基于MPLS下的流量工程及技术

本文就基于MPLS下的流量工程在网络中的应用进行了研究。对MPLS实施高效可靠的网络运作策略的性能做了分析，这些策略可以用来优化网络资源利用，增强面向流量的网络性能。     

一种基于压缩感知的入侵检测方法

网络入侵检测必须面对海量的数据获取和处理,压缩感知理论能够直接、快速压缩采集网络中的数据流.提 出一种基于压缩感知的入侵检测方法,该方法通过对访问数据的压缩采样,获取正常和异常行为的特征数据.这种 数据处理方式避开了大量的数据处理,直接获取特征,这对于网络入侵检测需要进行高维的数据处理过程来说,大 大节省了处理时间,为实现实时的入侵检测提供了重要的技术手段.     

基于贝叶斯学习的兴趣评估方法

对语义的解释和模式的评估是数据挖掘过程中的一个优化处理步骤。虽然可以通过设置模式的属性阈值消除大量无关模式,但当面对一个大的数据库时,数据挖掘的最终结果依然很大。从客观和主观两个方面分析影响模式兴趣度的因素,并用利用贝叶斯学习模型对挖掘结果进行综合处理,使用户最终获得易于理解和有用的挖掘模式(知识)。     

土壤质量监测数据挖掘模型的可视化

在分析平行坐标技术、聚类可视化方法以及土壤质量监测数据自身特点的基础上,发现原有的聚类可视化方法用于土壤数据挖掘结果的不足,提出了平行坐标的聚类表示、等势线的聚类法和空间立方体聚类法的一套可视化模型,用于揭示土壤的污染等级.     

基于卷积神经网络结合图像处理技术的荞麦病害识别

荞麦病害的发生极大地影响了荞麦的品质和产量,对病害的监测是确保荞麦产业健康发展的重要措施。该研究利用深度学习中卷积神经网络的多层特征提取方式,对荞麦病害的特征进行抽取,然后根据特征进行分类,最终实现对荞麦病害的判别。首先采用一种最大稳定极值区域(MSER,Maximally Stable Extremal Regions)和卷积神经网络(CNN,ConvolutionalNeuralNetwork)结合的方法对荞麦发病区域进行检测,实现了病害区域与非病害区域的分离,准确定位病灶位置;然后在传统卷积神经网络框架上,通过提升网络宽度,约束参数量,加入了两级inception结构,对成像环境复杂,低质量荞麦图像准确地进行特征抽取。同时,为了降低采样过程中光照的影响,采用基于余弦相似度的卷积代替传统的卷积运算,对于光照不均的荞麦叶片也能够进行较好的病害识别。最后,为了验证该研究所提方法的有效性,建立一个包含8种荞麦病害图像的数据集,结果表明采用MSER和CNN结合的区域检测与两级inception识别框架的方法,对于荞麦是否发病判别的精确率、召回率、以及精确率和召回率加权调和平均值分别达到了97.54%,96.38%,97.82%;对于具体病害的识别其均值为84.86%,85.78%,85.40%。该方法在识别精度和速度方面具有良好的性能,为实现荞麦病害的自动识别提供了重要的技术支持。     

土壤质量监测数据挖掘模型的可视化

在分析平行坐标技术、聚类可视化方法以及土壤质量监测数据自身特点的基础上,发现原有的聚类可视化方法用于土壤数据挖掘结果的不足,提出了平行坐标的聚类表示、等势线的聚类法和空间立方体聚类法的一套可视化模型,用于揭示土壤的污染等级.