几种人工智能技术在入侵检测系统中的应用

介绍几种人工智能技术,如多层感知机网络、自组织映射网络和支持向量机等,以及这些技术在入侵检测系统中的应用.     

基于相关向量机的电气化铁路用电量预测方法

为了提高用电量预测的精度,提出基于相关向量机回归的预测模型,在时间序列数据的基础上通过拟合训练得出其内在关系,进而可以计算得到较为准确的预测结果。相关向量机具有算法简洁和预测精度高等特点,易于编程使用。为了验证模型的有效性,本文选取2006年3月至2013年2月之间的电气化铁路用电量数据进行模型拟合训练,并预测分析2013年3月至7月的用电量情况。最后,通过对比分析表明相关向量机模型的预测结果比传统回归方法的预测结果更优。     

城市轨道交通自动售检票系统实时进站客流量异常检测

阈值范围的合理设定,对AFC(自动售检票)系统实时进站客流量数据的有效性检测至关重要。采用改进的小数据量法计算历史进站客流数据时间序列的Lyapunov指数,验证该序列的混沌特性;利用C_C方法确定混沌时间序列的时间延迟和最佳嵌入维数,对原时间序列进行相空间重构,确定模型训练测试样本集;采用大范围网格搜索方法优化混沌支持向量机回归模型参数,利用优化后的模型预测各时段的进站客流量;利用训练样本集中各时段进站客流量预测残差序列的分布特性,确定在某一置信度下各时段进站客流量预测残差的置信区间,从而确定未来时段的进站客流量异常检测的阈值上限和阈值下限。试验结果表明,该方法有效地增强了系统对于AFC系统实时进站客流量数据有效性检测的能力。     

基于T检验和特征项目分析的入侵检测研究

在入侵检测中,部分TCP连接的特征对入侵检测没有帮助,反而影响了检测的速度和性能。因此,本文提出使用独立样本T检验的方法对TCP连接的特征进行分析,删除那些不具有区分特性的特征项目。对DAR-PA KDD CUP 99的入侵检测数据分析之后,发现在41个特征中仅有30个特征对入侵检测有用,其他11个特征是冗余的。用支持向量机进行检测的结果表明,应用30个特征比应用41个特征进行检测的效果和速度更好。     

基于支持向量机的边坡稳定性识别研究

考虑到边坡岩体稳定性问题存在高度的非线性,建立了基于支持向量机的边坡岩体稳定性的判别模型,它是一种基于统计学习理论的识别方法,这种模型非常适合用于对小样本的学习,且训练后的支持向量机判别模型具有很好的推广性能.采用工程实例进行分析,结果表明,基于支持向量机的边坡岩体的稳定性识别模型具有较高的准确率,且操作简便.     

基于混合模型的道岔综合监测系统研究

道岔作为关键的铁路信号设备，也是铁路线路三大薄弱环节之一，其工作质量直接影响列车的运行安全。传统的道岔检测方法过分依赖人工经验，检测效率低下，难以应对现有铁路运行中行车速度快、发车密度高等对道岔维护所带来的严峻挑战，并且现有道岔监测也存在监测项目不全面等问题。为满足工电融合需要，开发了一套基于混合模型的道岔综合监测系统，使用卷积神经网络自动进行特征提取，以获取道岔状态，充分发挥深度学习的自动特征提取优势；采用支持向量机和向量域的混合算法，对正常/故障数据进行分类和异常检测，从而提高故障检测的准确率。测试结果表明：与现有人工巡检方法相比，该系统能够为相关人员提供精准、实时的道岔故障预警，提高维护效率，有效减少人力成本且降低道岔病害的发生概率。     

一种顾及用户朝向的PSO-LSSVM指纹定位算法

为了解决人体对WiFi信号遮蔽和最小二乘支持向量机参数优化的问题,提出了一种顾及用户朝向的粒子群优化最小二乘支持向量机指纹定位方法。建立全向指纹库,采用粒子群优化算法求出最小二乘支持向量机最优参数,通过最小二乘支持向量机训练出定位模型,将待测点指纹信息输入定位模型中,最终估算出待测点位置坐标。仿真实验结果表明所提算法在定位误差上达到0.72 m,普通的粒子群优化最小二乘支持向量机算法定位误差为0.84 m,提高了室内定位精度,具有实际的应用价值。     

基于改进支持向量域描述的道岔转辙机运行状态异常检测

针对铁路道岔转辙机缺乏大量异常样本来实施其运行状态异常检测的问题,提出了基于改进的支持向量数据域描述方法的异常检测模型。以ZYJ7型液压道岔转辙机为研究对象,利用既有微机监测系统采集道岔功率数据。用聚类的方法对数据进行清洗,接着对功率数据在时间序列上进行解锁、转换和锁闭分解,分别提取其统计特征值,采用主成分分析(PCA)法对特征值进行降维处理,将经过处理后的数据输入到异常检测分类器进行模型训练和模型测试。实验结果表明,改进的支持向量域描述(SVDD)分类器对道岔运行状态的异常检测有较强的识别能力。     

基于小波分析的最小二乘支持向量机轨道交通客流预测方法

针对城市轨道交通客流预测问题,采用离散一维Daub4,小波分析方法对某一时间段的原始客流时间序列数据进行分解;以分解得到的高频分量和低频分量为样本数据,对最小二乘支持向量机进行训练,确定最小二乘支持向量机的核参数σ,以及系数a和b.利用训练后的最小二乘支持向量机预测未来一段时间客流时间序列数据的高频分量和低频分最,然后再利用Daub4小波分析方法对预测的高频分量和低频分量进行数据重构,从而得到预测的未来一段时间客流时间序列数据.与历史平均预测法和灰色预测法进行比较,结果表明,基于小波分析的支持向量机客流预测方法用于轨道交通短期客流预测具有更好的精度.     

基于联邦学习的城市轨道交通列车智能控制方法研究

针对城市轨道交通智能驾驶策略优化问题，提出联邦学习方法；学习代理采用基于支持向量机（SVM）的控制模型，通过构建一个多项式和径向基核函数组成的混合核函数，使用随列车速度变化的动态权重因子来提高模型精度；利用北京地铁昌平、燕房、亦庄及16号线数据，在联邦学习的框架下，仿真完成列车智能驾驶模型的训练。仿真结果表明：该方法训练出的模型具有良好的预测效率和预测准确度。基于联邦学习的列车智能控制可为列车自动驾驶的优化与改进提供有力的实践依据。     

行李安检智能检测最难分样本集选取方法研究

研究表明，使业务模型性能变差的难分样本对系统边界决策能力增长有决定性影响。由于行李携带危险品的多样性及实物形态的不确定性，以及现场行李安检系统生成的行李X光图像数据呈现“长尾分布”特征，由有限次样本采集的数据集训练得到的智能检测模型，在应用于现场行李安检系统后，存在检测准确率不高的问题。文章针对行李安检智能检测数据分析闭环流程，提出最难分样本集的离散强化选取方法，可从现场行李安检系统运行过程中产生的危险品实例图像中选取最难分样本集，作为新增样本数据，用于智能检测模型的学习更新，实现安检智能检测软件性能的持续增强。     

基于ZCZ训练序列的MIMO-DDST联合信道与直流偏移估计

在通信系统中,信道估计的准确与否直接影响到接收端符号的检测性能,对MIMO系统更是如此。本文首先介绍隐含序列的信道估计方法,并分析此类方法存在的问题,包括信道估计性能受发送端符号数据的影响以及受未知直流偏移影响。然后,重点研究基于ZCZ(Zero Correlation Zone)训练序列的DDST(Data-De-pendent Superimposed Training)方案,此方案可以实现多天线系统的多径信道和直流偏移联合估计。最后,给出理论分析和仿真结果,二者均表明平衡ZCZ训练序列不但能分离直流偏移估计和信道估计,而且能使二者的估计均方差性能同时达到最优。     

云计算环境中的一种入侵检测模型分析

本文提出了一种云计算环境中的入侵检测模型,该模型中的每个云服务器都有自身的入侵检测系统,每一组集群服务器配备一台专用的入侵检测管理服务器进行管理,并负责报警信息的相互传递.采用了容忍入侵技术,减少漏报现象为整个系统的稳定性带来的影响.该模型可以有效的抵抗拒绝服务攻击,还能通过服务器之间的相互协作防止系统遭受单个失效节点的攻击,最大程度的保证云计算服务的安全性和流畅性,以提升用户体验.     

基于点云数据的轨道结构与隧道空间限界一体化自动检测方法研究

为了保证列车运营安全,需要在日常运营过程中进行隧道限界检测,但现有检测方法存在测量干扰大、效率低、断面非连续性、与轨道结构相互独立等不足。为此,提出一种基于点云数据的轨道结构与隧道空间限界一体化自动检测方法。在通过中轴线拟合提取隧道任意位置断面的基础上,建立基于钢轨顶面的隧道限界检测坐标系,引入不同类型的隧道限界框,采用改进射线算法实现多种隧道类型的限界自动检测分析。对既有铁路隧道进行现场实验表明,采用该方法可实现侵限位置和侵限尺寸值的准确获取,并给出侵限断面图,满足隧道检测精度要求,在隧道日常运营维护中能够发挥重要作用。     

基于Faster R-CNN网络模型的铁路异物侵限检测算法研究

行人和车辆等异物侵入铁路周边限界内的情况严重威胁了行人自身安全及铁路行车安全。针对传统铁路异物检测算法识别精度不高、分类不明确和结果易受外界环境影响等缺点,提出了一种基于Faster R-CNN网络模型的铁路异物侵限检测算法,并对该模型做适应性改进以满足铁路异物检测的现实需要。提出将全连接层用全局平均池化层替代来减少参数量;通过增加锚点个数来提高对目标区域建议的精确性;引入迁移学习思想训练网络以解决铁路异物侵限数据匮乏问题。在铁路异物侵限视频数据集上进行测试表明,本算法对于人、车及部分动物的综合检测精确度达到了97.81%。     

站台端部入侵防护系统的研究

为了有效地监控铁路站台端部非法入侵行为，增强铁路站台端部防护能力，提出以激光雷达探测技术为主、以超宽带精准定位识别和图像智能识别分析为辅的站台端部入侵防护系统。该系统能够智能探测入侵目标，精准识别携带有定位标签的工作人员，智能识别穿着专用制服或者工装的工作人员；可将工作人员与非法入侵者区分开来，只对非法入侵进行报警，误报率低。目前，该系统已应用于多个铁路车站，有效地提升了铁路车站安全管理水平。     

一种基于人脸序列模式的机车驾驶员疲劳检测方法

驾驶疲劳是导致事故的重要原因,本文在综述基于面部特征的机车驾驶员疲劳检测方法的基础上,提出了基于Gabor变换的人脸特征融合抽取模型,并在此基础上,结合隐马尔可夫模型(HMM)提出基于人脸图像序列的机车驾驶员疲劳检测方法。根据在疲劳和非疲劳状况下人脸模式特征的不同,首先利用Baum-Welch学习方法从疲劳图像序列训练学习得出疲劳模式下的HMM参数;然后,在疲劳模式识别时,把待识别的人脸图像序列表示成Gabor融合特征序列,再利用Viterbi算法计算该特征序列属于疲劳模式的概率值,从而实现对人脸图像序列的疲劳识别;最后,对各种姿态下的不同人脸图像序列数据进行了仿真测试。实验结果表明,与已有基于单幅人脸图像的疲劳识别方法相比,具有更好的疲劳识别性能。%     

基于多传感融合的有轨电车在途障碍物检测方法研究

有轨电车是一种具有混合路权的轨道交通方式,其行车安全主要依赖于信号系统及司机,因此研发一种能够辅助司机检查轨行区域安全的检测方法显得尤为重要。文章以SSD卷积神经网络的视觉障碍物检测方法为基础,通过多传感融合的方式,在其检测结果上融合激光雷达传感器的障碍物检测结果,实现对轨行区内障碍物的有效识别。实验证明,该方法对于列车在途障碍物有着较好的检测能力,是一种有效的列车行车安全辅助方法。     

高速铁路灾害监测系统故障诊断方法研究

作为高速铁路安全保障系统之一,高速铁路灾害监测系统（简称：灾害监测系统）的稳定运行是列车在灾害天气和突发异物侵限事件下安全运行的根本保障。针对灾害监测系统故障数据特点,构建了基于失效模式与影响分析（FMEA,Failure Mode and Effects Analysis）的灾害监测系统故障分析表,对该系统的故障表现、故障原因和影响进行分析。在此基础上,提出了基于随机森林算法的灾害监测系统故障诊断方法。通过对比分析可知,该方法优于传统的基于C4.5决策树的故障诊断方法,有助于灾害监测系统故障的快速诊断、定位和处置,减少人工排查设备故障的工作量,为灾害监测系统的运营维护提供技术支持。