期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到9篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于SAE和WGAN的入侵检测方法研究
1
作者 刘拥民 许成 +2 位作者 黄浩 张钱垒 赵俊杰 《计算机工程与科学》 北大核心 2025年第2期256-264,共9页
近年来,机器学习和深度学习(ML/DL)领域技术飞速发展,将其应用到IDS中的研究也越来越多。但是,目前入侵检测领域的数据集存在特征冗余和攻击分类样本数量不平衡的问题。针对上述问题,提出基于自编码器SAE和生成对抗网络WGAN的网络异常... 近年来,机器学习和深度学习(ML/DL)领域技术飞速发展,将其应用到IDS中的研究也越来越多。但是,目前入侵检测领域的数据集存在特征冗余和攻击分类样本数量不平衡的问题。针对上述问题,提出基于自编码器SAE和生成对抗网络WGAN的网络异常检测方法。首先,针对特征冗余问题,使用堆叠自编码器的编码-隐层-解码思想进行数据降维,细化各类特征,提取更适用于分类的低维度特征。其次,针对样本不平衡(数据量少、种类不多的)问题,将处理过的数据作为生成器的来源输入到WGAN模型中,利用生成对抗网络的生成功能进行样本扩充,弥补分类模型训练过程中某些类型样本数据不足的问题,最终通过RF分类模型进行检测。在数据集NSL-KDD上的实验结果表明,基于本文方法建立的模型SAE-WGAN-RF的F 1-Score为95.58%,Recall为96.54%,Precision为96.03%,相比常见的经典算法的性能有显著提高。 展开更多
关键词 深度学习 生成对抗网络 异常检测 栈式自编码器
下载PDF
模拟人工蜂群的高维数据特征选择算法研究 被引量：2
2
作者 刘拥民 王靖枫 +1 位作者 黄浩 徐卓农 《郑州大学学报（理学版）》 CAS 北大核心 2023年第3期57-64,共8页
针对高维数据集结构复杂且冗余度高的问题,提出一种新型二进制人工蜂群算法进行特征选择。该算法在雇佣蜂蜜源搜索阶段应用差分思想,增加多项式差分变异算子,实现蜜源更新环节的多维性、高效性;在跟随蜂阶段和侦察蜂阶段分别引入交叉算... 针对高维数据集结构复杂且冗余度高的问题,提出一种新型二进制人工蜂群算法进行特征选择。该算法在雇佣蜂蜜源搜索阶段应用差分思想,增加多项式差分变异算子,实现蜜源更新环节的多维性、高效性;在跟随蜂阶段和侦察蜂阶段分别引入交叉算子和最优保存策略,进一步打破局部最优,有效提升了人工蜂群算法的收敛效果;对蜜源的二进制初始化处理,使得算法在特征选择过程中取得了良好表现。在4个Benchmark测试函数上进行实验,结果表明,新算法的寻优精度和收敛速度优于其他4种经典搜索算法。同时,选取7个常用高维数据集进行特征选择,并与7种经典降维算法进行对比,发现新算法的特征约简程度普遍高于88%,并且随着数据集维度的增高,新算法的降维程度和分类精度优于其他7种降维算法。 展开更多
关键词 特征选择 高维数据 人工蜂群算法 差分进化算法
下载PDF
基于XGBoost ARIMA方法的PM_(2.5)质量浓度预测模型的研究及应用 被引量：9
3
作者 刘拥民 罗皓懿 谢铁强 《安全与环境学报》 CAS CSCD 北大核心 2023年第1期211-221,共11页
针对PM_(2.5)时间序列的非线性、高噪声、不平稳与波动性的特征,提出一种基于分解集成框架以及相关性去噪的新型XGBoost-ARIMA混合预测模型。以石家庄市为例,选择PM_(10)、SO_(2)等4个影响因子,PM_(2.5)为目标因子,构建混合预测模型以... 针对PM_(2.5)时间序列的非线性、高噪声、不平稳与波动性的特征,提出一种基于分解集成框架以及相关性去噪的新型XGBoost-ARIMA混合预测模型。以石家庄市为例,选择PM_(10)、SO_(2)等4个影响因子,PM_(2.5)为目标因子,构建混合预测模型以合理区分与处理时间序列中高频、低频数据,并通过Pearson相关性去噪方法对时间序列中的噪声因子进行去除。实例验证及与经典预测模型的对比研究表明,提出的新型XGBoost-ARIMA混合预测模型适用于大气污染治理以及环境政策制定所需的PM_(2.5)质量浓度日均数据预测,实现了针对大气污染物日均质量浓度的准确预测,能够为污染治理与政策制定提供科学的数据支撑;该方法与经典预测模型相比,具有更优的预测性能(平均绝对误差仅为10.46518,且希尔不等系数低至0.08589)。 展开更多
关键词 环境学 PM_(2.5)预测 混合模型 相关性去噪
原文传递
轻量级词典协同记忆聚焦处理的Web攻击检测研究 被引量：1
4
作者 刘拥民 黄浩 +3 位作者 石婷婷 欧阳金怡 刘翰林 谢铁强 《重庆理工大学学报（自然科学）》 CAS 北大核心 2023年第3期172-182,共11页
使用深度学习模型检测Web攻击,输入完整的HTTP文本会使词典增大,进而导致模型参数过载,增加存储成本。此外,攻击载荷的位置不确定性及语义复杂性会导致漏报率高。针对模型参数过载和漏报攻击载荷问题,提出了一种基于轻量级词典协同记忆... 使用深度学习模型检测Web攻击,输入完整的HTTP文本会使词典增大,进而导致模型参数过载,增加存储成本。此外,攻击载荷的位置不确定性及语义复杂性会导致漏报率高。针对模型参数过载和漏报攻击载荷问题,提出了一种基于轻量级词典协同记忆聚焦处理模型的Web攻击检测方法。生成轻量级词典,结合轻量级词典的预处理规则,依次执行保留、替换、添加、丢弃等操作预处理HTTP文本,减轻参数过载问题。结合基于双向长短时记忆和多头注意力机制的记忆聚焦处理模型,提高记忆能力和对攻击载荷的聚焦处理能力以降低漏报率。在模拟数据集上新方法的准确率为98.66%,比URL_WORD+GRU提高了3.19百分点,在检测的攻击类型中,最低的漏报率为0.60%。实验结果表明:新方法能有效解决参数过载问题,提高检测准确率,同时降低漏报率。 展开更多
关键词 Web攻击检测 文本预处理 多头注意力机制 聚焦处理
下载PDF
基于注意力机制的轻量化YOLO v5s蓝莓检测算法 被引量：3
5
作者 刘拥民 张炜 +2 位作者 麻海志 刘原 张毅 《河南农业科学》 北大核心 2024年第3期151-157,共7页
为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA... 为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi‐head self‐attention,多头自注意力)替换了SPPF(Spatial pyramid pooling‐fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self‐attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。 展开更多
关键词 蓝莓检测 YOLO v5s 轻量级网络 注意力机制 多头自注意力
下载PDF
基于改进U-Net的轻量级眼底病变分割算法设计
6
作者 刘拥民 张毅 +1 位作者 欧阳凌轩 石婷婷 《电子测量技术》 北大核心 2024年第3期127-134,共8页
精准的糖尿病视网膜病变的分割是实现视网膜病变自动诊断的前提条件和关键步骤,然而现有大部分的分割模型存在着参数量大、模型训练效果不理想、甚至是无法正常处理数据集等局限性。为此,在原U-Net网络中加入改进的Ghost卷积模块与多尺... 精准的糖尿病视网膜病变的分割是实现视网膜病变自动诊断的前提条件和关键步骤,然而现有大部分的分割模型存在着参数量大、模型训练效果不理想、甚至是无法正常处理数据集等局限性。为此,在原U-Net网络中加入改进的Ghost卷积模块与多尺度特征融合模块,提出一种改进U-Net眼底病变分割图像的算法。该模型能以少量的参数量、较低的计算复杂度获得良好的分割结果。利用GhostModel替换原始卷积,设计出Ghost卷积与Ghost下采样卷积模块,在保证准确度的同时降低参数量;设计出一种轻量级的Half-UNet多尺度特征融合模块来获取多尺度信息,针对不同尺度病变目标,引入CBAM注意力机制以改善其适应性,从而更好的提取细小的病变信息。改进后的模型在e_optha与IDRiD两个公开数据集上的mIoU分别为61.42%、61.84%,F1-Score分别为70.59%、69.41%。模型参数量、FLOPs分别仅为5.48M、35.46GMac,较U-Net、Att-UNet等模型更加精简,分割精度更高。 展开更多
关键词 糖尿病视网膜病变 图像分割 Ghost卷积 U-Net
原文传递
基于双向循环生成对抗网络的无线传感网入侵检测方法 被引量：18
7
作者 刘拥民 杨钰津 +2 位作者 罗皓懿 黄浩 谢铁强 《计算机应用》 CSCD 北大核心 2023年第1期160-168,共9页
针对无线传感器网络(WSN)入侵检测方法在离散高维特征的不平衡数据集上检测精度低和泛化能力差的问题,提出一种基于双向循环生成对抗网络的WSN入侵检测方法 BiCirGAN。首先,引入对抗学习异常检测(ALAD)通过潜在空间合理地表示高维、离... 针对无线传感器网络(WSN)入侵检测方法在离散高维特征的不平衡数据集上检测精度低和泛化能力差的问题,提出一种基于双向循环生成对抗网络的WSN入侵检测方法 BiCirGAN。首先,引入对抗学习异常检测(ALAD)通过潜在空间合理地表示高维、离散的原始特征,提高对原始特征的可理解性。其次,采用双向循环对抗的结构确保真实空间和潜在空间双向循环的一致性,从而保证生成对抗网络(GAN)训练的稳定性,并提高异常检测的性能。同时,引入Wasserstein距离和谱归一化优化方法改进GAN的目标函数,以进一步解决GAN的模式崩坏与生成器缺乏多样性的问题。最后,由于入侵攻击数据的统计属性随时间以不可预见的方式变化,建立带有Dropout操作的全连接层网络对异常检测结果进行优化。实验结果表明,在KDD99、UNSW-NB15和WSN_DS数据集上,相较于AnoGAN、BiGAN、MAD-GAN以及ALAD方法,BiCirGAN在检测精确度上提高了3.9%~33.0%,且平均推断速度是ALAD方法的4.67倍。 展开更多
关键词 无线传感器网络 入侵检测 生成对抗网络 谱归一化 对抗学习
下载PDF
新型GAN的WSN异常检测方法 被引量：2
8
作者 刘拥民 张钱垒 +2 位作者 杨钰津 罗皓懿 黄浩 《计算机工程与设计》 北大核心 2023年第12期3554-3562,共9页
为实时预警无线传感器网络(WSN)进行数据传输过程中的一系列威胁,提出一种新型生成对抗网络(GAN)的WSN异常检测方法。采用梯度归一化和代价距离改进的GAN目标函数,与改进的对抗学习异常检测方法相结合,能准确、全面地将数据流特征的分... 为实时预警无线传感器网络(WSN)进行数据传输过程中的一系列威胁,提出一种新型生成对抗网络(GAN)的WSN异常检测方法。采用梯度归一化和代价距离改进的GAN目标函数,与改进的对抗学习异常检测方法相结合,能准确、全面地将数据流特征的分布情况映射到潜在空间,使生成器在训练过程中增加生成数据的多样性,提升模型的鲁棒性;引入带有丢失操作的全连接层网络体系,显著增强对WSN中数据流异常状态的识别能力。仿真结果表明,该方法可全面有效地提高入侵检测方法的综合检测效果。 展开更多
关键词 无线传感器网络 生成对抗网络 异常检测 梯度归一化 代价距离 目标函数 全连接层网络
下载PDF
一种优化的Swin Transformer番茄叶片病害识别方法 被引量：13
9
作者 刘拥民 刘翰林 +3 位作者 石婷婷 欧阳金怡 黄浩 谢铁强 《中国农业大学学报》 CAS CSCD 北大核心 2023年第4期80-90,共11页
为了及时准确的识别番茄叶片病害,提高番茄产量,提出了一种优化的Swin Transformer番茄病害识别方法,该模型利用Transformer的自注意力结构获得更加完备的番茄病害图像的高层视觉语义信息;结合Mixup混合增强算法,在预处理阶段对图像特... 为了及时准确的识别番茄叶片病害,提高番茄产量,提出了一种优化的Swin Transformer番茄病害识别方法,该模型利用Transformer的自注意力结构获得更加完备的番茄病害图像的高层视觉语义信息;结合Mixup混合增强算法,在预处理阶段对图像特征信息进行增强;并采用迁移学习在增强番茄叶片病害数据集上进行训练和优化Swin Transformer模型,以此实现精准的番茄叶片病害识别。结果表明:1)优化的Swin Transformer模型对番茄叶片病害识别准确率达到98.40%;2)在相同训练参数下,本研究模型比原Swin Transformer、VGG16、AlexNet、GoogLeNet、ResNet50、MobileNetV2、ViT和MobileViT模型准确率提高了0.70%~1.91%,且能快速收敛;3)本研究模型中加入的Mixup混合增强算法极大地提高了番茄叶片病害的识别准确率,比现有的常见方法性能更加优越,并且鲁棒性强。因此,本研究提出的新模型能够更加准确的识别番茄叶片病害。 展开更多
关键词 Swin Transformer Mixup 数据增强 番茄病害识别 迁移学习 图像分类
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部