差分干涉图滤波方法,首先对差分干涉相位图进行滤波处理,然后估算滤波后各PS候选点的噪声相位、衡量指标以及各PS点的概率,从而在兼顾各PS候选点幅度和相位的稳定性基础上实现SAR图像中PS点的有效识别与选取. 理论分析和实验结果表明,该方法识别与选取的PS点是有效而且可靠的.     

一种基于小波、分形与神经网络的汽车车型识别方法

提出了利用小波分析、分形理论和神经网络技术进行车型图像的识别方法,主要包括用小波理论进行汽车图像的消噪和边缘检测、分形编码和神经网络分类等3个部分,经过实验证明,该方法取得了较佳的识别效果。     

基于混沌映射的自适应小波包水印算法

提出了一种基于混沌映射、小波包变换和空间扩频概念嵌入水印的一种新算法．首先对水印图像进行混沌映射，并利用小波包多级分解构造最优小波树各级时一频域系数和确定嵌入的级数，最终根据数字图像的特征，自适应分块确定水印嵌入的区域和强度，同时不改变原始图像本身的任何特征．实验表明，该算法对常见的图像处理和几何变换具有较强的鲁棒性。     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.