检索结果-南通市图书馆

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

不同数据标签场景下的网络入侵检测研究

不同数据标签场景下的网络入侵检测研究

作者：张天月南京邮电大学

学位级别：硕士

网络的快速发展产生了海量数据,也导致复杂多样的网络攻击形式,当前基于深度学习的网络入侵检测系统尚不完善。在有数据标签的场景下,检测恶意流量并进一步精细化识别很有必要,因此本文提出一种多分类有监督入侵检测方法。此外,真实网... 详细信息

网络的快速发展产生了海量数据,也导致复杂多样的网络攻击形式,当前基于深度学习的网络入侵检测系统尚不完善。在有数据标签的场景下,检测恶意流量并进一步精细化识别很有必要,因此本文提出一种多分类有监督入侵检测方法。此外,真实网络环境中可能存在着获得高质量标签需要较高的时间成本及人工分析的问题,传统的无监督入侵检测技术先降维再聚类分析或概率密度估计,在降维过程中无后续指导可能丢失聚类分析或概率密度估计的关键特征,因此本文提出一种无监督入侵检测模型。在有数据标签的场景下,本文提出一种基于多尺度时空残差网络的入侵检测模型(MultiScale Spatial-Temporal Residual Network,MS-ST-RNet)。对部分偏度较大的数据使用log1p平滑处理,使其更加接近高斯分布;采用多条流量为整体做特征,借助多尺度一维卷积和长短期记忆网络,分别提取网络流量数据的空间特征和时序特征并进行融合;基于残差网络的思想,添加恒等映射,避免梯度消失、梯度爆炸以及网络退化等问题。在无数据标签的场景下,本文提出一种基于栈式稀疏自编码器和改进高斯混合的无监督入侵检测模型(Stacked Sparse Autoencoder and Improved Gaussian Mixture Model,SIGMOD)。先借助Pearson相关系数线性降维;然后通过栈式稀疏自编码器实现非线性降维,不仅减少数据冗余性,还将编码器的低维特征和解码器的重构误差表示结合在一起,作为样本的输入表示;再利用多层感知器神经网络估计高斯混合模型的参数;通过端到端的联合优化,促进高斯混合模型对样本能量概率密度的评估;最终根据阈值判断是否异常。最后,对本文所提出的两个模型在UNSW＿NB15数据集上进行验证。数据预处理的实验结果表明,log1p平滑处理能够优化数据分布。对比实验结果表明,MS-ST-RNet可以有效增强模型的表征能力以及泛化能力,各项指标性能有比较明显的提升,且在网络层数较深时仍有较好效果,能够避免网络退化问题;SIGMOD的检测性能优于现有的无监督检测方法,且在训练集受到污染时仍然能够保持很好的检测效果,有较好的鲁棒性。

关键词：一维卷积入侵检测深度学习残差网络高斯混合

基于分布式光纤传感技术的无砟轨道结构病害识别技术研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于分布式光纤传感技术的无砟轨道结构病害识别技术研究

作者：王擎北京交通大学

学位级别：硕士

无砟轨道广泛应用于我国的高速铁路中,由于承载了高速列车的周期性动力荷载以及各种环境荷载,可发生砂浆层离缝、轨道板裂纹等病害,持续发展下去会影响轨道结构的稳定性,甚至对行车安全产生影响。目前的轨道病害监测主要依靠凌晨天窗期... 详细信息

无砟轨道广泛应用于我国的高速铁路中,由于承载了高速列车的周期性动力荷载以及各种环境荷载,可发生砂浆层离缝、轨道板裂纹等病害,持续发展下去会影响轨道结构的稳定性,甚至对行车安全产生影响。目前的轨道病害监测主要依靠凌晨天窗期的人工排查,工作强度大、效率低。基于相位敏感光时域反射仪(Φ-OTDR)的光纤振动传感技术具有灵敏度高、定位准确等特点,已广泛应用于建筑结构监测和周界安防,同时为高铁线路状态监测提供了可行的解决方案。利用光纤传感技术实现轨道结构监测,对建立高铁线路主动维护机制和推进铁路运维的信息化具有十分重要的意义,有重要的应用价值。本文基于无砟轨道结构病害识别的任务,围绕着数据采集与处理以及病害识别算法进行了相关研究,具体内容如下:(1)调试Φ-OTDR采集设备,设计列车数据处理的方法。结合Φ-OTDR基本原理确定设备参数,使用滑动差分法定位和放大列车振动信号,用图像二值化和迭代的离群点去除法得到清晰的列车轨迹,对数据进行整理和压缩。在工务人员的配合下,完成光学里程到工务里程的映射。基于已有的标签和数据建立了包含五类病害信息和正常振动模式的数据集。(2)实现了基于特征工程和机器学习技术的病害识别算法。提取振动信号的时频域统计学特征、小波包能量特征和梅尔倒谱系数,构建多维特征向量,使用极端梯度提升树(XGBoost)等机器学习算法对六种事件进行分类,对比不同算法的表现。(3)将端到端的深度学习算法引入光纤传感信号模式识别。基于时域振动信号的特征,使用一种感受野提升的时域残差网络对病害数据集进行分类,达到了超越特征工程和机器学习方法的性能表现,证实了神经网络在病害特征提取上的能力。(4)提出一种多尺度卷积结构,对大卷积核横向扩展,用大小为3的卷积核提取细节特征,在扩大感受野的同时提升对不同尺度的适应性,并讨论对比了不同的特征融合方法对网络性能的影响。本文提出的算法在病害数据集上取得了良好的识别效果。本研究证实了利用Φ-OTDR技术对无砟轨道结构病害进行分类识别的可行性,提出的方法为下一步的研究提供经验和理论指导,对光纤传感轨道监测的工程化实现具有重要的现实意义。

关键词：病害识别无砟轨道 Φ-OTDR 分布式光纤传感一维卷积深度学习

基于CNN-BiLSTM-AM的储层岩石脆性指数预测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机技术与发展 2023年第10期33卷 28-34页

作者：杜睿山李宏杰孟令东东北石油大学计算机与信息技术学院黑龙江大庆163318 油气藏及地下储库完整性评价黑龙江省重点实验室黑龙江大庆163318

脆性指数是储层岩石的重要地质力学性质之一,但对于脆性指数至今为止都没有一个明确的定义,许多学者提出了不同的方法来测量该参数,一些方法如矿物分析等成本较高,然而机器学习和深度学习可以有效融合多元数据,充分利用数据去挖掘自变... 详细信息

脆性指数是储层岩石的重要地质力学性质之一,但对于脆性指数至今为止都没有一个明确的定义,许多学者提出了不同的方法来测量该参数,一些方法如矿物分析等成本较高,然而机器学习和深度学习可以有效融合多元数据,充分利用数据去挖掘自变量与因变量之间的关系,且成本较低。因此,该文使用深度学习方法来构建测井曲线数据与储层岩石脆性之间的关系模型。因测井曲线是特殊的时序曲线,该文采用可以综合考虑过去和未来信息的BiLSTM(双向长短期记忆)模型,同时为了进一步的优化,在模型中添加1DCNN(一维卷积)用来提取特征,且引入了AM(注意力机制)。同时利用Pearson系数和XGBoost(极限梯度提升树)进行分析,研究了各测井曲线对脆性的敏感性等级以及重要性程度,最终选取的输入参数有AC(声波时差)、DEN(密度)、CAL(井径)、GR(伽马射线)和SP(自然电位)。与其它机器学习方法相比,该方法的MSE和RMSE最小,分别为0.0035和0.05916,表明CNN-BiLSTM-AM是一种预测精度更高、效果更好的方法。

关键词：测井曲线脆性指数深度学习 Pearson系数 BiLSTM 一维卷积注意力机制

在线全文

学校读者我要写书评

暂无评论

基于深度学习的滚动轴承故障诊断方法

设备管理与维修 2021年第7期 144-146页

作者：陈志刚高鹤刘菲杨志达北京航天拓扑高科技有限责任公司北京100176

提出一种基于一维卷积神经网络(CNN)与门控循环单元(GRU)的滚动轴承故障诊断方法,设计了一种基于数据驱动的滚动轴承故障诊断方法。利用同一数据集之间特征相似并且独立同分布这一特征,分别设计网络结构和参数。为采用CNN和GRU进行故障... 详细信息

提出一种基于一维卷积神经网络(CNN)与门控循环单元(GRU)的滚动轴承故障诊断方法,设计了一种基于数据驱动的滚动轴承故障诊断方法。利用同一数据集之间特征相似并且独立同分布这一特征,分别设计网络结构和参数。为采用CNN和GRU进行故障诊断提供了新的思路,具有较好的技术应用前景。

关键词：深度学习故障诊断滚动轴承一维卷积门控循环单元

在线全文

学校读者我要写书评

暂无评论

基于特征挖掘的设备异常响应实时检测方法

人工智能 2023年第4期 71-81页

作者：李翰霖牛少彰王茂森史成洁安洪旭北京邮电大学计算机学院(国家示范性软件学院) 北京100876 东南数字经济发展研究院浙江衢州324000 中国科学院信息工程研究所北京100195

工业传感器监测产生海量时序数据,对异常检测带来了两个挑战。一是数据维度和数据量的增多提高了算法时间复杂度,不利于实时监测。为了实时监测数据,需要异常检测算法在有限时间内处理大量的数据。二是在数据采集过程中,噪声是不可避免... 详细信息

工业传感器监测产生海量时序数据,对异常检测带来了两个挑战。一是数据维度和数据量的增多提高了算法时间复杂度,不利于实时监测。为了实时监测数据,需要异常检测算法在有限时间内处理大量的数据。二是在数据采集过程中,噪声是不可避免的,检查噪声数据对异常检测算法性能的影响对于提高分类器学习算法的可靠性是必要的。因此,本文对数据进行分析挖掘,降低数据维度和数据量,提高异常检测实时性,并在图偏差网络上应用一维卷积,提取时间序列的高级特征,提高异常模型的抗噪能力。在六级水处理模型SWaT数据集上的实验结果表明,本文异常检测方法在测试集上精确率、召回率、F1值总体优于传统异常检测方法,且能有效避免噪声干扰,识别速度快,满足异常检测过程中的准确性和实时性,具有一定的应用价值。

关键词：异常检测实时性数据挖掘图偏差网络一维卷积

在线全文

学校读者我要写书评

暂无评论

边缘计算环境下基于深度学习的DDos检测

计算机测量与控制 2023年第7期31卷 28-34,168页

作者：田婷虞延坤牛新征四川省公安科研中心成都610000 西南石油大学计算机科学学院成都610500 电子科技大学计算机科学与工程学院成都611731

边缘计算作为一种用于降低中心节点计算压力,更靠近终端设备和数据源头的新计算范式,满足了计算业务下沉的需求,也带来了安全问题;其中,对边缘计算安全威胁最大、造成过巨大经济损失和安全事故的当属分布式拒绝服务攻击(DDos);边缘计算... 详细信息

边缘计算作为一种用于降低中心节点计算压力,更靠近终端设备和数据源头的新计算范式,满足了计算业务下沉的需求,也带来了安全问题;其中,对边缘计算安全威胁最大、造成过巨大经济损失和安全事故的当属分布式拒绝服务攻击(DDos);边缘计算环境下由于算力受限、存储空间有限等原因,传统的防御手段难以应用;因此,提出了一种适用于边缘计算环境下的基于深度学习的轻量级DDos检测框架;采用CIC-DDos-2019数据集来模拟边缘计算环境下的遭受DDos攻击的网络流量,针对数据集进行了适应性强的预处理技术和相似性标签融合,运用SMOTE算法解决了数据集类别不平衡问题,采用一维卷积技术和BiLSTM技术搭建了模型并进行了模型剪枝,构建了一个轻量级模型;结果表明,其针对DDos攻击类别的八分类实验准确率达到了96.8%,二分类实验准确率达到了99.8%。

关键词：边缘计算分布式拒绝服务攻击深度学习入侵检测一维卷积 BiLSTM

基于CNN-LSTM的兰州市PM_2.5浓度预测研究

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

应用数学进展 2023年第3期12卷 1003-1012页

作者：戴林林周文学兰州交通大学数理学院甘肃兰州

对PM2.5浓度的精准预测能够减少很多健康问题的出现,从而提高人们的生活质量。现有的研究大多建立机器学习模型或单个的深度学习模型来预测PM2.5浓度,且往往只关注单要素的影响而忽略多个要素的综合影响。基于此,本文建立CNN-LSTM组合模... 详细信息

对PM2.5浓度的精准预测能够减少很多健康问题的出现,从而提高人们的生活质量。现有的研究大多建立机器学习模型或单个的深度学习模型来预测PM2.5浓度,且往往只关注单要素的影响而忽略多个要素的综合影响。基于此,本文建立CNN-LSTM组合模型,使用污染物浓度及气象数据对未来短期单日PM2.5浓度做预测,并将结果与单个LSTM模型作对比。结果证实,相比于单个的LSTM模型而言,CNN-LSTM组合模型预测效果更佳。

关键词： LSTM 一维卷积 PM2.5预测组合模型

维普期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

更具有感情色彩的诗歌生成模型

计算机系统应用 2020年第5期29卷 46-51页

作者：廖荣凡沈希忠刘爽上海应用技术大学电子信息工程系上海201418

五言绝句是我们传统文学的宝藏,给人独特的语言美感和审美体验.使用机器生成绝句诗歌对机器理解人类语言有着积极的探索意义.依据诗歌语言自身韵律和对仗特点,我们在诗歌数据集和对联数据集上联合训练诗歌生成模型.模型包括语义模型和... 详细信息

五言绝句是我们传统文学的宝藏,给人独特的语言美感和审美体验.使用机器生成绝句诗歌对机器理解人类语言有着积极的探索意义.依据诗歌语言自身韵律和对仗特点,我们在诗歌数据集和对联数据集上联合训练诗歌生成模型.模型包括语义模型和文字规则模型,语义模型创新性地使用一维卷积网络提取诗歌文字的语义特征,学习诗歌语义的主题信息.文字规则模型使用带注意力机制的编码解码器,学习诗歌文字的对仗特征.实验结果表明模型可以很好地生成符合诗歌规则,表现诗人情感的诗句,如“感时花溅泪,愁路竹林心.秋风草树色,夜雨寒风声.”

关键词：五言律诗语义模型文字规则模型一维卷积注意力机制

基于1D-CNN的滚动轴承端到端故障诊断方法

在线全文

学校读者我要写书评

暂无评论

设备管理与维修 2021年第13期 139-141页

作者：康涛王书陈志刚刘菲景腾飞北京航天万源科技有限公司北京100176 北京航天拓扑高科技有限责任公司北京100176

提出一种端到端的滚动轴承故障诊断模型,将三个步骤直接整合到一个模型中,直接将原始振动信号输入模型中,经过模型计算得到轴承故障类型。利用一维卷积神经网络强大的特征提取能力,对原始信号提取特征。通过实验对比分析,所述方法在美... 详细信息

提出一种端到端的滚动轴承故障诊断模型,将三个步骤直接整合到一个模型中,直接将原始振动信号输入模型中,经过模型计算得到轴承故障类型。利用一维卷积神经网络强大的特征提取能力,对原始信号提取特征。通过实验对比分析,所述方法在美国凯斯西储数据集中能够达到99.33%的类间平均准确率,能够准确地对故障进行分类,具有较好的技术应用前景。

关键词：深度学习故障诊断滚动轴承一维卷积