-
公开(公告)号：CN110660019A
公开(公告)日：2020-01-07
申请号：CN201910930272.4
申请日：2019-09-29
申请人： 华北电力大学
摘要： 本发明公开了一种基于BPL的小数据集简笔画生成方法，学习笔划、笔划位置及笔划的位置关联后，生成各种类别的概率模型，再根据不同的概率模型进行简笔画的实现；对类别T的概率模型满足：其中，e为类别T的一个示例，I是示例e的具体图像，M为类别T对应的示例数量，P为概率，m为循环数。本发明基于BPL的小数据集简笔画生成方法，基于小数据集即可生成较好效果的图像，改变了需要大量原始数据才能进行AI绘画的现状，提高了效率，降低了成本；在实现了对原有画作风格模仿的基础上，还可根据原有的画作风格进行模板的再创造。
-
公开(公告)号：CN108111539B
公开(公告)日：2021-03-30
申请号：CN201810082613.2
申请日：2018-01-29
申请人： 华北电力大学
IPC分类号： H04L29/06
摘要： 本发明公开了属于人工智能与网络安全技术领域的一种基于贝叶斯分类器的网络逃避行为检测算法。该方法首先从正常网络数据流和逃避网络数据流中提取帧内特征和帧间特征并转换为符号串流，从符号串流中提取统计特征形成样本，再利用贝叶斯分类器对这些样本进行分类，从而实现了对各类原子逃避行为的在线识别。本发明不依赖于人工事先设定的检测标准或检测阈值，在面对新的逃避手段时，只要获得其足够次数的网络数据流，就能够通过对贝叶斯分类器的增量训练，实现对其的检测和识别，具有现有方法所不具备的自适应性和自学习优点，能够可靠地探测识别网络中针对NIDS/IPS的逃避行为。
-
公开(公告)号：CN103413312A
公开(公告)日：2013-11-27
申请号：CN201310361932.4
申请日：2013-08-19
申请人： 华北电力大学
摘要： 本发明属于计算机视觉技术领域，具体涉及一种基于邻里成分分析和尺度空间理论的视频目标跟踪方法。本发明提出了利用邻里成分分析法（NCA）的特征变换功能来获取区分目标和背景的最优特征，获得在任意帧图像中区分目标和背景像素的最佳线性分类器，从分类器设计的角度解决了目标特征的更新问题；提出了基于多尺度规范化Laplacian滤波函数的粒子置信度计算方法，利用粒子滤波的状态多样性和收敛特性，在避免目标被遮挡后算法陷入局部最优点问题的同时，在尺度空间理论的基础上保证了跟踪的精度。本发明能更准确地定位目标的位置和尺度大小，更有效的适应目标光照、色彩变化问题，同时鲁棒的处理目标遮挡。
-
公开(公告)号：CN108418792B
公开(公告)日：2020-12-22
申请号：CN201810082404.8
申请日：2018-01-29
申请人： 华北电力大学 , 北京科能腾达信息技术股份有限公司
摘要： 本发明公开了属于人工智能与网络安全技术领域的一种基于深度循环神经网络的网络逃避行为检测算法。该方法首先在受保护网络中采集未施加逃避技术的正常网络流数据；通过在正常网络流上应用各类逃避技术以获得相应类别的逃避网络数据流；其次从正常网络流和各类逃避网络流中提取各帧间、帧内的特征形成特征向量；最后通过网格搜索法和交叉验证法构建出在训练样本集上具有最高分类准确率的深度循环神经网络，对从网络流中提取的特征向量序列进行分类，从而实现对各类逃避行为的检测和识别。本发明能自适应地学习受保护网络中正常网络流的特征，并且不依赖于人工事先设定的检测方法或检测阈值来判断逃避行为，因此本发明具有自适应性和自学习优点。
-
公开(公告)号：CN108111539A
公开(公告)日：2018-06-01
申请号：CN201810082613.2
申请日：2018-01-29
申请人： 华北电力大学
IPC分类号： H04L29/06
摘要： 本发明公开了属于人工智能与网络安全技术领域的一种基于贝叶斯分类器的网络逃避行为检测算法。该方法首先从正常网络数据流和逃避网络数据流中提取帧内特征和帧间特征并转换为符号串流，从符号串流中提取统计特征形成样本，再利用贝叶斯分类器对这些样本进行分类，从而实现了对各类原子逃避行为的在线识别。本发明不依赖于人工事先设定的检测标准或检测阈值，在面对新的逃避手段时，只要获得其足够次数的网络数据流，就能够通过对贝叶斯分类器的增量训练，实现对其的检测和识别，具有现有方法所不具备的自适应性和自学习优点，能够可靠地探测识别网络中针对NIDS/IPS的逃避行为。
-
公开(公告)号：CN110213262B
公开(公告)日：2022-01-28
申请号：CN201910465976.9
申请日：2019-05-30
申请人： 华北电力大学
摘要： 一种基于深度Q网络的全自动高级逃逸检测方法，包括如下步骤：S100：定义一个智能体作为学习者；S200：定义学习者的动作；S300：定义学习者的状态；S400：定义学习者的回报；S500：通过不断的学习训练，选择出一种最优的高级逃逸技术的组合，对基于所述高级逃逸技术的组合的网络入侵行为进行检测。该方法提高了逃逸技术组合的效率和攻击的成功概率。
-
公开(公告)号：CN112019555A
公开(公告)日：2020-12-01
申请号：CN202010906070.9
申请日：2020-09-01
申请人： 华北电力大学
摘要： 本发明公开了一种基于BPL的小数据集混合逃逸技术的生成算法，包括如下步骤：1)学习基本原子逃逸技术和起始逃逸技术选择；2)学习原子逃逸技术的关联；3)通过BPL算法，生成混合逃逸组合类别；4)在类别中加入逃逸技术组合噪声；5)生成实例；6)实现具体混合逃逸。本发明基于BPL的小数据集混合逃逸技术的生成算法，提高了网络入侵的成功率，基于小数据集也能生成较好效果的混合逃逸攻击，改变了现有需要大量原始数据才能进行混合逃逸攻击的现状，并且在实现了对原有逃逸组合模仿的基础上，还可根据原有的组合进行再创造。
-
公开(公告)号：CN108418792A
公开(公告)日：2018-08-17
申请号：CN201810082404.8
申请日：2018-01-29
申请人： 华北电力大学 , 北京科能腾达信息技术股份有限公司
CPC分类号： H04L63/1408 , G06N3/0454 , H04L63/14
摘要： 本发明公开了属于人工智能与网络安全技术领域的一种基于深度循环神经网络的网络逃避行为检测算法。该方法首先在受保护网络中采集未施加逃避技术的正常网络流数据；通过在正常网络流上应用各类逃避技术以获得相应类别的逃避网络数据流；其次从正常网络流和各类逃避网络流中提取各帧间、帧内的特征形成特征向量；最后通过网格搜索法和交叉验证法构建出在训练样本集上具有最高分类准确率的深度循环神经网络，对从网络流中提取的特征向量序列进行分类，从而实现对各类逃避行为的检测和识别。本发明能自适应地学习受保护网络中正常网络流的特征，并且不依赖于人工事先设定的检测方法或检测阈值来判断逃避行为，因此本发明具有自适应性和自学习优点。
-
公开(公告)号：CN110213262A
公开(公告)日：2019-09-06
申请号：CN201910465976.9
申请日：2019-05-30
申请人： 华北电力大学
摘要： 一种基于深度Q网络的全自动高级逃逸测试方法，包括如下步骤：S100：定义一个智能体作为学习者；S200：定义学习者的动作；S300：定义学习者的状态；S400：定义学习者的回报；S500：通过不断的学习训练，选择出一种最优的高级逃逸技术的组合，对基于所述高级逃逸技术的组合的网络入侵行为进行测试。该方法提高了逃逸技术组合的效率和攻击的成功概率。
-
公开(公告)号：CN103413312B
公开(公告)日：2016-01-20
申请号：CN201310361932.4
申请日：2013-08-19
申请人： 华北电力大学
摘要： 本发明属于计算机视觉技术领域，具体涉及一种基于邻里成分分析和尺度空间理论的视频目标跟踪方法。本发明提出了利用邻里成分分析法（NCA）的特征变换功能来获取区分目标和背景的最优特征，获得在任意帧图像中区分目标和背景像素的最佳线性分类器，从分类器设计的角度解决了目标特征的更新问题；提出了基于多尺度规范化Laplacian滤波函数的粒子置信度计算方法，利用粒子滤波的状态多样性和收敛特性，在避免目标被遮挡后算法陷入局部最优点问题的同时，在尺度空间理论的基础上保证了跟踪的精度。本发明能更准确地定位目标的位置和尺度大小，更有效的适应目标光照、色彩变化问题，同时鲁棒的处理目标遮挡。
-
-
-
-
-
-
-
-
-
搜索结果
15 条记录 (耗时 0.021 秒)
