导读:本文包含了增量检测论文开题报告文献综述及选题提纲参考文献，主要关键词:SOINN算法,恶意软件检测,神经网络,增量学习
增量检测论文文献综述
张斌,李立勋,董书琴[1]（2019）在《基于改进SOINN算法的恶意软件增量检测方法》一文中研究指出针对基于批量学习的恶意软件检测方法存在检测模型动态更新困难、运算存储开销大的问题,将改进的SOINN算法与有监督分类器有机结合,利用SOINN算法的增量学习特性赋予恶意软件检测模型动态更新能力,有效降低运算存储开销。首先对SOINN算法进行改进:在SOINN算法竞争学习周期内,根据全排列思想搜索所有样本输入次序下神经元的权重调节量,计算所有权重调节量的平均值作为神经元最终权重调节量,避免不同样本输入次序影响训练所得神经网络的稳定性,使所得神经网络更能反映原始数据本质特征,从而提高神经网络针对恶意软件检测的精度。然后采用非负矩阵分解和Z-score归一化对数据进行预处理,将恶意软件行为特征向量从高维高数量级转换至低维低数量级,在提高检测速度的同时有效降低高数量级维度对特征学习的不利影响,进一步提高检测准确性。实验结果表明,所提方法支持检测模型动态更新,对未知新样本的检测准确率显着高于传统检测方法,且运算存储开销更小。(本文来源于《网络与信息安全学报》期刊2019年06期）
张宁,陈嘉杰,伍伟,沈霁,袁杰[2]（2019）在《基于增量学习的高光谱图像目标检测》一文中研究指出高光谱图像目标检测是高光谱图像分析中的重要研究内容之一。本文从经典有效的约束能量最小化算法出发,提出了一种基于增量学习的高光谱目标检测方法。当获得新的样本时,不需要重新计算所有样本的自相关矩阵即可对检测器模型进行更新,减轻了星上有限计算资源的负担。实验结果表明:本文提出的目标检测算法在压制背景光谱的同时可以更好地适应目标光谱,提高了算法的检测性能。(本文来源于《上海航天》期刊2019年05期）
张小秋,周超,徐晴[3]（2019）在《基于逻辑回归的增量式异常用电行为检测方法》一文中研究指出用户异常用电行为的检测是电力公司需要重点解决的问题。目前异常用电检测通常采用数据分析的方法,主要包括聚类和分类两种,在处理固定数据集时校测准确率和效率均较高。但是此类方法在处理增量数据时,每次数据增量更新时均需要将增量数据与原始数据合并后重新建模才能获得新的检测模型,而用户的用电数据是频繁更新的且最新的数据更能体现出用户的用电习惯,因此在异常用电行为检测时必须考虑增量数据,而现有检测方法在进行增量式异常用电行为检测时效率很低。为解决数据增量式更新的情况下异常用电行为检测方法性能低下的问题,提出了一种基于逻辑回归的增量式异常用电行为检测方法,仅需对增量数据进行建模即可得到面向全局数据集的检测模型,无需对全局数据进行重新建模,提高检测算法的执行效率。当用户电量数据产生增量时,仅需对增量数据构建检测模型,再与原始数据的检测模型相结合,即可得到基于全部数据的检测模型。实验结果表明,该方法在保证检测结果准确性的同时,极大地提高了算法执行效率,且对计算和存储资源的需求较低。(本文来源于《科学技术与工程》期刊2019年29期）
彭华晔,彭晨,孙洪涛,杨明锦[4]（2019）在《微电网在虚假数据注入攻击下的增量检测机制》一文中研究指出针对微电网环境下虚假数据注入攻击的状态估计问题,提出了一种基于分析状态测量值增量的攻击检测机制.在假设系统稳态的情况下,对系统测量值的增量,进行关于χ~2的假设检验,能够有效检测出精心设计的攻击.对本文提出的方法在Matlab中进行仿真,实验结果表明在特定的系统情况下,对于非恒定的攻击,该方法能提高检测出攻击的成功率.(本文来源于《信息与控制》期刊2019年05期）
徐敏,刘中财,严晓,黄碧雄,王影[5]（2019）在《容量增量内阻一致性在线检测方法》一文中研究指出电池包单体内阻的不一致会导致短板单体的过充过放,诱发渐变性故障,加剧电池组的失效,安全检测成为市场需求。本文对不同老化程度的磷酸铁锂充电曲线进行分析之后,提出一种基于容量增量的内阻一致性在线检测方法:对充电数据进行分析得到容量增量峰的特征,进而表征单体之间的内阻差异,最后使用箱型图进行异常检测。使用已设计的电池检测系统对电池包进行在线检测与HPPC检测,验证对比发现:两者归一化的单体内阻分布存在较高的一致性,且容量增量在线检测方法成本低、操作简便,适用于大规模的商业电池进行内阻一致性检测,不会对工程效率以及电池组寿命产生影响。在线检测方法为锂离子电池全生命周期预防性安全检测提供方法指导。(本文来源于《储能科学与技术》期刊2019年06期）
樊艳伟[6]（2019）在《基于ArcMap插件的地理要素变化检测及增量提取方法研究》一文中研究指出本文根据地理国情监测项目的需要开发了一个地理要素变化自动检测及增量提取的插件,此插件可以无缝地集成到ArcMap中,并且已经在2016年及2017年度基础性地理国情监测项目中得到了很好的应用。(本文来源于《内蒙古科技与经济》期刊2019年11期）
田敏皓[7]（2019）在《基于增量学习的安检机危险品检测算法研究》一文中研究指出在人员密集的地方,安检系统对于保证人们安全具有重要作用。目前大多安检系统已经实现智能化,但随着恐怖分子作案手段的升级出现了诸多异型危险品,现有的危险品知识先验模型无法有效覆盖,需通过扩充后数据集重新训练检测模型实现异型危险品的识别。但是,重新训练模型方法会造成模型训练效率低及训练时间随数据扩充而增加的问题。针对该问题,本文研究了一种能充分利用原模型并提高训练效率的增量学习目标检测算法。本文基于传统目标检测算法基本原理,在Fast rcnn网络基础上,为了避免训练过程中梯度消失,研究了基于Fast rcnn的增量学习目标检测算法。将特征提取网络替换为50层的残差网络;同时,向用于输出的全连接部分加入与新类个数相适应的分类神经元和边框回归神经元以实现对新增类别的学习,并设计损失函数使网络在学习新类目标的同时避免灾难遗忘。进一步,针对Fast rcnn网络需单独生成区域的问题,采用了Faster rcnn网络,并对其特征提取网络进行替换。重点研究了该目标检测框架下RPN候选框生成网络的增量学习算法,最后将增量学习思想应用在Faster rcnn框架中的分类和边框回归网络上,该算法提高了检测精度和训练速度。本文算法均在公开无人驾驶数据集和安检数据集上进行实验以验证可行性与有效性。实验结果表明,算法在新旧类上均获得了85%以上的检测置信度,即表明本文算法既能有效利用在旧类上训练网络参数,又能实现对新类目标的学习,从而改善训练模型效率低的问题。(本文来源于《中北大学》期刊2019-06-01）
王世豪[8]（2019）在《基于卷积神经网络的目标检测算法其增量学习研究》一文中研究指出图像中的目标检测是计算机视觉领域的核心任务之一,是计算机理解图像的基石,可用于智能视频监控、无人驾驶、机器人、智能家居、医疗图像辅助诊断等需求、产品中。自ImageNet图像分类大赛2012年的冠军AlexNet诞生以来,卷积神经网络(Convolutional Neural Network,CNN)在计算机视觉领域得到了广泛的应用。以CNN为主的深度学习技术也大幅度提高了目标检测任务的准确率。凭借着CNN的优势和大量学者的不懈努力,如今计算机程序进行目标检测的效果几乎可以和人类视觉比肩。其中有代表性的工作如R-CNN、Fast R-CNN、Faster R-CNN、YOLO、FPN、RetinaNet。在特定场景,目标检测算法的准确率也逐渐提升至快饱和的状态。但一些新兴的问题也逐渐进入人们的视野。计算机视觉中的增量学习,当属这些新兴问题中的一员。而目标检测是计算机视觉中的主要任务。所以,本文即是研究目标检测的增量学习。目前,在目标检测领域准确率较高的方法均基于卷积神经网络。但联结类方法(如神经网络)存在灾难性忘记(Catastrophic Forgetting)的问题。该问题具体为:若在一个已有的神经网络模型上训练新任务时,会使该模型已有的能力急剧丧失。所以,基于卷积神经网络的目标检测算法也存在这样的问题,即:当往一个已有的目标检测模型中添加新的可检测类别时,若用新类别的数据集直接训练已有网络,那么训练出的模型会很大程度地丧失在旧类别上的检测能力。本文的研究目标即是:如何更好地往已有的目标检测模型中添加新的可检测类别。本文研究了两种方法。第一种方法是基于特征提取思想的方法。这是一种直观的,为新类别添加专有层的方法。本文的贡献是:提出了在使用该方法时,可提高准确率的细节。并通过实验,研究了该方法的一些性质。本文提出:(1)前移新类别专有层的添加位置,能可观地提高网络在新类别上的检测准确率。(2)为新类别添加浅层旁路,能使网络在新类别上的检测准确率有一些提升。第二种方法是基于保留损失函数的方法。该方法基于LwF[28](Learning Without Forgetting)。LwF是Zhizhong Li等人提出的在图像分类上进行增量学习的方法。LwF借鉴了模型压缩中,广泛被称为模型蒸馏的方法。本文的贡献是:率先将LwF的思路应用到了具有区域建议网络(Region Proposal Network,RPN)模块的流行目标检测算法上,在目标检测的增量学习任务上得到了比现有方法更高的准确率。并通过大量实验研究了,在借鉴LwF的思路为目标检测模型添加新的可检测类别时,值得考虑的各种细节。本文对多个细节进行了实验,选出了在这些细节上最好的做法。这些细节的处理方式,将会对模型最终的准确率产生一定的影响。(本文来源于《浙江大学》期刊2019-03-25）
刘佳,张平,刘培玉,孔凡玉,李新金[9]（2019）在《新型入侵增量识别入侵检测模型》一文中研究指出随着计算机和网络技术的不断发展,新的入侵模式不断产生,传统的入侵检测模型难以适应新的入侵模式的变化,致使检测新型入侵困难。为了达到自动进化改进入侵模型,快速监测新型入侵模式的目的,提出一种新型入侵检测增量识别方案。各个监测点具有相互交流机制,通过定期交流自身异常情况信息并判断周围设备通信情况,可以形成局部和全局异常流量的状况,共同进行入侵检测,防止单一主机入侵检测的盲点。根据各个节点收集的信息向堡垒主机反馈数据,形成全局异常值,如果全局异常值达到规定的阈值,判断为出现新型入侵行为。堡垒主机采用了相对分类快速、准确的决策树算法作为入侵分类算法。为了能使决策树分类能够快速自动进化改进,提出一种能够快速自我改进决策树局部的决策树改进方法。对整体环境的仿真实验表明,在基于入侵模式识别异常情况,决策树改进算法在自我进化后,对于加入新型入侵模式的入侵有效识别率可以达到94.09%。(本文来源于《计算机应用与软件》期刊2019年03期）
刘佳琪[10]（2019）在《基于增量磁导率的铁磁性材料机械性能定量检测》一文中研究指出近年来,随着铁磁性材料在各行业的广泛使用,越来越多针对铁磁性材料的新型无损检测技术得到发展,其中就包括增量磁导率法。该方法基于磁导率,与材料的剩余寿命、抗塑性、抗疲劳等特性密切相关,因此可以用于铁磁性材料的机械性能的评估和检测。本课题研究了基于增量磁导率法对铁磁性材料的部分机械性能进行定量检测,设计并研制出一套增量磁导率检测系统。针对增量磁导率法中信号激励与信号采集方案进行了设计,包括检测探头的结构与各参数指标的设计。针对信号检测需求,设计与研制了交流恒流源与锁相放大器的电路模块。使用该检测系统进行大量实验并提取相应增量磁导率信号。对增量磁导率信号的特征提取开展了深入的研究。在增量磁导率信号分析中引入涡流检测中使用的阻抗平面图,并从中提取出初始阻抗值等特征,与蝶形图中得到的特征一起组成特征集合。并针对特征值进行预处理方法进行了分析和研究。构建了增量磁导率法的材料机械性能定量检测模型。采用BP神经网络对增量磁导率信号的特征集进行训练,构建了材料机械性能定量检测模型,在完备样本集预测时取得了良好的效果;针对样件不完备情况下预测效果不佳的情况,引入PSO粒子群算法对BP神经网络进行优化,实验结果表明,优化后的算法在预测精度与稳定性可以获得明显提升。(本文来源于《南京航空航天大学》期刊2019-03-01）
增量检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
高光谱图像目标检测是高光谱图像分析中的重要研究内容之一。本文从经典有效的约束能量最小化算法出发,提出了一种基于增量学习的高光谱目标检测方法。当获得新的样本时,不需要重新计算所有样本的自相关矩阵即可对检测器模型进行更新,减轻了星上有限计算资源的负担。实验结果表明:本文提出的目标检测算法在压制背景光谱的同时可以更好地适应目标光谱,提高了算法的检测性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
增量检测论文参考文献
[1].张斌,李立勋,董书琴.基于改进SOINN算法的恶意软件增量检测方法[J].网络与信息安全学报.2019
[2].张宁,陈嘉杰,伍伟,沈霁,袁杰.基于增量学习的高光谱图像目标检测[J].上海航天.2019
[3].张小秋,周超,徐晴.基于逻辑回归的增量式异常用电行为检测方法[J].科学技术与工程.2019
[4].彭华晔,彭晨,孙洪涛,杨明锦.微电网在虚假数据注入攻击下的增量检测机制[J].信息与控制.2019
[5].徐敏,刘中财,严晓,黄碧雄,王影.容量增量内阻一致性在线检测方法[J].储能科学与技术.2019
[6].樊艳伟.基于ArcMap插件的地理要素变化检测及增量提取方法研究[J].内蒙古科技与经济.2019
[7].田敏皓.基于增量学习的安检机危险品检测算法研究[D].中北大学.2019
[8].王世豪.基于卷积神经网络的目标检测算法其增量学习研究[D].浙江大学.2019
[9].刘佳,张平,刘培玉,孔凡玉,李新金.新型入侵增量识别入侵检测模型[J].计算机应用与软件.2019
[10].刘佳琪.基于增量磁导率的铁磁性材料机械性能定量检测[D].南京航空航天大学.2019