融合長(zhǎng)短期記憶網(wǎng)絡(luò)和支持向量機(jī)的Wi-Fi室內(nèi)入侵檢測(cè)[模擬設(shè)計(jì)][通信網(wǎng)絡(luò)]

基于Wi-Fi感知的室內(nèi)入侵檢測(cè)系統(tǒng)是一種無(wú)需在移動(dòng)實(shí)體上附加任何設(shè)備即可檢測(cè)移動(dòng)實(shí)體的系統(tǒng)。針對(duì)目前檢測(cè)方法忽略復(fù)雜的幅度變化和相位變化引起的潛在影響，提出了融合長(zhǎng)短期記憶網(wǎng)絡(luò)和支持向量機(jī)的室內(nèi)入侵檢測(cè)新方法LSID（Long Short-Term Memory and Support Vector Machine Intrusion Detection）。LSID方法采用一種新的特征值建模方式，利用長(zhǎng)短期記憶網(wǎng)絡(luò)可以學(xué)習(xí)到時(shí)序特征并且能捕捉時(shí)序信號(hào)長(zhǎng)期的依賴(lài)關(guān)系，將信道狀態(tài)信息真實(shí)值與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值之差作為特征值，能更準(zhǔn)確地捕捉入侵者對(duì)信號(hào)狀態(tài)信息的影響。該檢測(cè)方法在學(xué)校實(shí)驗(yàn)室環(huán)境下經(jīng)過(guò)多次實(shí)驗(yàn)驗(yàn)證，最終檢測(cè)準(zhǔn)確率達(dá)到99.21%，通過(guò)多組實(shí)驗(yàn)比對(duì)，結(jié)果顯示LSID方法具有有效性和可行性，相比于其他入侵檢測(cè)方法準(zhǔn)確率明顯提升。

發(fā)表于：5/15/2025 2:50:05 PM

基于K-means的異常識(shí)別方法[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

在工業(yè)、電力、交通等領(lǐng)域，異常往往是系統(tǒng)發(fā)生問(wèn)題或故障的先兆。通過(guò)異常識(shí)別技術(shù)，可以及時(shí)發(fā)現(xiàn)系統(tǒng)異常行為，預(yù)防或迅速應(yīng)對(duì)潛在的故障，提高系統(tǒng)的可靠性和穩(wěn)定性。當(dāng)前的異常識(shí)別算法通常需要引入專(zhuān)家信息（如適宜的參數(shù)值），但在許多識(shí)別場(chǎng)景中，數(shù)據(jù)分布以及異常發(fā)生原因是未知的，導(dǎo)致專(zhuān)家信息不可信。因此，如何設(shè)計(jì)一款無(wú)需專(zhuān)家信息介入的異常識(shí)別算法意義非凡。設(shè)計(jì)了一種自適應(yīng)的異常識(shí)別算法，通過(guò)K-means聚類(lèi)算法識(shí)別出眾多小簇，然后統(tǒng)計(jì)各簇中對(duì)象數(shù)量的分布概率以生成概率分布圖。從概率分布圖中，可以清晰觀察到哪些簇中的對(duì)象數(shù)量明顯小于其他簇，從而將它們識(shí)別為異常簇，其中的對(duì)象識(shí)別為異常。換句話說(shuō)，概率分布圖代替了專(zhuān)家信息，可協(xié)助使用者在分布以及原因未知情況下識(shí)別有效異常。

發(fā)表于：5/15/2025 2:19:04 PM