基于多神经网络的入侵检测系统模型研究

为了进一步提高入侵检测系统的检测性能,提出一种新型的基于多神经网络的入侵检测系统模型IDSMN.该模型引入多神经网络和模糊理论,基本思想是将网络数据集分成不同类型的子集,在不同子集上训练形成不同的子神经网络,然后用模糊理论进行多神经网络非线性融合,形成最优判断.     

基于YOLO v5的铁路塞钉检测方法

针对高速铁路和普速铁路的塞钉智能检测问题，提出基于YOLO v5的塞钉检测方法。该方法对训练模型采用He方法初始化，采用微调模式使模型收敛，同时使用dropout正则化方法解决过拟合问题。在训练数据时，对多样式塞钉进行有效分类和样本自动化裁剪，并利用塞钉样本的灰度直方图对数据进行增强；采用非冗余多置信度的方式进行检测，通过先验经验和增加反例来减少误判，并在检测时自动累积塞钉样本。该检测方法已投入现场使用，有效满足了铁路智能巡检的需求。     

基于粗糙集与模糊神经网络的车-地无线通信设备故障诊断研究

针对传统铁路列车车-地无线通信设备网络故障诊断模型结构复杂,诊断精度不高等问题,运用粗糙集理论(RS)、模糊系统(FS)和神经网络(NN)相融合的方法进行铁路列车车-地无线通信设备故障诊断研究。首先对原始样本数据进行模糊化处理,建立故障诊断样本数据表,基于粗糙集理论对故障样本数据进行约简,去除冗余属性,减少样本输入,然后利用约简后的数据训练神经网络,建立基于粗糙集与模糊神经网络车-地无线通信设备故障诊断系统模型结构;最后,将该模型运用于故障诊断中。试验结果对比表明,此方法简化了网络的结构,缩短了训练所需要的时间,提高了故障诊断的精度,从而验证了该方法的可行性。     

基于粗糙集神经网络的车载设备故障诊断

由于神经网络在车载设备故障诊断中存在网络结构复杂、训练时间长的问题,利用粗糙集理论处理不确定数据的优势,对BP神经网络进行优化。提出属性约简算法,去掉冗余信息,保留必要属性。通过对现场车载设备故障数据的实例分析表明,优化前后性能提升明显,且使用该方法能有效减少输入层神经元个数,提高车载设备故障诊断的效率和准确度。     

基于序列互相关特性和SVM的入侵检测研究

通过刻画特权进程的系统调用来进行入侵检测已被广泛研究，采用的大多是人工智能方法，如支持向量机、隐马尔可夫模型和神经网络等。针对这种基于人工智能的入侵检测系统，本文提出应用序列互相关特性选择训练数据的方法。序列的互相关特性是刻画序列之间的相互关系的重要手段，使用具有一定特性的序列来训练人工智能模型，可以提高入侵检测的效率。在本文中，使用了支持向量机（SVM）来评价序列的互相关特性在模型训练中的作用。实验仿真说明，这种方法可以有效的提高入侵检测率。     

一种基于时空相关分析的货运列车车号识别方法研究

提出一种基于时空相关分析的货运列车车号识别方法,该方法包括车号定位、片段聚类与车号识别3部分.基于连通体分析技术,提出利用货运列车车号字符间特定的几何比例关系有效地定位车号区域;在车号定位基础上,利用视频序列时空冗余信息建立帧信息补正模型,对部分定位错误帧图像进行补正并通过片段聚类方法将包含相同内容的车号视频序列进行切分;利用概率神经网络训练车号联合识别决策器,对可能包含同一车号的多帧图像进行联合识别,有效提高车号识别的准确率.通过在实际货运列车视频数据集上进行测试验证,本文算法对所有帧图像的平均车号识别准确率高于90％,优于传统基于静态图像处理的车号识别方法.     

基于冗余编码系统的循环冗余校验方法

提出了一种基于冗余编码系统的循环冗余校验(CRC)方法。该方法应用于轨道交通信号控制系统中可解决冗余编码系统与其他类型冗余编码或非冗余编码系统的通信问题,通过将冗余码校验信息融合到CRC计算过程中,在无故障的情况下得出的冗余码CRC与标准CRC完全一致,保证了系统与外界系统的正常通信功能;在系统发生故障的情况下能够将错误信息反馈到冗余码CRC中,外界冗余/非冗余系统可校验出故障信息,提高了系统的安全性和故障可检测率。     

基于概率包络的轮对轴承故障诊断方法

信号不确定性的正确表达是故障诊断的先决条件。然而,在实际情况中,轮对轴承的信号存在各种不确定性,采用传统方法处理这类不确定性,存在信息丢失问题。提出一种基于概率包络的轮对轴承故障诊断方法。对原始信号进行分布类型检验,针对不同分布特点使用不同方法进行概率包络建模。提取概率包络模型的几何形状作为故障特征,并将其输入支持向量机(SVM)训练获得故障诊断模型。以公共数据集及实测数据进行诊断测试,并对诊断结果进行比对验证。实验结果表明,该方法合理有效,提高了诊断精度和效率。     

铁路周界入侵目标多尺度特征感知算法

准确识别侵入周界范围内的人和大型牲畜是铁路周界入侵视频智能分析技术的重点内容,对保障铁路安全运营具有重要意义。基于现有目标检测算法难以处理铁路监控场景中入侵目标呈现显著尺度变化的状况,提出一种多输入双输出神经网络(Multiple Input Double Output Network,MIDO-Net)和基于自适应特征加权融合的目标多尺度特征感知算法。首先,通过MIDO-Net多层级联的多输入和双输出网络结构,提取图像目标更丰富的多尺度特征信息;其次,依据骨干网络多阶段的特点,先将多级特征上采样至统一分辨率,再利用注意力模块和自适应参数对多级特征进行加权;然后,将特征输入到检测头中完成铁路周界入侵的识别;最后,通过视觉目标类别(Visual Object Classes,VOC)公共数据集和制作的多场景、多尺度铁路异物侵限数据集,对算法进行验证。结果表明：提出的多尺度特征感知算法在VOC公共数据集中的检测精确率达83.3%,在多场景、多尺度铁路异物侵限数据集中的检测精确率达91.1%,平均召回率达56.2%,均优于当前广泛使用的各种特征提取骨干网络;算法检测速率为45帧·s^...     

RS-BN算法在高铁车载设备故障诊断中的应用研究

针对高速铁路列控车载设备结构复杂、故障诊断特征不确定、传统故障诊断方法过于依赖专家经验、故障诊断自动化程度低等问题,提出一种贝叶斯网络与粗糙集模型约简技术相融合的故障诊断方法。首先对故障追踪表进行分析提取和数据挖掘,结合专家经验建立诊断知识数据库;其次对故障数据进行K2算法学习、训练,并结合诊断知识数据库先验知识建立BN结构模型;然后结合故障信息数据建立诊断决策表,利用粗糙集进行条件属性约简,消除冗余条件信息,简化模型并建立基于RS-BN算法的BN结构模型;再通过MLE算法进行BN模型的参数学习,获得模型的条件概率表,建立完整的BN诊断模型;最后对约简模型和未约简模型进行对比分析。通过某高铁实际故障数据仿真验证分析,测试结果证明了该方法有较高的准确性和实际模型的高似然度。     

基于协议分析的SVM入侵检测系统

随着网络技术日益发展,计算机必须面对来自全球网的各种入侵.因而需要有效的入侵检测系统保护计算机远离这些未经允许的或恶意的行为,将模式识别的方法应用到入侵检测系统中,解决了传统检测方法的缺陷.提出一种基于协议分析的SVM入侵检测方法,并使用KDD'99中的数据对该方法进行了评估,证明该方法是有效的.     

PCA-PNN模型在铁路隧道围岩安全性预测评价中的应用

为客观评价隧道围岩安全状态,结合围岩岩体结构及地质特征等影响因素,建立影响隧道围岩安全的各指标因素。用主成分分析PCA法应用MATLAB软件对建立的指标因素进行主成分提取。将分析后所得的主成分作为概率神经网络PNN的输入向量,构建隧道围岩安全性预测评价模型。运用PCA-PNN模型对张吉怀铁路兰新乡隧道围岩进行安全性预测评价,得出各样本的围岩安全状况与现场情况相吻合,评价结果切合实际并与TOPSIS法评价结果基本相符。该评价模型简单可操作,预测评价结果对隧道施工有一定的指导意义,可应用于隧道围岩安全性预测评价研究中。     

基于最大期望算法的列车完整性检测方法

面向中国中西部低密度线路条件,基于GNSS的列车完整性检测系统是一种经济有效的列车完整性解决手段,也可作为制动管风压检测的辅助冗余检测方式,以进一步保障列车运行安全。针对列车运行过程中基于GNSS列车完整性检测系统问题建立完整性检测模型,模型包含列车完整状态及断裂状态下的系统时间动态转换过程。基于系统参数先验统计特性未知情况下的模型参数估计,提出基于最大期望算法的离线训练学习方法,得到列车完整性检测系统模型后验参数的极大似然估计。在列车完整性检测过程中,针对当前时刻的观测值,进行列车完整性所有状态的概率推理估计,采用高斯和滤波的方法实现状态的概率推理计算,选取最大概率下的列车完整性状态,实现列车完整性检测。结合现场测试及仿真数据,针对本文提出的列车完整性检测方法进行测试验证,结果证明了该方法的有效性。     

基于Cascade R-CNN的铁路路基翻浆冒泥病害智能识别方法

针对铁路路基检测数据量大、人工识别效率低的问题,提出一种基于深度学习的铁路路基翻浆冒泥病害智能识别方法。本方法以级联区域卷积神经网络(Cascade Region Convolutional Neural Networks,Cascade R-CNN)为基础识别算法,利用Cascade R-CNN的多阶段检测架构,逐级提高交并比IoU阈值,在不减少样本数的前提下提高模型性能。为解决距离较近的高置信度目标病害被抑制的问题,使用Soft-NMS(Non-maximum Suppression)方法代替传统NMS,以减少假阳性结果的出现。同时,针对自制训练集样本量较小的问题,综合运用多种数据增强技术,防止模型过拟合,提高鲁棒性。试验结果表明,采用改进的基于Cascade R-CNN的识别方法在自制数据集上取得了43.7%的平均精度。模型对比试验也进一步验证了本文方法的有效性。     

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。     

基于数据驱动的地铁列车制动系统管路泄漏检测及预警方法

列车制动系统管路泄漏中制动总风管路泄漏和制动缸及相连管路泄漏的检测定位非常困难.介绍了基于数据驱动的地铁列车制动系统管路泄漏的检测及预警方法.该方法使用源于TCMS(列车控制管理系统)的原始数据并对数据进行处理,基于处理后的数据建立模型;采用以异常检测模型和回归模型为基学习器的机器学习模型在空间中确定健康域,并使用模型的不同指标来表征不同位置的泄漏;依据不同指标随时间的变化规律提供泄漏预警信息.针对原始数据采样率及数据传输质量有限的问题,采用了"率"的物理量定义方法和异常数据段剔除方法.测试结果表明,该模型能够监测、定位泄漏位置并提供预警.     

基于多域特征提取与改进PSO-PNN的道岔故障诊断

针对S700K常见的8种故障模式和正常模式所对应功率曲线,提出一种基于概率神经网络(PNN)与改进的粒子群算法(PSO)相结合的道岔故障诊断方法。首先,在9种功率曲线上分别提取时域、频域特征统计量和时频域小波系数,并用主成分分析法降维每个域的特征量,得到特征向量;其次,以3个改进的PSO-PNN做分类器,并对分类器进行训练和预测;最后,3个分类器的预测结果做三取二表决。仿真结果表明:该方法能有效提高道岔故障诊断的准确率,具有良好的容错性。     

区域计算机联锁系统安全性分析的动态故障树模型与方法研究

目前,国内外关于动态冗余系统安全性分析的主要方法是Markov模型。对于区域计算机联锁系统,使用Markov模型进行分析时,其状态空间规模较大,致使其建模及求解过程十分繁琐。为了解决这个问题,本文从系统失效的角度建立区域计算机联锁系统动态故障树模型,采用概率近似法求出系统的安全失效概率和危险失效概率,并将所得结果与Markov方法所求指标进行比较。研究结果表明,故障树概率近似法和Markov方法计算结果十分接近,但计算过程简单且对存储量要求小。说明对于低失效率和短维护时间的铁路信号安全苛求系统,采用故障树概率近似法计算有关安全性能指标切实可行,避免了利用Markov方法求解的繁琐过程,为复杂冗余动态系统的安全性分析与计算提供了新的解决方案。     

基于D-S证据理论信息融合的轨道电路故障诊断方法研究

在闭塞区间主流设备越来越多的采用ZPW-2000A型无绝缘轨道电路的背景下,针对单一故障诊断方法的诊断精度偏低问题,提出基于信息融合的故障诊断模型和故障诊断方法。该方法分别用BP神经网络和模糊综合评判对轨道电路进行故障诊断,然后将这2种方法的诊断结果作为D-S证据理论的证据体,利用神经网络输出和模糊综合评判输出来构造D-S证据理论中的概率分配,最后利用D-S证据理论将BP神经网络和模糊综合评判对轨道电路的故障诊断结果在决策级进行融合,诊断轨道电路是否有故障并判断故障的模式。仿真结果表明:该诊断方法具有较高的故障诊断精度,诊断结论的可信度有明显提高。     

基于主元分析-概率神经网络的车辆受电弓故障诊断

在城市轨道交通车辆受电弓日常检修过程中,大量检修及故障数据未得到合理利用。针对计划检修已不能满足目前受电弓检修要求的问题,提出了一种基于主元分析和概率神经网络结合的故障诊断方法。该方法运用主元分析法对受电弓日常检修中的初始特征参数进行降维,将降维后特征参数输入到概率神经网络模型中进行故障诊断,判定受电弓故障模式。仿真结果表明,该诊断方法耗时短、正确性高。