基于 ESN 神经网络的网络安全态势感知预测

针对现有网络安全技术不能准确地对网络未来安全态势进行预测的问题,提出一种基于回声状态网络(ESN)进行态势预测的方法。对数据量庞大的安全态势值,利用回声状态网络可有效处理非线性系统辨识以及混沌时间序列预测问题。实验表明,由于训练简单,可根据不同网络环境自动优化网络参数,且算法本身在混沌时间序列预测方面的先天优势,使得 ESN 算法比传统神经网络方法在网络态势预测准确率方面有明显改善。     

结合Lab模型与EHOG特征的摄像机离散视域人物外表匹配(英文)

针对摄像头离散区域存在的光照变化、视角变化等干扰,提出一种结合Lab模型以及扩展梯度方向直方图特征的方法来改善人物外表匹配的准确率.对于描述目标全局信息的Lab模型,提出一种排序最近邻聚类算法进行颜色聚类,然后使用分块颜色匹配算法计算观察值之间的颜色相似度.对于描述目标局部信息的扩展梯度方向直方图特征,使用巴氏距离计算2个观察值之间的相似度.全局信息可以很好地描述目标外形,并且能够适应摄像头视角的变化以及目标尺度上的改变.局部信息对光照变化具有更强的鲁棒性,它能够增强模型的辨别能力.全局信息和局部信息的结合保证了所提出算法的精确度和鲁棒性.室内实验结果显示所提出的算法具有较高的正确匹配率.     

基于决策树和加权KNN混合算法的光学符号识别技术

光学字符识别是针对印刷体字符,采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件,并且通过字符识别模型将图像中的文字处理成可编辑的文本格式.本文首先对样本数据进行预处理,采用局部离群因子法剔除无效数据,通过信息增益率计算各个自变量相关性的强弱来找出恰当的特征,并将样本分为五类,建立决策树法和加权KNN算法相结合的混合算法,预测每类数据的结果并给出准确率,将结果中未识别的样本放在所有训练集下再次通过混合算法进行训练预测,最终总预测正确率达到了96.406%.最后通过混淆矩阵来评价模型,结果表明其拒识率较低,准确率较高,训练预测时间较短,具有可行性.     

融合音频特征的比赛场地主颜色聚类算法

针对当前手动分割视频获取主颜色实验帧序列,导致算法鲁棒性差,自动化程度低等问题,着重分析了体育比赛的音频特征及场地颜色特征,提出一种融合音频特征的主颜色聚类算法。实验结果表明,该算法不需人工预处理,针对不同比赛场地具有良好的鲁棒性,通过音频特征的辅助分析,有效提高主颜色提取准确率,同时降低时间复杂度。     

市场失灵角度的信息安全外部性分析与研究

频发的网络信息安全事件使得解决网络信息安全投资问题迫在眉睫.在企业投资成本和利润不同的情况下,应用博弈理论计算了网络信息安全的投资过程,提出了相互依赖的信息安全投资风险模型.用风险评估方法对企业信息安全风险进行量化,提出安全风险量化模型,通过适当投资提高系统的安全稳健性.该方法为信息安全的风险管理提供了新思路,为企业确定自身的投资策略提供了依据.     

试析基于用户特征的职业院校校园信息安全体系模型

近年来,尽管各类职业院校逐步加强校园信息安全管理的建设,但松散的安全管理方式使得各类管理信息平台面临巨大的安全挑战。为进一步提高管理信息平台的安全性,本文提出了基于用户特征的校园信息安全体系模型。通过对各管理信息平台访问用户的特征进行分析,对管理信息平台的安全需求进行归类,分别提出相应的安全管理体系,并综合形成完整的信息安全体系模型。分析表明,该信息安全体系能够在很大程度上提高职业院校校园信息平台的安全性。     

一种动态自治的网络安全管理架构

根据网络安全管理的现状和问题,安全管理体系需要一种能够从管理的高度代表信息安全系统的动态模型,本文提出一种动态自治的网络安全管理架构,从全局角度对网络安全状况进行分析、评估与管理.     

基于云计算的网络安全态势感知技术研究

为提高混合结构化网络的安全性,提出基于云计算的网络安全态势感知方法.首先构建混合结构化网络安全信息检测结构模型,通过信息挖掘进行安全态势信息辨识,结合边缘点的距离和自变量分析过程构建网络安全信息采样模型.然后通过空间节点分布进行贝叶斯网络学习,实现混合结构化网络安全态势信息融合.基于此,通过构建网络安全感知的空间特征分类集提取态势感知信息特征,再采用云计算技术及协同滤波技术进行混合结构化网络安全态势信息的优化解析处理,从而实现混合结构化网络安全态势信息感知.仿真结果表明:该方法对网络安全态势感知的准确性较高,提高了混合结构化网络的安全性和稳定性.     

计算机信息存储安全保证措施研究

从信息内容和信息连接两方面进行研究,综合两种技术的优点,提出了网络信息安全存储系统的设计模型,从存储和通信两方面保护重要信息,保证数据在传输过程中的安全.通过构筑安全通信平台,建立基于TCP的安全隧道,使用身份鉴别、访问控制、数据加密和审计日志等技术,保证通信数据的秘密性和完整性.并重点对系统的安全性进行效能评估,检验了系统对数据的控制能力.该系统为提高目前网络存储系统的安全性提供了一种可靠的解决方案.     

基于深度学习的杂草识别系统

田间除草技术在农业生产中具有重要意义。针对复杂背景下农作物与杂草识别率低、算法鲁棒性差等问题,提出一种图像分割网络 Res-Unet。该网络为 unet 网络的改进版本,采用 resnet50 网络代替 unet 主干网络,解决复杂背景下农作物与杂草区域提取困难、小植株检测效果差、分割边缘震荡、变形问题。将图像的平均交并比、准确率、训练时长作为评价指标进行实验。结果表明：使用 Res-Unet 模型的平均交并比为 82.25%,平均像素准确率为 98.67%。改进的 Res-Unet 模型相对于 Unet 平均交并比高出 4.74%,相较于 segnet 平均交并比高出 10.68%,训练时间减少 3 小时。该方法对复杂背景下甜菜杂草检测效果良好,可为机器人精确除草提供参考。