排序方式: 共有31条查询结果,搜索用时 15 毫秒
1.
3.
针对恶意安卓应用程序检测中存在的特征维度大、检测效率低的问题,结合卷积神经网络CNN良好的特征提取和降维能力以及catboost算法无需广泛数据训练即可产生较好分类结果的优点,构建一个CNN-catboost混合恶意安卓应用检测模型。通过逆向工程获取安卓应用的权限、API包、组件、intent、硬件特性和OpCode特征等静态特征并映射为特征向量,再在特征处理层使用卷积核对特征进行局部感知处理以增强信号。使用最大池化对处理后的特征进行下采样,降低维数并保持特征性质不变。将处理后的特征作为catboost分类层的输入向量,利用遗传算法的全局寻优能力对catboost模型进行调参,进一步提升分类准确率。对训练完成的模型,分别使用已知和未知类型的安卓应用程序数据集作实际应用测试。实验结果表明CNN-catboost模型调参用时较少,在预测精度和检测效率上也展示出较为良好的效果。 相似文献
4.
为了提高人工蜂群算法求解复杂优化函数的全局搜索能力,提出了多父体杂交算法、差分进化算法和蜂群算法的混合蜂群算法(Hybrid artificial bcc colony algorithm, HABC) 。 HABC的核心在于,采用多父体杂交算子提高人工蜂群算法的全局搜索能力,通过淘汰相同个体保证群体的多样性,利用差分进化算子加快人工蜂群算法的收敛速度。高维函数优化问题的仿真结果表明,该算法全局搜索能力好,收敛速度快。 相似文献
5.
自组织迁移算法(SOMA)是一种新型的群体智能算法。在对原始自组织迁移算法分析的基础上,针对基于随机变异步长的自组织迁移算法存在的不足,提出了线性递减步长策略,即有针对性地以线性方式动态调整步长,以满足群体迭代在不同阶段的需求,从而加速群体在多峰复杂空间中收敛速度的同时提高算法的局部搜索能力。实验结果表明,该算法优于原始自组织迁移算法和基于随机变异步长的自组织迁移算法。 相似文献
6.
针对现有算法对高压塔上鸟巢检测存在参数量过大,实时性不足及对小目标检测能力较弱的问题,提出了一种改进的YOLOv4算法。首先使用Mobilenetv2网络代替CSPDarknet53网络作为主干网络,减少算法的参数量且提升检测速度;同时在Mobilenetv2网络的逆残差网络中嵌入注意力Coordinate Attention模块,增强网络对目标特征提取能力。然后,对PANet网络进行改进,获取更多的细节特征信息,提高对小目标鸟巢的检测能力。最后,使用Focal Loss函数优化损失函数,降低大量简单背景样本训练的权重,提升对小目标鸟巢困难样本训练的侧重,进一步提高对小目标鸟巢的检测能力。实验结果表明,较原始的YOLOv4算法,改进后的YOLOv4算法的参数量减少了48.1%,检测速度和精度分别提高了12.9fps和2.33%。即改进后的YOLOv4算法大幅度减少了算法参数量,且对鸟巢的检测拥有更好的检测性能。 相似文献
7.
改进自组织迁移算法及其在Bump 问题中的应用 总被引:1,自引:0,他引:1
提出了改进自组织迁移算法(Improved Self-Organizing Migrating Algorithm,ISOMA)。该算法通过在迁移过程中引入差分迁移方式来增加种群的多样性,将迁移的方向由原来的正方向扩展到正负两方向以提高算法的搜索能力,对步长进行自适应调整进一步平衡算法的勘探和开采能力。利用该算法来求解高维约束问题——BUMP 问题,计算结果表明新算法的有效性。 相似文献
8.
针对目前日益严峻的软件保护问题,对现有基于虚拟机的软件保护技术进行分析与研究,对虚拟机保护技术进行了改进,设计了一种增强型虚拟机软件保护技术。采用了虚拟花指令序列与虚拟指令模糊变换技术,并对虚拟机的虚拟指令系统做了改进,从而提高了虚拟机执行的复杂程度与迷惑程度,具有高强度的反逆向、防篡改、防破解的特点。实验分析表明,增强型虚拟机保护技术明显优于普通型虚拟机保护技术。 相似文献
9.
针对基本蚁狮算法存在的收敛精度低、易陷入局部最优解的缺陷,将蚁狮能力和种群改善率的特征作为双重反馈信息引入ALO算法,提出双重反馈机制的蚁狮算法DFALO。DFALO算法运用动态自适应反馈调整策略以动态调整陷阱大小而提高收敛精度;利用时空混沌探索策略提高了全局搜索能力,避免算法陷入局部最优;采用多样性反馈高斯变异策略增强种群的多样性而避免算法出现早熟。八个标准测试函数仿真测试表明,DFALO在平衡全局搜索和局部开发能力上有显著提高,收敛速度快、全局搜索能力强、求解精度高。 相似文献
10.
针对输电线路绝缘子爆裂缺陷检测中缺陷目标小、背景复杂多样导致检测精度低的问题,提出了一种基于YOLOv4改进的检测算法YOLOv4-MP。首先,为减少复杂背景的干扰,在特征提取网络中嵌入Shuffle Attention注意力模块,使模型能够提取到更加有效的特征信息。其次,为增强特征融合的效果,在空间金字塔池化中引入带空洞的池化层,能够有效增大感受野。最后,为减少低层信息的丢失,采用Mish函数作为路径增强网络的激活函数。实验结果表明,YOLOv4-MP的平均精度均值(Mean Average Precision, mAP)达到了93.60%,比YOLOv4算法提升了6.37%。与常用的检测算法相比,YOLOv4-MP具有更好的检测性能,对于绝缘子爆裂缺陷检测具有较大应用价值。 相似文献