基于组织协同进化的软件缺陷预测方法

针对传统有标识软件度量元数据存在软件缺陷预测精度低的问题,首先对比选择合适的离散化方法,然后将组织协同进化分类算法引入并应用到航天软件缺陷预测领域,给出了一种基于组织协同进化的软件缺陷预测方法。该方法根据预测目标将离散后的软件度量元数据划分为不同种群,在各种群内部形成进化个体(组织)。组织在增减算子、交换算子、合并算子和组织选择机制的作用下不断进化,并基于属性重要度协同进化的方式进行适应度函数的计算,实现了有标识软件度量元数据缺陷预测精度的提高。最后通过两组仿真实验,验证了基于组织协同进化航天软件缺陷预测方法的有效性。     

不平衡数据的软件缺陷预测方法

数据的不平衡问题是数据分类领域中的一个热点问题。当分类算法处理这些数据时,算法将偏向多数类而忽视少数类。在软件缺陷预测领域,它并没有引起足够的重视,在4组NASA不平衡数据上比较和分析了14种分类算法的性能,为了克服数据的不平衡性,采用SMOTE技术对软件缺陷数据进行平衡化,最后在AUC和F-measure评价指标下对算法进行评估。实验结果表明随机森林算法在4组数据上表现最佳,这为软件缺陷预测提供了很好的参考。     

基于度量元的静态软件缺陷预测技术

软件缺陷预测技术是当前软件工程领域的一个热点研究问题。回顾和综述了基于度量元的静态软件缺陷预测技术研究的起源与国内外最新进展动态,并对常用缺陷预测技术的评价指标进行对比和分析,指出其优缺点和适用范围。最后对静态软件缺陷预测技术的可能发展方向进行预测。     

一种图像隐写分析中的特征选择方法

根据分类器基于图像特征进行信息盲检测的原理,提出了联合使用K-NN分类器和SVM分类器的特征选择方法,并对多种隐写算法和工具进行实验,比较了它们的分类精度,验证了特征优化的重要性.结果表明在分类器训练和工作之前对图像特征向量进行选择优化,能在一定程度上提高分类器的工作效率,更有效地发现隐写算法的脆弱性.     

判决特征选择的快速人脸识别算法

为了在确保识别精度的条件下提高人脸识别的速度,提出了判决特征选择算法(SVM-DFS).针对多类分类问题,判决特征选择算法根据统计学习理论使用支持向量机来实现特征选择,根据全概率定理把特征选择和多类分类集成到一个统一框架.在UMIST和FERET人脸数据库上的实验表明:SVM-DFS算法可以用来挑选对分类最有用的特征,这些挑选出来的特征具有明显的物理意义.使用判决特征选择方法不但可以加快分类器的响应速度,而且不降低分类器的泛化能力.     

基于随机森林法的机械变速箱技术状态评估

将随机森林RF(Random Forests)引入到机械设备技术状态评估领域,对某型坦克不同劣化程度的变速箱振动加速度信号数据进行分类研究,分类精度达到97%以上,证实了此方法的有效性。基于RF的评估方法具有组合分类器精度高、树型分类器运行速度快的特点,在机械设备状态识别、故障诊断中表现出了良好的性能。     

基于元学习的反舰导弹目标识别研究

为了进一步提高干扰环境下反舰导弹的目标识别精度和泛化能力,将集成学习中的元学习策略引入反舰导弹的目标识别领域,并提出了一种基于叠加归纳策略的元学习目标识别算法。该算法首先通过构建元层学习器对多个基层学习器的学习结果进行"再学习",以纠正基学习器的错误分类、巩固基学习器的正确分类,进一步提高集成分类精度;然后,以决策树为基学习算法构建了同质多分类器系统,在自建的全极化一维距离像HRRP特征数据库上研究了基分类器的数量以及元特征样式、元学习算法的选取对元学习系统分类精度的影响;最后,通过与单一分类器和常用集成算法的对比,验证了基于元学习的反舰导弹目标识别算法的可行性和有效性。     

萤火虫优化的异构集成学习网络入侵检测方法

在网络入侵检测中单独使用一种机器学习方法检测存在盲区,检测精度较低,提出一种基于GSO优化权值的异构集成学习入侵检测算法.在构造基分类器中,通过对样本集的采样和特征集的选择增大各个基分类器样本间的差异性;通过不同学习算法对样本集的学习增强基分类器的差异度,通过加权方式集成得到检测结果.在设计权值时,引入萤火虫优化算法,对各个基分类器的分类结果权值进行优化.在通用数据集和CSE-CIC-IDS2018数据集上的实验,表明提出的方法能够有效提高检测的精度,降低误报率和漏报率.     

基于神经网络的螺丝表面缺陷检测

针对螺丝零件通常存在的缺陷检测问题,提出了一种基于神经网络螺丝表面缺陷检测方法。将SimAM注意力机制引入YOLOv7网络模型,用GIoU损失函数替换CIoU损失函数提高模型检测精度,在目标框位置预测过程中,引入Soft-NMS优化候选框选择方法,有效提升候选框位置选择的精度。实验结果表明,改进后的网络模型平均精度均值(mAP)达到98.9%,对小目标缺陷检测精度更高,误检漏检情况更少,可以有效满足螺丝表面缺陷检测要求。     

网络入侵检测系统中的数据缩减技术

在进行事件分析之前,网络入侵检测系统首先要面对数据缩减的问题。以ANIDS为背景,分析了两种重要的数据缩减技术:相关特征子集选择和特征再构造。提出了一种基于Wrapper方法的最优特征子集选取算法SRRW。在考虑学习算法偏置的情况下,通过识别强相关特征并引入约束,能够更快地搜索并获得最优的相关特征子集。从特征再构造角度出发实现数据缩减,并通过因子负荷量矩阵分析了原始特征之间的相关性。     

机械故障特征与分类器的联合优化

在机械故障诊断中,特征选择和分类器的参数优化都可以提高诊断精度。利用特征和分类器参数的依赖关系,提出了特征选择和SVM参数的联合优化方法来提高诊断性能。联合优化方法采用支持向量机(SVM)作为故障分类器,SVM半径—间距上界(RM界)为目标计算诊断精度,并应用遗传算法求解此优化问题。齿轮故障诊断试验结果表明,联合优化的诊断精度要优于单独优化特征和SVM参数,而且优化速度更快。因此在故障诊断中,利用特征和分类器参数联合优化能够快速取得较好的诊断精度。     

基于深度神经网络的高光谱遥感影像分类方法研究

分类是高光谱遥感影像处理中最为重要的一部分。针对现有影像分类方法存在预处理复杂、高维特征提取困难、分类不够精确等缺陷,提出一种基于深度神经网络的高光谱遥感影像分类算法。算法首先采用最大噪声分数来降低特征空间维度,然后将自动编码器与softmax多项逻辑回归分类器组合成含有多隐藏层的神经网络,对高光谱遥感影像进行非监督型深度特征提取与分类。实验结果表明:与传统的基于线性支持向量机分类方法相比,本算法可提取更高级的表达特征,并在较短的处理时间内实现较好的影像分类精度。     

双伪测量的多水下航行器移动长基线协同导航算法

用最近邻理论研究了基于移动长基线的多AUV协同导航.移动长基线多AUV协同导航结构中,主AUV内部装备高精度导航设备,从AUV内部装备低精度导航设备,外部均装备水声装置测量相对位置关系,利用协同导航融合内部和外部传感器信息,实现从AUV进行实时导航定位.基于最近邻理论,建立了双伪测量的数学模型,设计了协同导航算法,进行了数学仿真研究.研究结果表明,在双领航者结构下,通过构建双伪测量可以显著提高群体的导航定位精度.     

基于互信息的混合属性数据特征选择方法

对于混合属性条件下的特征选择问题,给出了一种基于互信息的特征选择方法。首先,将互信息的定义推广到混合属性,在给出其计算方法的基础上,利用互信息定义了一种新的混合属性间的相关性度量;然后,通过对过滤式特征选择中的评价准则进行改造,完成原始特征的初选;最后,以估算精度为标准,对过滤式特征选择中的参数进行优化,确定最终的特征子集。实验结果表明:该方法具有较好的稳定性和估算精度。     

高光谱影像的近邻加权拉普拉斯降维方法

针对高光谱影像数据中存在信息冗余和非线性结构的现象,以及数据分布不均匀时拉普拉斯特征映射近邻点选择不恰当的问题,提出了一种基于Cam加权距离的拉普拉斯改进算法,用于高光谱影像数据降维以压缩数据量并提高分类精度。首先对波段分组去除奇异波段,然后用基于Cam加权距离的拉普拉斯特征映射算法对剩余数据降维,最后将结果输入最小距离分类器进行高光谱影像分类。通过Indiana Pines数据集进行验证,实验结果表明:与线性降维主成分分析法和非线性降维拉普拉斯特征映射相比,基于Cam加权距离的拉普拉斯特征映射算法分类精度更高。     

预测软件中残留的缺陷

当越来越多的商用COTS软件应用到舰船的操作系统和应用软件中时,软件变得越来越重要。程序管理员需要为作战系统、有条件的监视、推进控制、部件需求和舰船管理等定义、采购和管理软件的开发和集成。本文的目的是描述软件可靠性工程的技术发展水平和商用、军用软件缺陷预测技术的发展水平。文中的信息是基于商用软件业和舰船软件开发过程提供的数据。本文比较了四种软件失效模型的优点和缺点。其中对数泊松执行时间(LogarithmicPoissonExecutionTime,简称LPET)模型与数据匹配得最好,并满足可靠性理论的基本原则。本文给出了软件失效的定义和软件缺陷的追踪过程,并采用分布图预测软件发布后仍然存在的缺陷。作为展望,本文提供了预测商用软件中缺陷的经验法则以及修复这些缺陷所需的相对花费。     

基于卷积神经网络和随机森林的毁伤效果评估方法

目标毁伤效果评估是现代化战争中的重要一环。针对传统的毁伤效果评估方法无法区分目标特征与背景特征而导致评估结果不准确的问题,提出了卷积神经网络(convolutional neural network,CNN)和随机森林(random forest,RF)相结合的方法,记为CNN-F算法。通过卷积神经网络处理图像,提取图像特征,再使用随机森林替换卷积神经网络中的部分全连接层和softmax分类器进行目标毁伤结果分类。实验结果表明,该算法在准确度、精确度、召回率和F₁值4个指标上都达到了较高的水平,达到了83.050%、83.585%、83.050%和82.945%,其评估结果可以为指挥员下一步决策提供参考。     

面向混部云失败批处理作业的预测算法

为了降低混部云失败批处理作业的风险,使用K-means聚类算法将批处理作业分为四类,在分类的基础上提出了二层嵌套分类模型(two-layer nested classification model, TLNM),实现了基于TLNM的预测算法。基于Ali Trace 2018数据集上的实验结果表明,该算法的接受者操作特性(receiver operating characteristic, ROC)曲线明显优于其他常用分类器,ROC曲线下面积(即AUC)可以达到0.978,表明该算法具有良好的分类性能。同时召回率可以达到0.951,通过混淆矩阵可以看出TLNM算法能够准确预测出执行失败的批处理作业。     

基于自训练EM算法的半监督文本分类

为了提高计算效率,提出基于自训练的改进EM算法STEM。在每步迭代的E-step中,将中间分类器最有把握对其类别进行预测的未标注样本转移至标注样本集,并应用到M-step中进行下一个中间分类器的训练,从而引入了利用中间结果的自训练机制。文本分类实验表明STEM算法在大部分情况下的分类准确性都高于EM,并通过减少迭代提高了分类器学习的计算效率。     

用于目标跟踪无线传感器网络的动态分簇算法

针对跟踪精度和网络能耗的问题,提出了一种用于目标跟踪无线传感器网络的基于预测的动态分簇算法.把目标运动过程看作是高斯马尔可夫过程,根据目标历史轨迹,估计下一时刻位置坐标和运动速度,然后基于估计结果优化选择分簇的簇头和簇成员,形成一个动态分簇来实现目标跟踪.仿真结果表明:该算法使目标跟踪有较好的跟踪精度,能有效均衡网络能耗,延长网络寿命.