由于现有的多数概念演化检测方法本质上是基于监督学习，且通常用于解决一个时间段内仅出现一个新类，不能处理数据流中的类消失和类循环任务。为此，提出一种基于弱监督集成的概念演化自适应检测方法(AD＿WE:Adaptive Detection Method for Concept Evolution Based on Weakly Supervised Ensemble)。该方法利用弱监督集成策略构建集成学习器，对数据块中的训练样本进行局部预测，在此基础上，基于局部密度和相对距离识别特征空间中具有较强内聚性的相似数据并对其聚类，对聚类结果进行相似度比较，实现新类实例的检测及不同新类的区分；同时根据数据随时间变化特征建立动态衰减模型，及时消除消失类，并通过相似度比较检测循环类。实验表明，所提方法能对概念演化做出及时响应，可有效识别消失类和循环类，提高学习器的泛化性能。
由于地址跳变是物联网主动防御的一种有效手段，但因跳变资源匮乏、可预见性以及数据包混淆度低已经成为制约物联网地址跳变的主要问题。为此，提出一种基于双模式端址跳变的主动防御方法。该方法设计了双模式端址选择算法，通过动态确定虚拟端址生成策略，以通信时间为阈值，扩大端址跳变空间，从而解决地址池资源受限问题。同时，还构建了双虚拟端址跳变方法，通过动态分配和同步虚拟接收和发送地址，提升数据包混淆度，增强跳变的不可预见性。并且基于SDN(Software Defined Network)设计了流表双向同步机制，实现流表的动态下发和同步，以保证端址跳变的一致性。实验结果表明，该方法能有效提升地址跳变的多样性和不可预测性，显著增强抵御嗅探攻击的能力。
针对传统密度峰值聚类在波段选择时缺乏信息论角度的相似性度量以及波段数目确定问题，提出基于光谱角-光谱信息散度的自适应密度峰值波段选择方法(SSDPC:Spectral angle mapping and Spectral information divergence Density Peaks Cluster)。该方法将光谱信息散度和光谱角用于高光谱图像密度峰值聚类进行波段选择，取代传统的欧氏距离构建波段相似矩阵。通过构建波段评分策略，有效自动选择出重要的光谱波段子集。在3组高光谱数据集上调用RX(Reed-Xiaoli)算法进行异常检测，在SSDPC的相似性度量方法下，异常检测精度较欧氏距离度量方法分别平均提高1.16%、 1.18%和0.07%;在自适应的SSDPC波段选择方法下，异常检测精度相较原始RX算法分别提升6.49%、 2.71%和0.05%。结果表明，该算法具有良好的鲁棒性，能提升高光谱图像异常检测的性能并降低其虚警率。
为在大数据环境下处理高维矩阵和应用奇异值分解提供更高效的解决方案，从而加速数据分析和处理速度，通过研究随机投影以及Krylov子空间投影理论下关于高维矩阵求解特征值特征向量(奇异值奇异向量)问题，分别总结了6种高效计算方法并对其相关应用研究进行对比分析。结果表明，在谱聚类的应用上，通过降低核心步骤SVD(Singular Value Decomposition)的复杂度，使优化后的算法与原始谱聚类算法的精度相近，但大大缩短了运行时间，在1 200维的数据下计算速度相较原算法快了10倍以上。同时，该方法应用于图像压缩领域，能有效地提高原有算法的运行效率，在精度不变的情况下，运行效率得到了1～5倍的提升。
为提高人工检测违法违规收集个人信息的效率，基于正则表达式语义分析和机器学习技术，开发了APP(Application)违法违规收集个人信息评估系统。对线上APP进行违法违规检测，生成检测算法和规则，重点解决了隐私政策半自动化获取、 APP检测引擎、定制ROM(Read Only Memory)的动态沙箱等技术难点。利用开发的原型系统对各大应用平台上架APP进行常态化技术检测，检测结果表明，该系统大幅提升了违法违规收集个人信息APP综合治理研判效率。
针对RGB(Red Green Blue)模态与热度模态信息表征形式不一致，特征信息无法有效挖掘、融合问题，提出了一种新的联合注意力强化网络-FCNet(Feature Sharpening and Cross-modal Feature Fusion Net)。首先，通过双维度注意力机制提升图像特征映射能力；然后，利用跨模态特征融合机制捕获目标区域；最后，利用逐层解码结构消除背景干扰，优化检测目标。实验结果表明，该优化改进算法运算参数更少、运算时间更短，且模型整体检测性能均优于现有多模态检测模型性能。
作者登录
专家审稿
编辑办公
主编办公