Classifying Algorithm Based on a Fuzzy Neural network for the control of a Network Attached Opti

格式：pdf
大小：166.39 KB
文档页数：4

ＯＰＴＯＥＬＥＣＴＲＯＮＩＣＳ　ＬＥ｜ＴＴＥＲＳ　ＶｏＩ　２　Ｎｏ　６。１５　Ｎｏｖ．２００６　

ＬＩＵ　Ｘｕａｎ　，ＪＩＡ　Ｈｕｉ－ｂｏ，ａｎｄ　ＣＨＥＮＧ　Ｍｉｎｇ　

Ｏｐｔｉｃａｌ　Ｍｅｍｏｒｙ　Ｎａｔｉｏｎａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｒｅｓｅａｒｃｈ　Ｃｅｎｔｅｒ，Ｔｓｉｎｇ￣ａ　

（Ｒｅｃｅｉｖｅｄ　２５　Ａｕｇｕｓｔ　２００６）　

Ａ　ｎｅｗ　ａｎａｌ、，ｔｉｃａＩ　ｍｅｔｈｏｄ　ｆｏｒ　ｉｍｐｒｏｖｉｎｇ　ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ａ　ｎｅｔｗｏｒｋ　ａ￣ａｃｈｅｄ　ｏｐｔｉｃａＩｊｕｋｅｂｏｘ　ｉｓ　ｐｒｅｓ－　ｅｎｔｅｄ　ｂｙ　ｍｅａｎｓ　ｏｆ　ａｒｔｉｆｉｃｉａＩ　ｎｅｕｒａＩ　ｎｅｔｗｏｒｋｓ．Ｔｈｒｏｕｇｈ　ａｎａｌｙｚｉｎｇ　ｏｐｅｒａｔｉｏｎ（ｒｅｑｕｅｓｔ）ｐｒｏｃｅｓｓ　ｉｎ　ｔｈｉｓ　ｓｙｓ－　

ｔｅｍ，ｔｈｅ　ｍａｔｈｅｍａｔｉｃｓ　ｍｏｄｅＩ　ａｎｄ　ａｌｇｏｒｉｔｌ￣ｎ　ａｒｅ　ｂｕｉｌｔ　ｆｏｒ　ｔｈｉｓ　ｓｔｏｒａｇｅ　ｓｙｓｔｅｍ，ａｎｄ　ｔｈｅｎ　ａ　ｃｌａｓｓｉｆｉｅｄ　ｍｅｔｈ－　

ｏｄ　ｂａｓｅｄ　ｏｎ　ａｒｔｉｆｉｃｉａＩ　ｎｅｕｒａＩ　ｎｅｔｗｏｒｋｓ　ｆｏｒ　ｔｈｉｓ　ｓｙｓｔｅｍ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｔｅｓｔｉｆｉｅｄ　ｔｈｅ　ｆｅａｓｉ－　

ｂｉｌｌｔｙ　ａｎｄ　ｖａＩｉｄｉｔｙ　ｏｆ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｔｈａｔ　ｉｔ　ｃｏｕｌｄ　ｏｖｅｒｃｏｍｅ　ｔｈｅ　ｄｒａｗｂａｃｋｓ　ｏｆ　ｔｈｅ　ｆｒｅｑｕｅｎｔ　Ｉ／０　ｏｐ－　

ｅｒａｔｉｏｎ　ａｎｄ　ｐｒｏｖｉｄｅ　ａｎ　ｅｆｆｅｃｔｉｖｅ　ｗａｙ　ｆｏｒ　ｕｓｉｎｇ　ｔｈｅ　Ｎｅｔｗｏｒｋ　Ａｔｔａｃｈｅｄ　ＯｐｔｉｃａＩ　Ｊｕｋｅｂｏｘ．　

ＣＬＣ　ｎｕｍｂｅｒ：ＴＰ１８３　Ｉ：）ｏｃｕｍ￣ｎｔ　ｃＯｄｅ：Ａ　Ａｒｔｉｃｌｅ　ｌＤ：１６７３．１９０５（２００６）０６—０４５９－０４　

Ｉｎ　ｏｕｒ　ｐｒｅｖｉＯＵＳ　ｗｏｒｋ［　一引，ｗｅ　ｅｓｔａｂｌｉｓｈｅｄ　ａ　ｎｅｗ　ａｐ—　

ｐｒｏａｃｈ　ｗｈｉｃｈ　ｈａｓ　ｍａｓｓ　ｄｉｓｋ　ｂｕｆｆｅｒ　ｉｎ　ｏｐｔｉｃａｌ　ｉ　ｕｋｅｂｏｘ　

ａｎｄ　ｃａｎ　ｂｅ　ａｃｃｅｓｓｅｄ　ｄｉｒｅｃｔｌｙ　ｆｒｏｍ　ｎｅｔｗｏｒｋ　ｉｎ　ａ　ｍａｓｓ　

ｓｔｏｒａｇｅ　ｓｙｓｔｅｍ，ａｎｄ　ｎａｍｅｄ　ｔｈｉｓ　ｓｙｓｔｅｍ　ａｓ　ｎｅｔｗｏｒｋ　ａｔｔａ—　

ｃｈｅｄ　ｏｐｔｉｃａｌ　ｊ　ｕｋｅｂｏｘ（ＮＡＯＪ）．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｐｒｏｖｅ　ｉｔｓ　

ｐｅｒｆｏｒｍａｎｃｅ　ｆｕｒｔｈｅｒ，ａ　ｎｅｗ　ａｐｐｒｏａｃｈ　ｂａｓｅｄ　ｏｎ　ａ　ｆｕｚｚｙ　

ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｓ　ｐｒｅｓｅｎｔｅｄ　ｉｎ　ｔｈｉｓ　ｌｅｔｔｅｒ．　

Ａｓ　ｗｅ　ｕｓｕａｌｌｙ　ｋｎｏｗ，ｔｈｅ　ｎｅｔｗｏｒｋ　ｓｕｒｒｏｕｎｄｉｎｇ　ｉｓ　ｖｅｒｙ　

ｃｏｍｐｌｉｃａｔｅｄ，ａｎｄ　ｔｈｅ　ｏｐｔｉｃａｌ　ｊｕｋｅｂｏｘ　ｈａｓ　ｉｔｓ　ｄｉｓａｄｖａｎｔａｇｅ　

ｄｕｅ　ｔｏ　ｍｅｃｈａｎｉｃａｌ　ｍｏｖｅｍｅｎｔ，ｗｈｉｃｈ　ｌｉｍｉｔｓ　ｉｔｓ　ａｐｐｌｉｃａ－　

ｔｉｏｎ．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｐｒｏｖｅ　ｉｔｓ　ａｃｃｅｓｓ　ｓｐｅｅｄ　ｉｔ　ｉｓ　ｎｅｃｅｓｓａｒｙ　ｔｏ　ａｎａｌｙｚｅ　ｄｉｆｆｅｒｅｎｔ　ｃａｓｅｓ　ｉｎ　ｔｈｅ　ａｐｐｌｉｃａｔｉｏｎ　ｍｏｄｅｌｓ　ｆｏｒ　

ｔｈｅ　Ｎｅｔｗｏｒｋ　Ａｔｔａｃｈｅｄ　Ｏｐｔｉｃａｌ　Ｊｕｋｅｂｏｘ．　Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ｗｅ　ｆｉｒｓｔｌｙ　ｅｓｔａｂｌｉｓｈ　ａ　ｐｒｅｆｅｒｅｎｔｉａｌ　ｑｕｅｕ～　

ｉｎｇ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｆｏｒ　ＮＡＯＪ，ａｎｄ　ｔｈｅｎ　ｂａｓｅｄ　ｏｎ　ｔｈｉｓ　

ｍｏｄｅｌ　ｗｅ　ｕｓｅ　ａ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｅｔｈｏｄ　ｔｏ　ｃｌａｓｓｉｆｙ　ｔｈｅ　

ｕｓｅｒｓ　ｒｅｑｕｅｓｔｓ．Ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｔｅｓｔｉｆｉｅｄ　ｔｈｅ　ｆｅａｓｉ－　

ｂｉｌｉｔｙ　ａｎｄ　ｖａｌｉｄｉｔｙ　ｏｆ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｔｈａｔ　ｉｔ　ｃｏｕｌｄ　

ｏｖｅｒｃｏｍｅ　ｔｈｅ　ｄｒａｗｂｔＬｃｋｓ　ｏｆ　ｔｈｅ　ｆｒｅｑｕｅｎｔ　Ｉ／０　ｏｐｅｒａｔｉｏｎ　

ａｎｄ　ｐｒｏｖｉｄｅ　ａｎ　ｅｆｆｅｃｔｉｖｅ　ｗａｙ　ｆｏｒ　ｕｓｉｎｇ　ＮＡＯＪ．　

Ｔｈｅ　ｓｔｏｒａｇｅ　ｍｏｄｅｌ　ｏｆ　ＮＡＯＪ　ｃｏｎｓｉｓｔｓ　ｏｆ　ａ　ｎｅｔｗｏｒｋ　

ｓｅｒｖｉｃｅ　ｍｏｄｕｌｅ，ａ　ｍａｇｎｅｔｉｃ　ｄｉｓｋ　ｃａｃｈｅ　ｍｏｄｕｌｅ　ａｎｄ　ａｎ　ｏｐ－　

ｔｉｃａｌ　ｉ　ｕｋｅｂｏｘ　ｍｏｄｕｌｅ．Ｔｈｅ　ｆｒａｍｅｗｏｒｋ　ｉｓ　ｓｈｏｗｎ　ｉｎ　Ｆｉｇ．１．　

ＩＤＥ　ｍａｇｎｅｔｉｃ　

１　Ｔｈｅ　ｑｕｅｕｉｎｇ　ｍｏｄｅｌ　ｆｏｒ　Ｎｅｔｗｏｒｋ　Ａｔｔａｄ￣Ｏｐｔｉｅ￣Ｊｕｋｅ－　

ｂｏｘ　

＊　Ｅ－ｍａｉｌ：ｌｉｕ２ｘｕａｎ９９＠ｍａｉｌｓ．ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ　Ｆｏｒ　ｏｎｅ　ｏｐｅｒａｔｉｏｎ（ｒｅｑｕｅｓｔ）ｆｒｏｍ　Ｉ／Ｏ　ｐｏｒｔ，ｔｈｅ　ｎｅｔ—　

ｗｏｒｋ　ｓｅｒｖｉｃｅ　ｍｏｄｕｌｅ　ｎｅｅｄｓ　ｔｏ　ｃｏｍｐｌｅｔｅ　ｔｗｏ　ａｃｔｉｏｎｓ，ｉ．ｅ．　

ｒｅｃｅｉｖｉｎｇ　ｔｈｅ　ｕｓｅｒ　ｒｅｑｕｅｓｔ　ａｎｄ　ｓｅｅｄｉｎｇ　ｒｅｑｕｉｒｅｄ　ｄａｔａ　ｔｏ　

ｔｈｅ　ｕｓｅｒ［　．Ｔｈｅ　ＮＡＯＪ　ｗｉｌｌ　ｃｏｍｐｌｅｔｅ　ｔｈｅ　ｆｏｌｌｏｗｉｎｇ　ｓｔｅｐｓ　

ｆｏｒ　ｅａｃｈ　ｒｅｑｕｅｓｔ．　

Ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｏｐｅｒａｔｉｏｎ　ｐｒｉｎｃｉｐｌｅ　ｏｆ　Ｎｅｔｗｏｒｋ　Ａｔｔａ—　ｃｈｅｄ　Ｏｐｔｉｃａｌ　Ｊｕｋｅｂｏｘ￣　ａｎｄ　ｔｈｅ　ｉｄｅａ　ｏｆ　ｈｉｅｒａｒｃｈｉｃａｌ　ｓｔｏｒ—　

ａｇｅ　ｓｙｓｔｅｍ，ｗｈｅｎ　ａｎ　ａｃｃｅｓｓｉｎｇ　ｒｅｑｕｅｓｔ　ｃｏｍｅｓ，ｉｔ　ｆｉｒｓｔ　

ｓｅａｒｃｈｅｓ　ｉｎ　ｔｈｅ　ｄｉｓｋ　ｃａｃｈｅ．Ｉｆ　ｔｈｅ　ｄａｔａ　ｎｅｅｄｅｄ　ｉｓ　ｎｏｔ　

ｓｔｏｒｅｄ　ｉｎ　ｔｈｅ　ｄｉｓｋ　ｃａｃｈｅ，ｗｅ　ｗｉｌｌ　ａｃｃｅｓｓ　ｔｈｅ　ｏｐｔｉｃａｌ　ｊ　ｕｋｅ—　

ｂｏｘ．Ａｔ　ｔｈｉｓ　ｔｉｍｅ．ｔｈｅ　ｄａｔａ　ｔｈａｔ　ｔｈｅ　ｕｓｅｒ　ｎｅｅｄｓ　ｍａｙ　ｂｅ　

ａｎｙ　ｏｎｅ　ｕｎｄｅｒ　ｔｈｅ　ｔｈｒｅｅ　ｓｉｔｕａｔｉｏｎｓ　ｂｅｌｏｗ：　

１．Ｔｈｅ　ｄａｔａ　ａｒｅ　ｂｅｉｎｇ　ｔｒａｎｓｆｅｒｒｅｄ　ｔｏ　ａｎｏｔｈｅｒ　ｕｓｅｒ，　

ｗｈｉｃｈ　ｍｅａｎｓ　ｔｈｅ　ｄａｔａ　ａｒｅ　ｈｏｔ　ｉｎ　ｔｈｉｓ　ｐｅｒｉｏｄ，ｂｕｔ　ｉｔ　ｗａｓ　

ｎｏｔ　ｐｒｅｆｅｔｃｈｅｄ　ｔｏ　ｔｈｅ　ｄｉｓｋ　ｃａｃｈｅ　ｂｅｆｏｒｅ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅ　

ｓｉｔｕａｔｉｏｎ　ｉｓ　ｔｈａｔ　ｔｈｅ　ｏｔｈｅｒ　ｕｓｅｒｇ　ｒｅｑｕｅｓｔｓ　ｃｏｍｅ　ｗｈｅｎ　ｔｈｅ　

ｄａｔａ　ａｒｅ　ｔｒａｎｓｆｅｒｒｉｎｇ　ｔｏ　ｔｈｅ　ｆｉｒｓｔ　ｕｓｅｒ；　

２．Ｔｈｅ　ｄａｔａ　ａｒｅ　ｎｏｔ　ｂｅｉｎｇ　ｔｒａｎｓｆｅｒｒｅｄ，ｂｕｔ　ｉｔ　ｉｓ　ｓｔｏｒｅｄ　

ｉｎ　ｔｈｅ　ｄｉｓｋ　ｐｌａｃｅｄ　ｉｎ　ｔｈｅ　ｄｒｉｖｅｒ；　

３．Ｔｈｅ　ｄａｔａ　ａｒｅ　ｎｏｔ　ｓｔｏｒｅｄ　ｉｎ　ｔｈｅ　ｄｉｓｋ　ｐｌａｃｅｄ　ｉｎ　ｔｈｅ　

ｄｒｉｖｅｒ．　

Ｈｏｗｅｖｅｒ，ｔｈｅ　ｈｉｔ　ｒａｔｅ　ｏｆ　ｔｈａｔ　ｔｈｅ　ｄａｔａ　ａｒｅ　ｒｉｇｈｔ　ｉｎ　ｔｈｅ　

ｄｉｓｋ　ｃａｃｈｅ　ｉｓ　ｑｕｉｔｅ　ｌｉｍｉｔｅｄ，ｂｅｃａｕｓｅ　ｉｔ　ｉｓ　ｃｏｒｒｅｌａｔｅｄ　ｗｉｔｈ　

ｔｈｅ　ｕｓｅｒ　ａｃｃｅｓｓｉｎｇ　ｄｉｓｔｒｉｂｕｔｉｎｇ，ｄｅｍａｎｄｅｄ　ｄａｔａ　ｑｕａｎｔｉｔｙ　

ａｎｄ　ｍａｎｙ　ｏｔｈｅｒ　ｆａｃｔｏｒｓ．Ｔｈｉｓ　ｌｅａｄｓ　ｔｏ　ｔｈａｔ　ｔｈｅ　ａｃｃｅｓｓｉｎｇ　

ｔｏ　ｔｈｅ　ｏｐｔｉｃａｌ　ｉｕｋｅｂｏｘ　ｉｓ　ｓｔｉｌｌ　ｍｏｒｅ　ｆｒｅｑｕｅｎｔ．Ａｓ　ｔｈｅ　ｒｅ—　

ｓｕｌｔ，ａ　ｇｒｅａｔ　ｐａｒｔ　ｏｆ　ｔｈｅ　ｏｐｔｉｃａｌ　ｊｕｋｅｂｏｘ　ｒｅｓｐｏｎｓｅ　ｔｉｍｅ　

ｗａｓｔｅｓ　ｏｎ　ｔｈｅ　ｍａｃｈｉｎｅ　ｏｐｅｒａｔｉｏｎ　ｓｕｃｈ　ａｓ　ｃｈａｎｇｅ　ｄｉｓｋｓ．　

Ｔｈｅｒｅｆｏｒｅ，ａ　ｆｕｒｔｈｅｒ　ｓｔｕｄｙ　ｏｎ　ｔｈｅ　ｕｓｅｒ　ｓ　ａｃｃｅｓｓｉｎｇ　ｗｉｌｌ　

ｍａｋｅ　ｇｒｅａｔ　ｈｅｌｐ　ｔｏ　ｔｈｅ　ｉｍｐｒｏｖｅｍｅｎｔ　ｏｆ　ｔｈｅ　ｗｈｏｌｅ　ｓｙｓ—　

ｔｅｍ　Ｄｅ￣ｏｒｍａｎｃｅ　ｏｆ　Ｎｅｔｗｏｒｋ　Ａｔｔａｃｈｅｄ　Ｏｐｔｉｃａｌ　Ｊｕｋｅｂｏｘ．　

Ｕｓｅｒｇ　ｒｅｑｕｅｓｔｓ　ａｒｅ　ｐａｒｔｉｔｉｏｎｅｄ　ｉｎｔｏ　Ｎ　ｌｅｖｅｌｓ．Ｔｈｅ　ｆｉｒｓｔ　

ｌｅｖｅｌ　ｈａｓ　ｔｈｅ　ｈｉｇｈｅｓｔ　ｐｒｉｏｒｉｔｙ，ａｎｄ　ｗｉｌｌ　ｂｅ　ｄｅａｌｔ　ｗｉｔｈ　

ｆｉｒｓｔｌｙ　ｂｙ　ｔｈｅ　ｓｔｏｒａｇｅ　ｍａｎａｇｅｍｅｎｔ　ｓｅｒｖｅｒ．Ｔｈｅ　ｓｅｃｏｎｄ　

ｌｅｖｅｌ　ｈａｓ　ｔｈｅ　ｓｅｃｏｎｄａｒｙ　ｐｒｉｏｒｉｔｙ．Ａｎｄ　ｔｈｅ　Ｎ－ｔｈ　ｌｅｖｅｌ　ｈａｓ　

ｔｈｅ　ｌｏｗｅｓｔ　ｐｒｉｏｒｉｔｙ　ａｎｄ　Ｕ　ｂｅ　ｄｅａｌｔ　ｗｉｔｈ　ｌａｓｔｌｙ．　

Ａ　ｎｏｎ－ｐｒｅｅｍｐｔｉｖｅ　ｐｒｉｏｒｉｔｙ　ｑｕｅｕｉｎｇ　ｍｏｄｅｌ，ｔｈａｔ　ｉ

ｓ，ｉｆ　维普资讯 http://www.cqvip.com ・０４６０・　

ｔｈｅ　ｓｙｓｔｅｍ　ｉｓ　ｂｕｓｙ　ｔｈｅ　ｕｓｅｒｓ　ｒｅｑｕｅｓｔ　ｔｈａｔ　ｈａｓ　ｔｈｅ　ｐｒｉｏｒｉ—　

ｔｙ　ｃａｎ　ｔ　ｐｒｅｅｍｐｔ　ｔｈｅ　ｓｅｒｖｉｃｅ　ｗｉｎｄｏｗ，ｂｕｔ　ｑｕｅｕｅ　ｂｅｆｏｒｅ　ｔｈｅ　ｌｏｗｅｒ－ｏｒ－ｎｏｎ　ｐｒｉｏｒｉｔｙ　ｒｅｑｕｅｓ｛　，　．　

Ａｓｓｕｍｅ　ｔｈａｔ　ｉｓ　ｔｈｅ　ａｒｒｉｖｉｎｇ　ｒａｔｅ　ｏｆ　ｔｈｅ　ｉ　ｌｅｖｅｌ，　ｉｓ　

ｔｈｅ　ａｖｅｒａｇｅ　ｒｅｑｕｅｓｔ　ａｃｃｅｓｓ　ｓｅｒｖｉｃｅ　ｒａｔｅ　ｏｆ　ｔｈｅ　ｉ　ｌｅｖｅｌ，Ｔｉ　

ｉｓ　ｔｈｅ　ｓｅｒｖｉｃｅ　ｔｉｍｅ　ｆｏｒ　ｔｈｅ　ｒｅｑｕｅｓｔ　ｏｆ　ｔｈｅ　ｉ　ｌｅｖｅｌ　ｗｈｅｒｅ　１　

Ｎ，ａｎｄ　ｉｓ　ｔｈｅ　ａｖｅｒａｇｅ　ａｒｒｉｖｉｎｇ　ｒａｔｅ　ｏｆ　ａｌｌ　ｔｈｅ　ｒｅ—　

ｑｕｉｒｅ．Ｏｂｖｉｏｕｓｌｙ　ｗｅ　ｏｎｌｙ　ｋｎｏｗ　ａｓ　ａ　ｐａｒａｍｅｔｅｒ　ｉｎ　ｔｈｉｓ　

ｍｏｄｅｌ　ｂｅｃａｕｓｅ　ｉｓ　ｎｏｔ　ｓｕｒｖｅｙｅｄ　ｉｎ　ｒｅａｌ　ｃｉｒｃｕｍｓｔａｎｃｅ．　

Ｔｈｅｎ　ｗｅ　ｈａｖｅ　

Ｔ【　一　１　』￡＝Ｅ１　ｌ一一　

Ｌｅｔ　一　ｔ／　一　Ｔｉ．Ｓｉｎｃｅ　ｔｈｅ　ｒｅｑｕｅｓｔｓ　ｏｆ　Ｉｓｔ　ｔｏ　Ｎ　ｌｅｖ—　

基于深度学习的空中侦察取证目标分类

·60· 兵工自动化 Ordnance Industry Automation2022-04 41(4)

doi: 10.7690/bgzdh.2022.04.013

基于深度学习的空中侦察取证目标分类

刘克，顾佼佼，陈健，孟春英

(海军航空大学岸防兵学院，山东烟台 264001)

摘要：为提高空中侦察取证的自动化、智能化水平，提出基于深度学习与FPGA软硬件协同设计开展空中侦察

取证自动目标分类。多渠道收集整理军机数据集，利用深层神经网络模型开展自动识别，验证自动目标分类可行性，

并部署至FPGA开发评估板进行准确率、吞吐量等性能验证。实验结果证明：多种网络模型均可有效实现空中侦察

取证目标的自动分类，并具备较高的吞吐量与准确率，时效性可满足战场实际需要。

关键词：侦察取证；深度学习；梯度下降；软硬件协同设计

中图分类号：TP391 文献标志码：A

Target Classification for Aerial Reconnaissance and Forensics

Based on Deep Learning

Liu Ke, Gu Jiaojiao, Chen Jian, Meng Chunying

(College of Shore Defense, Naval Aviation University, Yantai 264001, China)

Abstract: In order to improve the automation and intelligence level of aerial reconnaissance and forensics, this paper

proposes an automatic target classification for aerial reconnaissance and forensics based on deep learning and FPGA

机器学习分布式网络传输异常数据智能检测方法

doi: 10.11857/j.issn.1674-5124.2020020034

机器学习分布式网络传输异常数据

智能检测方法

杨雅彬1，刘晴1，武志成2，袁芬3

(1. 天津工业大学，天津 300387; 2. 杭州电子科技大学计算机学院，浙江杭州 310018;3. 浙江长征职业技术学院计算机与信息技术系，浙江杭州 310023)

摘　要: 对于链路状态数据库的网络传输异常数据检测存在检测数据不完整、较为敏感、检测效率差的问题，提出基于机器学习的分布式网络传输异常数据智能检测方法，通过K最近邻分簇算法对分布式网络节点实施分簇，利用贝叶斯分类算法检测簇头是否出现异常；确定异常簇后，选取小波阈值降噪方法对异常簇内数据进行降噪处理，在此基础上，采用遗传算法检测降噪处理后异常簇内的异常数据，通过群体内最佳个体与最差个体的适应度函数值的差值同既定阈值的比较结果得到最终异常数据。经实验证明，所提方法检测异常数据的平均时间为8.48 s，检测结果与实际结果相似性较高，且检测性能较为稳定，说明该方法具有较高的异常数据检测性能。关键词: 机器学习; 分布式网络; 异常数据; 智能检测; 贝叶斯分类; 遗传算法中图分类号: TP393.08;TB9文献标志码: A文章编号: 1674–5124(2021)03–0104–06

Intelligent detection method for distributed network transmission

abnormal data based on machine learning

YANG Yabin1, LIU Qing1, WU Zhicheng2, YUAN Fen3

(1. Tiangong University, Tianjin 300387, China; 2. Computer & Software School, Hangzhou Dianzi University,Hangzhou 310018, China; 3. Department of Computer and Information Technology, ZhejiangChangzheng Vocational and Technical College, Hangzhou 310023, China)

基于图神经网络的5G边缘云智能探测性能预测方法

2022年12月第Z1期（第35卷总第305期））月刊61收稿日期：2021-11-12网络维护电信工程技术与标准化

基于图神经网络的5G边缘云智能探测性能预测方法

黄长春，胥健，王一光，卢海杨，周俊，黄燕（中国移动通信集团江苏有限公司，南京210012）

摘要随着5G网络的大规模部署，其虚拟化、服务化和切片化等网络架构特性为各种垂直行业应用提供了广阔的前景，同时也对网络运维监控带来了极大挑战。本文基于面向5G边缘云的智能探测性能数据，提出了一种基于图神经网络的5G边缘云智能探测性能预测方法，利用T-GCN模型对网络性能测试数据进行建模分析，对网络的关键性能指标进行预测。经过实验验证，结果表明本文提出的方法相较传统SVR、HA等统计分析模型在MAE和RMSE评价指标上均有较大优势，其结果为网络故障预测可提供强有力的支撑。关键词5G；图神经网络；边缘云；性能预测中图分类号TP39文献标识码A文章编号1008-5599 (2022) Z1-0061-06

随着国内5G网络的大规模部署应用，保障其服务质量是各个5G运营商必须重视的问题。相较于3G、4G网络，5G网络引人了全新的架构和特性。主要表现为基于服务的柔性网络，引人SBA服务化架构，实现网络功能云化和服务切片化；网元重组为服务模块，计算与存储分离、控制面网元与用户数据面网元分离、多终端接人、控制面与用户面分离、按需引人边缘计算等。这些新的网络特性对网络的运行维护提出了新的挑战。具体到5GToB业务而言，政企客户业务组网与传统网络有所不同，介质从微波和光纤等简单的单介质变成复杂的跨域介质，网络云化、边缘云和动态路由提升了运维监控的复杂度。同时，政企客户自主要求高，企业数据不出园区，自运维需求强烈，监控与维护延伸到专网内比较困难，缺乏端到端业务质量评估、故障诊断和溯源能力。为有效解决上述问题，部署了面向5G边缘云的智能探测及诊断系统，并采集网络分段测试和设备性能数据对网络性能和故障进行诊断和预测。对采集到的海量数据进行快速分析，定位、预测网络性能和故障问题是发挥系统效能的重要环节。针对上述问题，本文提出了一种基于图神经网络的5G边缘云智能探测性能预测方法，利用T-GCN模型对网络性能测试数据进行建模分析，预测关键性能指标。相关基础知识

下载提示

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Classifying Algorithm Based on a Fuzzy Neural network for the control of a Network Attached Opti

合集下载

最新的继电保护外文精选英语参考文献

基于深度学习的空中侦察取证目标分类

机器学习分布式网络传输异常数据智能检测方法

基于图神经网络的5G边缘云智能探测性能预测方法

文档推荐

最新文档