基于特征选择和SVM参数同步优化的网络入侵检测

为了提高网络入侵检测正确率,利用特征选择和支持向量机（SVM）参数间的相互联系,提出一种特征选择和SVM参数联同步优化的网络入侵检测算法.该算法首先将网络入侵检测正确率作为问题优化的目标函数,网络特征和SVM参数作为约束条件建立数学模型,然后通过遗传算法对数学模型进行求解,找到最优特征子集和SVM参数,最后利用KDD 1999数据集对算法性能进行测试.结果表明,相对于其他入侵检测算法,同步优化算法能够较快选择最优特征与SVM参数,有效提高了网络入侵检测正确率,加快了网络入侵检测速度.     

Less is More： Data Processing with SVM for Intrusion Detection

To improve the detection rate and lower down the false positive rate in intrusion detection system,dimensionality reduction is widely used in the intrusion detection system.For this purpose,a data processing (DP) with support vector machine (SVM) was built.Different from traditionally identifying the redundant data before purging the audit data by expert knowledge or utilizing different kinds of subsets of the available 41-connection attributes to build a classifier,the proposed strategy first removes the attributes whose correlation with another attribute exceeds a threshold,and then classifies two sequence samples as one class while removing either of the two samples whose similarity exceeds a threshold.The results of performance experiments showed that the strategy of DP and SVM is superior to the other existing data reduction strategies (e.g.,audit reduction,rule extraction,and feature selection),and that the detection model based on DP and SVM outperforms those based on data mining,soft computing,and hierarchical principal component analysis neural networks.     

基于支持向量机的稀土萃取过程建模方法

支持向量机算法用于软测量建模能较好地解决小样本、非线性、高维数、局部极值等问题、本文针对稀土萃取过程组分含量在线检测的难题,将具有径向基（RBF）核函数的支持向量机算法应用于稀土萃取过程组分含量软测量建模,并讨论了模型参数的选择及其对模型的影响、通过某稀土公司生产过程实际采集数据的仿真试验,结果表明基于支持向量机算法的组分含量软测量模型具有较高的泛化能力和较快的预测速度,是实现稀土萃取过程组分含量软测量的一种有效方法、     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于感兴趣区域的CNN-Squeeze交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

支持向量机在雷达辐射源信号识别中的应用

为了提高电子对抗设备的信号识别能力，采用相像系数法提取雷达辐射源信号特征，并引入支持向量机完成信号自动分类识别．相像系数法在大信噪比范围内稳定性好、分辨能力强．支持向量机分类器结构简单、可获得全局最优、泛化能力强．实验结果表明，基于相像系数和支持向量机的辐射源信号识别方法在大信噪比（5～20dB）范围内，错误识别率最低可达2．68％，优于传统识别方法．     

二维激光雷达数据角点特征的提取

为增强无人车识别行驶环境中角点特征的鲁棒性, 并提高角点特征的识别速度, 基于观测点的二变量正态概率密度映射之间的相对差值, 提出了一种角点特征提取方法; 将观测数据组映射到二变量正态概率密度空间, 获得每个观测点的映射; 对映射结果进行归一化, 消除协方差引起的数值差异; 在映射数值曲线中寻找波峰与波谷的位置, 波峰对应的观测点最接近均值点, 波谷对应的观测点最接近拐点; 利用波峰和波谷的相对高度判定该组观测数据是否符合角点特征的边长要求; 用波谷对应的原始观测数据点坐标作为角点特征, 构建环境特征地图。试验结果表明: 提取方法能够处理观测点数大于63, 观测点角度分辨率大于1°的稀疏观测数据, 在大尺寸室外环境和室内环境中, 提取方法都能够稳定识别大型角点; 对小于180个点的观测数据, 最大处理时间小于5ms, 平均处理时间小于1.9ms, 提取方法减少了构建环境特征地图的时间; 提取方法依据观测数据的二变量正态概率密度提取角点特征, 对观测误差和角点特征的尺度与形状不敏感, 能够有效提高角点特征的识别鲁棒性。      

基于 SVM 的出行方式特征分析和识别研究

基于智能手机采集的居民出行轨迹信息,分析了不同出行方式的特征,利用支 持向量机进行了出行方式识别研究.首先探讨了利用手机软件所能检测和记录的参数,进 而从出行轨迹和特征参数两个方面对出行方式特征进行了分析,探讨了不同出行方式两 两可分的关键变量,提取用于识别不同出行方式的特征向量,最后建立了径向基核函数 支持向量机（SVM）分类器.利用从大连市出行轨迹数据获取的出行方式样本,训练了该 支持向量机,并且以决策树、BP 神经网络为对照.结果表明,SVM 识别精确度为 89.6%,BP 神经网络为 85.5%,决策树为 77.3%,SVM 具有更好的识别性能.     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

CURRENCY RECOGNITION BY USING COORDINATE LOGIC (C-L) FILTER

ＩＣ （Ｃ－Ｌ） ＦＩＬＴＥＲTX＠李文舜＠胡福乔＠李介谷ＩｎｔｒｏｄｕｃｔｉｏｎＣｕｒｒｅｎｔｌｙ，ｆａｋｅｃｕｒｅｎｃｉｅｓａｒｅｗｉｄｅｌｙｓｐｒｅａｄｉｎｅｖｅｒｙｄａｙｔｒａｎｓａｃｔｉｏｎ．Ｔｈｉｓｉｓｄｕｅｔｏｔｈｅｈｕｇｅｐｒｏｇｒｅｓｓｉｎｐ...     

基于轻量化网络和注意力机制的智能车快速目标识别方法

为提高智能车在真实环境中的实时检测能力，改善复杂环境下检测效果不佳的问题，本文提出一种基于轻量化网络和注意力机制的智能车快速目标识别方法。首先，为了减少网络计算参数和提升目标识别算法的推理速度，提出利用GhostNet加速YOLOv4的特征提取；其次，为了提高复杂场景下对道路目标的识别精度，在GhostNet和特征金字塔部分添加结合软阈值化改进的注意力模块；最后，为了验证本文提出方法的有效性，选取Pascal VOC、KITTI公开数据集和自制城市道路数据集进行实验对比。与其他目标检测算法在精度和速度上进行比较，结果证明，本文方法在平均检测精度提升1.7%的情况下，模型参数量降低到原来的18.7%，检测速度提升了 66%，检测速度和精度均优于其他算法，可满足智能车的实时感知需求。     

Eye and Iris Detection Using Projection and Radial Symmetry Transform

This paper presents an eye and iris detection algorithm for human facial images. The authors combine three features of the eye to develop the algorithm: 1) the pixels surrounding the eyes are more variable than other parts of the face; 2) eye pixels are darker than their neighbors; 3) eyes often exhibit radial symmetric properties. Through the first feature, two rough regions of both eyes are detected on the face. Eye masks are then formed based on the second feature, and a fast radial symmetry transform is applied to the two rough regions of both eyes. Finally, accurate iris centers are located by searching the maximum value of the radial symmetry transform results. Using 450 human facial images from the Caltech face database, experiments show that the success rate of the proposed method is 91.7%. The effectiveness of the method was also verified through detection of video frames.     

基于小波包能量谱和SVM的水下目标识别

为了提高舰船辐射噪声信号分类的准确率,即在水下进行舰船目标识别的准确率,采用了小波包提取信号能量谱特征的方法和支持向量机的分类算法.简介了小波包变换及支持向量机的基本原理,然后针对舰船辐射噪声信号进行多层小波包分解,提取各子频段能量谱作为特征量,归一化处理后构建特征向量,最后用支持向量机算法进行分类.仿真实验结果表明,利用对信号的多层小波包分解提取能量谱特征和支持向量机的分类算法能对舰船辐射噪声信号进行有效识别.     

手写体数字识别的一种模糊神经网络方法

将模糊特征取技术与区组设计前馈网络相结合用于手写体数字识别。实验表明，该方法对５００个未学习样本的识别率达到了９５．８％。这一结果，相当于或优于目前已经发表的先进成果。     

Wavelet moment invariants extraction of underwater laser vision image

Wavelet moment invariants are constructed for object recognition based on the global feature and local feature of target, which are brought for the simple background of the underwater objects, complex structure, similar form etc. These invariant features realize the multi-dimension feature extraction of local topology and invariant transform. Considering translation and scale invariant characteristics were ignored by conventional wavelet moments, some improvements were done in this paper. The cubic B-spline wavelets which are optimally localized in space-frequency and close to the forms of Li＇s （or Zernike＇s） polynomial moments were applied for calculating the wavelet moments. To testify superiority of the wavelet moments mentioned in this paper, generalized regression neural network （GRNN） was used to calculate the recognition rates based on wavelet invariant moments and conventional invariant moments respectively. Wavelet moments obtained 100% recognition rate for every object and the conventional moments obtained less classification rate. The result shows that wavelet moment has the ability to identify many types of objects and is suitable for laser image recognition.     

基于二维主分量分析的人耳身份识别研究

有效的特征提取方法是解决人耳身份识别任务的关键之一。以主分量分析（PCA）为代表的线性子空间方法在特征提取工作中得到了广泛应用。为了更有效地提取人耳图像特征并减少运算量,将基于二维图像矩阵的2D-PCA方法应用于人耳身份识别。针对三个USTB人耳图像库,采用最近邻分类器,研究了选用不同的特征维数、贡献率,及不同的相似性测度时,2D-PCA方法与传统的PCA方法的识别性能。交叉验证的实验结果表明：2D-PCA方法较PCA方法获得了更短的训练时间和更高的识别率,说明基于图像矩阵的2D—PCA方法是一种效率更高,鲁棒性更强的人耳身份识别方法。     

基于弹性网格和方向线素特征的脱机手写汉字识别

弹性网格和方向线素特征已广泛应用于许多手写汉字识别系统中,并认为是目前较成熟和有效的手写体汉字特征.本文将传统弹性网格特征和方向线素特征相结合然后运用BP神经网络对其进行识别.实验证明,本文特征提取方法在识别率上优于传统的弹性网格方法.     

具有亚像素精度的冗余特征机器人视觉伺服控制

为克服机器人视觉伺服系统对位姿估算及标定精度的依赖性,结合前期特征识别和后期视觉伺服控制,提出基于冗余特征的机器人视觉伺服控制方法.首先,针对图像处理计算密集的问题,从加快特征提取运算速度考虑,研究了矢量数据的递归贪婪压缩算法;其次,从提高图像空间测量精度考虑,研究了基于向量正交性的亚像素特征提取方法,并结合合作目标形状,给出基于多边形形状拟合的目标识别实验性准则;最后,基于图像视觉伺服理论和任务函数方法,直接以具有亚像素级的冗余图像特征作为反馈信息,建立了机器人视觉伺服控制模型,并进行了视觉伺服验证试验.理论分析和实验结果表明,本文提出的视觉伺服控制方法能够在复杂的环境下快速稳定地提取伺服特征,并对标定误差和深度估计误差具有一定的鲁棒性.      

Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network

A novel structure based on channel-wise attention mechanism is presented in this paper.With the proposed structure embedded,an efficient classification model that accepts multi-lead electrocardiogram (ECG)as input is constructed.One-dimensional convolutional neural networks (CNNs) have proven to be effective in pervasive classification tasks,enabling the automatic extraction of features while classifying targets.We implement the residual connection and design a structure which can learn the weights from the information contained in different channels in the input feature map during the training process.An indicator named mean square deviation is introduced to monitor the performance of a particular model segment in the classification task on the two out of five ECG classes.The data in the MIT-BIH arrhythmia database is used and a series of control experiments is conducted.Utilizing both leads of the ECG signals as input to the neural network classifier can achieve better classification results than those from using single channel inputs in different application scenarios.Models embedded with the channel-wise attention structure always achieve better scores on sensitivity and precision than the plain Resnet models.The proposed model exceeds most of the state-of-the-art models in ventricular ectopic beats (VEB) classification performance and achieves competitive scores for supraventricular ectopic beats(SVEB).Adopting more lead ECG signals as input can increase the dimensions of the input feature maps,helping to improve both the performance and generalization of the network model.Due to its end-to-end characteristics,and the extensible intrinsic for multi-lead heart diseases diagnosing,the proposed model can be used for the real-time ECG tracking of ECG waveforms for Holter or wearable devices.     

基于支持向量机的励磁涌流识别算法

为提高变压器差动保护识别励磁涌流的能力,将支持向量分类机应用于励磁涌流识别,提出了一种基于支持向量分类机的变压器励磁涌流和内部故障识别新方法.基于励磁涌流和内部故障电流的特点,充分考虑电流互感器饱和的特点提取电流互感器二次侧间断角和二次谐波等特征,并对励磁涌流和内部故障电流的识别方法进行了分析;用EMTDC程序进行仿真,生成训练样本和测试样本,对支持向量机进行了训练和测试.结果表明,应用支持向量分类机对励磁涌流和内部故障进行识别,识别率平均可达99%以上.