一种应用聚类技术检测网络入侵的新方法

基于聚类技术提出了一种能处理不带标识且含异常数据样本的训练集数据的网络入侵检测方法。对网络连接数据作归一化处理后 ,通过比较数据样本间距离与类宽度W的关系进行数据类质心的自动搜索 ,并通过计算样本数据与各类质心的最小距离来对各样本数据进行类划分 ,同时根据各类中的样本数据动态调整类质心 ,使之更好地反映原始数据分布。完成样本数据的类划分后 ,根据正常类比例N来确定异常数据类别并用于网络连接数据的实时检测。结果表明 ,该方法有效地以较低的系统误警率从网络连接数据中检测出新的入侵行为 ,更降低了对训练数据集的要求。     

一种基于层次划分聚类的雷达信号分选算法

近年来,聚类分析在雷达信号分选领域中得到了大量的关注。大部分算法聚类数需要事先人为设定,为了解决这一问题,将基于层次划分的聚类算法应用到雷达信号分选当中。该算法通过数据各个维度的差与对应阈值的比较进行分类,并提出一种基于"点对"的平均距离的评价指标来确定最佳聚类,无需人为设定聚类数,可实现自动聚类。仿真实验表明,此算法对参数固定和参数变化的雷达都具有良好的分选能力,分选准确率较高。     

未知数量稀疏源盲分离的一种新方法

提出了一种新的用于未知数量稀疏源盲分离的统一方法。为了改善聚类分离的精度,该方法选取混合空间中半径给定的、中心位于原点的超球面以外的所有数据点,然后将这些数据点映射到中心位于原点的单位超球面上以得到集合Cy。由此,原来的聚类变为致密聚类,各聚类互相重叠的现象几乎消失。随后,先通过关于Cy的聚类分离来估计混合矩阵,再根据混合矩阵估计源,其中最佳不相似阈值和相应的聚类数量是自动生成的。计算机仿真结果验证了该方法对具有不同程度稀疏性源的有效性。当源充分稀疏时,重构信噪比大约是300 dB。因此,该方法精确、便利。     

一种灰度图象中的小目标识别方法

介绍了一种基于目标灰度门限和目标之间灰度距离门限的区域自动阈值检测法,用该方法检测提取出灰度图像中包含目标的小区域。然后利用传统的门限自动选择方法找到合适的门限,利用该门限值对所获目标区域进行二值化以得到目标,然后采用改进不变矩方法提取目标特征并采用优化BP神经网络进行识别。该方法经实验验证,效果较好。     

基于粒子群聚类的导弹直接侧向力模型辨识

为了充分挖掘数据的潜在规律,提出一种基于粒子群模糊C均值聚类的模型辨识方法,该方法首先对实验数据进行分类,得到最佳聚类数和聚类中心,然后对不同的类分别辨识.新数据可以根据到不同聚类中心的距离划分为不同的类,再根据该类的辨识模型得到输出结果.依据风洞实验数据,采用粒子群模糊聚类对直接侧向力模型进行了辨识,辨识结果表明,与直接辨识相比,该方法的辨识精度明显提高,其辨识结果可以为控制系统的设计提供依据.     

一维自组织映射聚类数的自适应确定

针对利用一维自组织映射进行彩色分割时聚类数目应该根据经验人为预先设定这一问题,基于误差平方和准则,提出了一种根据误差平方和的变化速率来自动地确定类数的方法。通过对两个实例的处理,验证了该方法的有效性。     

一种判决门限自动推荐的脉冲检测方法

在起伏环境中,针对判决门限设置导致的脉冲检测结果不稳定问题,提出一种判决门限自动推荐的脉冲检测方法。通过时域迭代相关法获取待分析数据包络;按类间类内方差比最小准则实现判决门限的自动推荐;根据推荐门限和检验统计量对"真脉冲"实现判决与提取。在仿真条件下,相比噪声方差法,在同一虚警概率和漏报概率下,该方法对判决环境的最低要求降低了4 d B,进一步降低了起伏环境对脉冲检测性能的影响,改善了脉冲检测效果。实测数据处理结果进一步证明了该方法的可行性和有效性。     

基于GRU-VAE的无监督航迹异常检测方法

针对海量无行为模式标签航迹数据的目标行为异常检测问题,提出一种基于门控循环单元的变分自编码器模型(Gate Recurrent Unit-Variational Autoencoder, GRU-VAE)无监督航迹异常检测方法。该方法通过检测航迹异常发现目标的行为异常,分为模型训练阶段和异常检测阶段两步实施：在模型训练阶段,构建了以GRU和VAE为主要结构元素的基于门控循环单元的变分自编码器模型,利用无异常信息标签的历史航迹数据对GRU-VAE模型进行训练,根据训练集的航迹点重构损失分布情况,采用正态分布法或百分位数法划定置信区间为航迹点重构损失门限;在异常检测阶段,该模型对实时航迹数据集进行检测,将重构损失超出航迹点重构损失门限的航迹点视为异常航迹点,当航迹序列中的异常航迹点占比超出占比阈值时,判定为异常航迹序列,结合数据异常情况向一线人员发送目标的异常行为信息。AIS数据实验结果表明,模型最高F₁分数达86.36%,查全率达95%。本方法对异常航迹的检测具有高灵敏度和低漏警率,可满足战场态势认知需求。     

基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过一种改进的模糊聚类算法,首先得到可能的目标数和测量点迹与目标预测位置之间的隶属度,然后结合Kalman滤波将隶属度作为权值系数对预测新息向量进行加权,来实现目标状态估计的更新。仿真结果表明,传统数据融合多目标跟踪算法,一般需要假定目标数并且在多目标密集时易产生关联错误而导致跟踪发散,新算法通过模糊聚类客观有效地确定了目标数并且通过加权过程保证了对多目标密集时的高精度。     

基于FCM与粗糙集的连续数据知识挖掘方法

对连续数据知识挖掘可采用模糊C均值聚类将其离散化,再应用粗糙集进行约简.文中针对该过程中样本数据离散化后出现多个聚类中心隶属度值较接近的情况,提出了隶属度重叠度的方法来扩展对应离散类别的选取.离散类别确定后再应用粗糙集理论对其进行知识挖掘,可得到连续数据的本质特性.此方法应用于汽轮机轴系振动数据的知识挖掘.与采用最大隶属度确定对应类别的方法相比,该方法不影响对连续数据的知识挖掘,并能真实反映连续数据的特性.