基于机器学习的遥感图像识别检测技术研究及应用

基于统计的传统无监督机器学习识别分类技术虽经持续改进对于高分遥感图像效果仍不佳,深度学习具备仿人类神经网络多层抽象能力和无监督自学习特点,具有从大量无标签高光谱遥感数据中自主学习和构建其特征的能力,再结合常用分类算法进行识别分类,比传统方法具有相对更高的准确率.     

基于数值预测的机器学习相关算法综述

计算机出现以后,人们就想知道它能否学习.机器学习的主要任务就是发明计算机算法,将数据转化为智能行为.机器学习算法可分为两大类:有监督算法和无监督算法.有监督学习算法用来建立预测模型,无监督学习算法用来建立描述模型.有监督的学习算法可以用来分类和数值预测.针对可以进行数值预测的几种算法,比如回归分析、决策树、神经网络、支持向量机等算法做了简单介绍,然后分析了几种算法的在数值预测问题上应用.     

基于Xgboost算法的Shadowsocks流量识别研究

匿名通信技术的滥用给网络安全带来了前所未有的挑战,Shadowsocks作为新兴的匿名通信软件,因为出色的通信效率以及稳定性逐渐流行。为了有效解决匿名通信的滥用问题,研究并分析了Shadowsocks的通信原理,总结出部分bitflow特征,并采用Xgboost算法学习bitflow特征以识别其流量。使用同样的特征通过随机森林算法与支持向量机算法分别对Shadowsocks流量进行识别。测试结果表明,Xgboost算法在识别Shadowsocks流量时的准确率和召回率均有一定提高。     

基于有色点对搜索的车牌定位算法

研究车牌识别定位算法问题．传统的车牌设识别定位算法的识别精确度难以满足现实在交通管理和流量监测中的应用,存在车牌图像定位的精度不高等问题．为解决上述问题,在对车辆图像预处理基础上,提出一种基于有色点对搜索的车牌定位算法．基于车牌图像颜色特征,选取适合的颜色模型进行车牌提取．用有色点对算法搜索出符合车牌字符特征的候选区域对车牌进行粗定位,最后对候选区域进一步分析准确定位出车牌．通过研究表明,该算法具有较高的准确率．     

基于监督式机器学习的零件几何特征智能识别

由于在对壳体类零件的几何参数进行检测时无法通过夹具来进行定位,因此需要对零件所具有的几何特征进行智能识别,以此合理的规划零件的检测路径,而这就需要应用相应的智能识别方法。机器学习作为近年来一种新兴的智能化手段,在零件几何特征的智能识别中有着巨大的应用优势。鉴于此,本文将监督式机器学习作为用于零件几何特征检测的一种智能化方法,并通过训练来测试该智能化识别方法的准确率。     

基于人体骨架信息提取的学生课堂行为自动识别

利用计算机视觉技术和机器学习技术对学生课堂行为进行自动识别,是过程性评价的一种新方法,近年来逐渐引起了研究者的关注。文章以监控设备拍摄的实际课堂教学视频为数据源,采集、标注了学生课堂行为数据,提取了学生的人体骨架信息。在此基础上,文章采用Boosting算法和卷积神经网络算法,对基于这两类不同机器学习算法的5种模型进行了学生课堂行为自动识别准确率实验。实验结果表明,在学校教室这种识别比较困难的场景,基于人体骨架信息提取的学生课堂行为自动识别可以达到较高的精度,其中基于Boosting算法的XGBoost模型识别准确率最高。文章的研究推动了计算机视觉技术和机器学习技术的进一步应用,有助于解决学生课堂行为自动识别难题,并助力教师优化教学策略、提高教学效率。     

基于贝叶斯与生成式对抗网络的手写字文本识别算法

为了提高机器学习算法对手写字文本识别能力,克服个体手写字风格多变的干扰,设计了一种基于贝叶斯与生成式对抗网络的手写字文本识别算法。首先,建立10000个汉字的手写字数组头,每个汉字数组头后面依附100种手写体,构建起1000000帧汉字文本图像帧,作为后续学习训练的训练集数据输入。然后,利用贝叶斯线性模型,结合线性回归和先验分布,基于手写字图像样本数据库,进行有监督的机器学习训练,得到机器学习算子,完成针对手写字的粗识别。随后,根据生成式对抗网络原理,创建生成模型和判别模型,设计自适应潜在损失函数和迭代终止函数,解决深度学习普遍存在的过拟合问题,完成生成式对抗网络算子,完成针对手写字的深度识别。最后基于QTcreator开发的集成平台来实现所提算法的功能,其中,机器学习算子由OpenCV视觉函数实现,深度学习算子由TensorFlow框架实现。实验数据显示,相较于传统手写字识别算法而言,所提算法具有更高的手写字识别能力。     

基于有效载荷大小的早期网络流量识别(英文)

为快速将网络应用的流量进行分类,以AucklandⅡ和UNIBS两个数据集的网络流量包为研究对象,选取网络应用程序流量中最初的8个有效载荷大小作为识别特征进行研究.由于这类特征可在早期流量阶段快速提取,因此效果显著.通过将早期载荷大小可视化的方式,分析了不同网络应用的行为模式.分析结果表明,多数网络应用程序可通过早期有效载荷大小显示出它们特有的行为模式,根据早期有效载荷大小的信息可对流量进行有效识别.在此基础上,选用3种典型的机器学习分类器,即朴素的贝叶斯分类器、朴素的贝叶斯树和径向基函数神经网络进行验证分析.实验结果显示,早期有效载荷大小可作为特征对流量进行有效识别.     

基于机器学习的文本倾向性分析特征选择研究

本文围绕文本倾向性分析的基本流程进行论述,主要研究了以文本情感分析技术为主的倾向性分析,以主观性文本及客观性文本识别为前提,从特征选择算法和特征加权算法方面对现有文本倾向性进行分析,介绍了算法的推导公式及模型训练代码,重点涵盖了基于机器学习的文本倾向性分析方法,对其算法复杂性、算法效率和适用范围给出了具体的概括和总结.     

基于DPI和DFI的非法业务识别技术

随着网络的普及，流量监控和非法业务识别已成为抵御网络攻击、过滤非法流量的重要技术。提出一种基于DPI和DFI的非法业务识别技术，通过业务处理过程的优化以及引入多模匹配和SVM机器学习技术，使该技术具有良好的性能和精度，同时又能更好地更新和维护特征库。同时，引入非法源IP概率库的概念，使其能更大程度地屏蔽某个地址发送的恶意网络信息流。     

物联网在智能交通系统应用中的关键技术浅析

随着物联网概念的兴起,作为其重要应用之一的智能交通技术也得到了重视.物联网借助各类传感器设备通过各种无线或者有线通讯网络实现互联互通,通过大规模的系统集成,实现对“万物”的“高效、节能、安全、环保”的一体化.这一概念对应到智能交通领域则是通过车载GPS、手机等移动探测器采集动态交通数据并进行处理与发布.本文主要通过对国内外智能交通技术的分析,探讨了其中面临的主要问题和关键技术以及重要的解决方法.     

Application of singular perturbation method in analyzing traffic density waves

Car following model is one of microscopic models for describing traffic flow. Through linear stability analysis, the neutral stability lines and the critical points are obtained for the different types of car following models and two modified models. The singular perturbation method has been used to derive various nonlinear wave equations, such as the Korteweg-de-Vries (KdV) equation and the modified Korteweg-de-Vries (mKdV) equation, which could describe different density waves occurring in traffic flows under certain conditions. These density waves are mainly employed to depict the formation of traffic jams in the congested traffic flow. The general soliton solutions are given for the different types of car following models, and the results have been used to the modified models efficiently.     

Application of machine learning in higher education to assess student academic performance,at-risk,and attrition: A meta-analysis of literature

Education and Information Technologies - Recently, machine learning (ML) has evolved and finds its application in higher education (HE) for various data analysis. Studies have shown that such an...     

基于CTM的大型活动突发事件交通影响范围确定(英文)

为了确定大型活动下突发事件的交通影响范围,以元胞传输模型(CTM)为基础,对大型活动中消散过程中交通流时空分布状况进行模拟研究.结合突发事件下常用的交通管制和疏导措施的特点,将静态多路径交通分配方法与元胞传输模型结合,设计出适合突发事件下的准动态交通分配方法.以一个小规模路网为研究对象,通过仿真研究了大型活动条件下路网交通流随交通控制方案的实时调整而变化的时空规律,提出了依据突发事件下各交叉口节点的拥堵时刻划定突发事件交通影响范围的方法.通过对比车辆的平均延误指标,研究了不同交通管控方案下交通拥堵的疏散效率.算例结果表明,基于CTM的准动态交通分配方法可以细致地描述路网中任一位置交通流的时空变化,确定突发事件的动态影响范围,可以为大型活动突发事件下交通组织方案的制定和评价提供定量依据.     

基于交通大数据的车辆行驶路径规划综述

交通大数据的应用和发展为现代车辆路径规划带来了机遇和挑战。因此,了解交通大数据概念、路网匹配、路径规划算法、交通信息预测等方面的研究现状和研究特点,对明确未来路径规划研究方向和发展趋势显得尤为重要。首先介绍交通大数据概念及轨迹数据预处理方法,归纳总结国内外在路网匹配上的各种匹配算法及其优缺点;然后,阐述常用路径规划算法,其中包括传统经典算法与当下流行的智能算法;随后对交通信息预测研究方法和各种预测模型进行简要概括;最后指出车辆路径规划现阶段存在的问题,并展望未来研究方向。     

基于VPN的交通信号智能控制远程托管系统

城市交通指挥系统是应对道路交通拥挤的最有效手段,交通信号智能控制系统是其主体。为了提高中小型城市交通管理效率,提出交通信号智能控制远程托管的解决方案。以大型城市建立的交通指挥控制中心系统为基础,依托VPN技术,研发兼容多种智能交通控制系统的通信协议,采用远程网络时延预测补偿和数据队列缓冲机制,对中小型城市交通信号控制系统实施远程集中托管。实现先进的交通控制技术用低成本得到普及和应用,为解决中小型城市的智能交通发展提供了新方法和新思路。     

基于对策理论的路径生成式交通流分配算法

交通分配是交通规划的核心工作之一,而枚举OD对中所有的路径是进行交通分配的基础,对于大型复杂的路网这项工作是比较困难的。本文提出了一种自动生成路径的方法,并结合对策理论建立了新的交通配流模型,将交通流分配在这些路径集上,避免进行大量枚举。新算法合理汲取了启发式配流比例加载思想,具有模拟实际交通路径选择行为,文中用一个算例说明了该方法的有效性。     

基于流量分析的校园网应用监测系统研究

流量分析对网络管理非常重要,但由于设备和技术原因,在校园网中应用较少.本文介绍了一些不需特定设备支持、适合在大部分校园网部署的流量分析技术,并给出了基于这些技术的校园网应用监控系统的设计、实现和应用实例.     

城市高架路-匝道-地面交通的交互作用及交通流特性研究

Therapiddevelopmentoftheautomobileindustry andtherelativelagoftheroadconstructionhavecon stitutedaprominentcontradictionallovertheworld, particularly,inmostoflargecities.Tocopewithit, elevatedroadshavebeenbuiltinmanycitiesbothat homeandabroad.However,tra…     

Machine Learning–Based Profiling in Test Cheating Detection

In recent years, machine learning (ML) techniques have received more attention in detecting aberrant test-taking behaviors due to advantages when compared to traditional data forensics methods. However, defining “True Test Cheaters” is challenging—different than other fraud detection tasks such as flagging forged bank checks or credit card frauds, testing organizations are often lack of physical evidences to identify “True Test Cheaters” to train ML models. This study proposed a statistically defensible method of labeling “True Test Cheaters” in the data, demonstrated the effectiveness of using ML approaches to identify irregular statistical patterns in exam data, and established an analytical framework for evaluating and conducting real-time ML-based test data forensics. Classification accuracy and false negative/positive results are evaluated across different supervised-ML techniques. The reliability and feasibility of operationally using this approach for an IT certification exam are evaluated using real data.