基于變分自編碼器和三支決策的工控入侵檢測(cè)算法[其他][工業(yè)自動(dòng)化]

為了更精確地提取工控入侵?jǐn)?shù)據(jù)集特征和更精準(zhǔn)地分類惡意數(shù)據(jù)，使得入侵檢測(cè)方法滿足當(dāng)前工業(yè)控制網(wǎng)絡(luò)的安全需求，提出了基于變分自編碼器(Variational Autoencoder，VAE)和三支決策理論(Three-way Decisions，TWD)的新型工業(yè)控制網(wǎng)絡(luò)入侵檢測(cè)算法(VAE-TWD)。該算法利用變分自編碼器強(qiáng)大的感知能力對(duì)高維數(shù)據(jù)進(jìn)行降維映射和特征提取，再對(duì)正常和惡意數(shù)據(jù)利用三支決策理論進(jìn)行即刻決策，劃分入正向決策域和負(fù)向決策域。而對(duì)于邊界域內(nèi)不確定的數(shù)據(jù)，將通過(guò)不同粒度的特征，選擇適當(dāng)數(shù)據(jù)構(gòu)成新的訓(xùn)練集并擴(kuò)充到原有數(shù)據(jù)集中。然后重復(fù)決策過(guò)程，直至決策域中數(shù)據(jù)為空，規(guī)避盲目決策的風(fēng)險(xiǎn)。實(shí)驗(yàn)結(jié)果表明VAE-TWD算法提升了對(duì)工控入侵檢測(cè)的特征提取能力和分類能力，且在準(zhǔn)確率、檢出率、誤報(bào)率、F1得分等指標(biāo)上均優(yōu)于對(duì)比算法，有效提高了工控入侵檢測(cè)的性能。

發(fā)表于：7/5/2022 3:57:45 PM

空基下視多角度紅外目標(biāo)識(shí)別[其他][其他]

為實(shí)現(xiàn)空基下視紅外目標(biāo)的快速高精度識(shí)別，提出了一種單階段的空基下視多角度紅外目標(biāo)識(shí)別算法。首先使用Darknet-53結(jié)合SPP模塊對(duì)紅外目標(biāo)進(jìn)行特征提取，使局部特征與全局特征融合，提高特征圖表達(dá)能力，最后借鑒RetinaNet中的Focal loss鎖定目標(biāo)的檢測(cè)框，同時(shí)得出目標(biāo)類型及檢測(cè)精度。針對(duì)現(xiàn)有數(shù)據(jù)集多為平視，且視角單一的缺陷，使用復(fù)合翼無(wú)人機(jī)分別從不同高度和角度采集紅外圖像，構(gòu)建多尺度下視紅外目標(biāo)數(shù)據(jù)集，在PyTorch架構(gòu)上實(shí)現(xiàn)并進(jìn)行性能驗(yàn)證實(shí)驗(yàn)，所提算法對(duì)分辨率為640×512的下視紅外圖像中目標(biāo)識(shí)別的mAP達(dá)到91.74%，識(shí)別速度為33 f/s，滿足空基平臺(tái)前端的在線識(shí)別需求，且在公開(kāi)紅外船舶數(shù)據(jù)集上也具有較好的識(shí)別結(jié)果。實(shí)驗(yàn)表明該算法在保證精度的基礎(chǔ)上滿足實(shí)時(shí)性的要求，為后續(xù)用于復(fù)合翼無(wú)人機(jī)上的多尺度目標(biāo)實(shí)時(shí)識(shí)別提供了理論技術(shù)。

發(fā)表于：7/1/2022 4:00:00 PM