导读:本文包含了行为特征建模论文开题报告文献综述及选题提纲参考文献，主要关键词:网络异常行为,异常检测,模式识别,流量特征建模
行为特征建模论文文献综述
黄河,邓浩江,陈君[1]（2019）在《基于流量特征建模的网络异常行为检测技术》一文中研究指出基于流量特征建模的网络异常行为检测技术通过对网络流量进行特征匹配与模式识别,进而检测出潜在的、恶意入侵的网络流量,是网络异常行为检测的有效手段。根据检测数据来源的不同,传统检测方法可以分为基于传输层信息、载荷信息、主机行为特征等叁类,而近年来兴起的深度学习方法已经开始应用于这叁类数据,并可以综合应用叁类数据,本文从技术原理与特点、实验方式、取得的成果等方面对上述技术路线进行了综述,并分析了存在的主要问题和发展趋势。(本文来源于《网络新媒体技术》期刊2019年04期）
何柔灵[2]（2019）在《基于轨迹数据的驾驶行为动态特征分析与建模》一文中研究指出全球经济飞速发展使城市化进程不断加快,作为连接城市间、城市内的纽带,交通系统迅猛发展,汽车保有量急剧增长,随之带来一系列的交通问题:城市高峰期的交通拥堵问题、城市空气污染以及频繁发生的交通事故。当这些问题发展到一定程度就会成为制约社会经济发展、提高社会生活水平的桎梏,更制约着城市道路交通系统的进一步发展。根据实际交通流进行建模,是解决城市交通问题的重要方法之一,交通流建模的核心依据是城市道路中车流随时间、空间的演变规律。该方法可以解释各类交通现象的内在机理,为掌握车辆行驶规律提供可靠的理论支持,是改善现有交通问题的重要手段。在实际交通系统中,车辆往往跟随前车在车流中行驶,驾驶员在驾驶过程中的行为并非保持不变,而是根据行车条件不断对车辆进行加速、减速操作,以确保车辆不与前车相撞,也不与前车距离过远。现有的车辆跟驰模型大多认为车辆驾驶特征保持不变,这与实际不符。因此,构建具有时变特征的车辆跟驰模型,使其更加符合驾驶过程中的动态特征,从而掌握车辆驾驶规律对交通流的影响,是具有研究价值的。基于以上问题,本文拟根据车辆轨迹数据,以优化车辆跟驰模型、把握车辆驾驶规律为目标,提取、分析车辆的动态驾驶特征,把握重要影响因素随时间变化的规律,通过构建合理的具有动态驾驶特征的车辆跟驰模型,以期为掌握车辆实际驾驶过程中的变化规律提供理论依据和科学方法。本文主要工作如下:(1)本文详细阐述了驾驶员的驾驶特性以及车辆跟驰模型的研究现状。根据NGSIM数据集中的轨迹数据,提取、分析车辆驾驶过程中的动态特征。基于车辆的时变驾驶特性,本文提出一种计算车辆动态反应时间的方法,并根据影响车辆跟驰行为的前车信息,分析车辆在不同状态下的加速度、速度、与前车速度差的分布情况,进一步验证了车辆的时变特性。(2)车辆跟驰模型中的驾驶员反应时间是描述车辆时变特征的重要参数,本文通过基于车辆轨迹数据计算得到驾驶员的动态反应时间,考虑反应时间具有时变特性,本文运用时间序列分析建模方法研究其变化规律。(3)本文以GHR车辆跟驰模型、优化速度模型以及智能驾驶模型(IDM)为基础,对车辆时变驾驶特征进行深入研究。基于时间区间的划分,利用最小二乘法对叁个模型的参数进行动态标定,并与传统标定进行对比。根据研究可知,动态地看待驾驶行为可以更好地描述其时变特性,把握驾驶规律。(本文来源于《北京交通大学》期刊2019-06-05）
雷璟[3]（2019）在《用户行为特征提取及安全预警建模技术》一文中研究指出提出采用行为特征提取技术、用户行为建模技术、异常行为检测技术实现的用户行为特征提取及安全预警系统的主要技术和系统实现。此技术和系统能够实现对用户异常行为的感知与预警,为各业务部门及管理者提供辅助决策支持,对提升网络的安全防护水平具有重要作用和意义。(本文来源于《中国电子科学研究院学报》期刊2019年04期）
葛少云,李吉峰,刘洪,王亦然,张鹏[4]（2019）在《考虑物理特征与行为因素的家庭用能特性建模》一文中研究指出针对常规负荷建模与预测未考虑用户的行为特性,并且需要大量历史数据作为研究基础的问题,提出一种考虑物理特征与行为因素的家庭用能特性建模方法。以家庭能源中心作为研究对象,在介绍总体分析流程的同时,归纳外部需求、内部转换以及终端能源负荷类型;考虑物理特征与行为因素,建立电器设备的用能模型,并提出模型扩展方法;在此基础上,通过非侵入式负荷分解与马尔可夫链相结合的方法分析模拟用户的用能行为。算例分析表明,所提方法具有独立刻画负荷肖像曲线的能力,不再依赖大量数据进行派生驱动。(本文来源于《电力自动化设备》期刊2019年03期）
李彤,苗成林,吕军,常成[5]（2019）在《频谱用户行为特征建模与分析》一文中研究指出针对频谱用户行为特征建模问题,在测量0～400 MHz、750～1050 MHz和2.3～2.5 GHz叁个代表性频段的基础上,计算各频段的频谱图和频谱占用情况,指导认知无线电寻找合适的频谱以使用。通过拟合频谱测算数据可知:用户到达信道速率服从泊松分布,用户到达间隔概率服从负指数分布。研究结果可为认知无线电的频谱接入等算法提供理论支撑。(本文来源于《装甲兵工程学院学报》期刊2019年01期）
刘云,杨建滨,王传旭[6]（2018）在《基于底层特征建模的行为识别算法优化》一文中研究指出近年来基于时空兴趣点的视觉词袋(bag of video words,BOVW)模型被广泛用于行为识别算法研究;但是该模型忽略了每一种视觉单词的权重,另外没有考虑兴趣点时空分布信息,因而制约了其识别精度。提出了两种算法解决上述问题;其一,采用词频-逆向文件频率(term frequency-inverse document frequency,TF-IDF)方法对传统BOVW直方图进行优化处理,根据视觉单词在词袋与BOVW直方图的比例权衡其重要程度;其二,提出了基于叁维共生矩阵的时空兴趣点互信息(spatialtemporal interest points mutual information,STIPsMI)算法,刻画不同视觉单词的时空兴趣点之间的时空关系。然后将STIPsMI描述符与优化后的BOVW直方图级联,作为视频序列最终的描述符。最后在两个主流的数据集KTH与UCF sports对该算法进行评估。实验结果表明,提出的时空特征描述符在行为识别准确率上优于BOVW模型与其他主流方法。(本文来源于《科学技术与工程》期刊2018年21期）
杨建滨[7]（2018）在《基于底层特征优化建模的行为识别算法研究》一文中研究指出行为识别是计算机视觉中一个十分热门的研究领域。随着视频监控应用需求的大量上升和互联网技术的不断发展与成熟,越来越多的应用场景涉及到视频内容的自动识别。然而人体行为复杂多样并且缺少明确的分类模式,目前还没有一种通用的描述模型。近年来基于底层特征的视觉词袋(BoVW:Bag of Visual Words)模型被广泛用于行为识别算法研究,但是该模型建立的描述符忽略了每一种视觉单词的权重,其二没有考虑时空兴趣点的帧内位置和帧间时序信息,因而制约了其识别精度。本文提出了叁种算法解决上述问题,主要研究内容包括:(1)提出了采用词频-逆向文件频率(TF-IDF:Term Frequency-Inverse Document Frequency)方法确定传统BOVW直方图中每一种视觉单词的权重。计算机视觉中的BOVW模型是由文本分类的词包模型(BOW:Bag of Words)进化而来,所以将文本数据分析的TF-IDF用于视觉词袋模型具有理论可行性。由于传统BOVW模型生成视觉词典时,词典中的单词并非均匀分布,因此单词的类别区分能力是不同的。该算法根据视觉单词在视觉字典与BOVW直方图的比例确定其重要程度。(2)提出了基于叁维共生矩阵的时空兴趣点互信息(STIPsMI:spatial-temporal interest points mutual information)描述符算法,刻画不同视觉单词之间局部时空兴趣点的时空相关关系。该算法首先将成图像中二维兴趣点共生矩阵的概念扩展到叁维的时空兴趣点中,生成描述不同兴趣点之间相关关系的共生矩阵;然后提出时空兴趣点互信息的概念,在保持不同兴趣点之间的时空信息的同时对共生矩阵进行降维,生成时空兴趣点互信息描述符。(3)提出了环形时空兴趣点直方图与时空分布熵(STDE:spatial-temporal distribution entropy)的概念统筹时空兴趣点的全局时空分布,用以挖掘每个单词内部各兴趣点的时空信息。该算法首先借鉴环形颜色直方图的思想构建每一类视觉单词的环形时空兴趣点直方图,然后采用时空分布熵刻画每一类视觉单词的全局时空分布情况。最后融合TF-IDF优化直方图、空兴趣点互信息与时空分布熵叁种信息作为一个视频序列的描述符,采用支持向量机作为分类器。本文受到国家自然科学基金(61472196、61672305)的资助,实验在Matlab平台上完成;在两个比较流行的行为数据集KTH与UCF sports对该算法进行评估。实验结果表明,本文提出的时空特征描述符在行为识别准确率上优于BOVW模型与其它主流方法。(本文来源于《青岛科技大学》期刊2018-04-20）
聂琦[8]（2018）在《城市间人群移动行为特征分析与建模》一文中研究指出理解人群如何在不同城市之间移动,不仅是交通科学、经济地理、人口学等许多学科的一个基本问题,在很多领域也具有十分重要的应用价值。例如,分析人群在城市间的短期移动行为(城市间旅行行为)有助于我们理解传染病如何在大的空间尺度上传播;城市间人群的长期迁移行为分析则对研究城市发展、制订区域发展政策等都具有重要意义。随着现代通讯技术与互联网的迅速发展,已有越来越多的数据可以记录大规模人群的移动足迹,这为人群移动行为的研究提供了新的契机。不过,由于能反映城市间人口迁移的户籍管理等传统数据对一般研究者而言难以获取,限制了我们对城市间人群迁移规律开展深入而广泛的研究。最近,研究者利用科学文献数据库中记录的作者研究单位变动情况,研究了学者这一特定人群在城市间的迁移行为规律等。但由于数据规模与面向的群体限制等原因,对于一般人群在城市间的迁移规律,我们仍然缺乏足够的理解。本文利用从中国某招聘网站上匿名化个体求职信息,研究了大规模、多职业类型的人群在中国不同城市之间的迁移行为。可以发现,相比于城市间人群短期移动网络的流量对称模式,城市间长期迁移网络的流量结构具有高度不对称特性,反映了不同城市吸引力的差异及对人口的竞争效应。这一流量结构可以用空间经济学中的引力模型近似刻画。另外,通过研究发现,在引力模型中距离函数的标度指数大于短期移动流网络的相应指数,说明相对于短期旅行行为,人群在城市间的长期迁移行为对空间距离更不敏感。结合城市经济发展水平等数据,本文用一个改进后的人口权重机会模型再现和解释了城市间人群迁移网络的上述模式。在上述研究的基础上,本文结合经济量和人口量的数据,建立了改进的引力模型对人类迁移行为进行预测,并分析和比较了不同参数上标度指数的差异。最后,本文对城市间迁移行为和旅行行为下的人类移动相关参数的标度指数进行了解释和讨论,并使用相似性指数对各个预测的结果进行了系统分析。(本文来源于《北京交通大学》期刊2018-03-01）
郭鑫颖[9]（2017）在《位置感知下的移动行为特征建模》一文中研究指出随着科技的迅速发展,GPS定位设备以及无线通信技术的普及应用程度大大提高,基于位置的移动终端设备愈来愈趋向智能化,我们可以方便的收集移动对象的轨迹数据,这些数据蕴含着大量的移动行为特征规律,可以为城市交通规划、广告推送以及人群特征行为的研究提供决策支撑。因此,对移动行为特征建模具有重要的研究意义。本文以移动对象的轨迹数据为研究对象,以移动对象的行为特征建模和移动轨迹终点预测为主要目标。本文的研究工作主要包括以下四个方面:(1)在数据预处理阶段,本文以真实的移动轨迹数据为基础,提出了两种对于移动轨迹所在空间区域的动态结构化表示方法——Q网格划分法和KD-树网格划分法,避免了现有技术中常用到的等尺度网格划分法存在的划分粗糙、轨迹语义化程度差的问题;(2)在特征建模阶段,针对在基于贝叶斯公式的预测算法中易遇到的“数据稀疏”问题,本文通过轨迹划分与重构的方法,在贝叶斯网络理论和马尔科夫模型的基础上,提出了基于网格序列编号、基于轨迹序列编号的两种步长统计方法以及建立混合移动行为特征建模的方法;(3)在轨迹预测阶段,本文在OD模式匹配预测算法的基础上加入了轨迹的局部特征点,提出OMD特征点混合模式匹配预测方法,改善了O 特征点模式匹配预测算法只考虑移动轨迹全局模式而造成的轨迹匹配度低的问题;(4)在预测结果修正阶段,本文在粗粒度空间划分模型的预测结果基础上,融合了细粒度路网模型下的轨迹预测结果对原始预测结果进行修正,提高了轨迹的预测精度。本文以Matlab2014作为实验平台,以深圳市真实的出租车移动轨迹数据作为原始轨迹数据库进行实验验证和分析。通过数据预处理、空间结构划分、建立混合特征模型以及模式匹配预测等过程对轨迹的终点进行预测并与实际终点进行比较。实验结果表明,本算法的终点预测率可达到94.6%,实现了轨迹终点的预测功能。(本文来源于《西安科技大学》期刊2017-06-01）
程晓妍[10]（2017）在《微博用户类型及其行为的统计特征分析与建模》一文中研究指出互联网自1995年在中国真正实现以来,历经着快速的成长,直至2015年3月5日李克强总理在国务院做了有关政府工作报告,将“互联网+”提升至国家战略层次。按照互联网络信息中心(CNNIC)发布的第39次《统计报告》指出截止2016年12月,中国上网人数达7.31亿。在Web 2.0时代,我国网民的参与度和活跃性出现指数型增长,这与一种新生应用的问世关系紧密—微博。新浪微博2016年底月活跃用户已经突破3亿,其碎片化的阅读、分享和互动服务深受网民的喜爱。深入研究微博用户的人群画像、普通和名人用户的影响力和热门微博的传播过程有助于了解信息是如何传播和发酵的,也有助于人们更好的控制事情的传播、明白信息的影响力以及网民的真实情感,对事情的舆情分析有较好的应用价值。通过学习,本文做了如下研究:首先,因为新浪自有的公开平台,通过API接口,获取了名人用户和普通用户的关注数量、粉丝数量和发微博数量、性别和城市的数据;通过设定相应的关键词获取相应热门事件用户发微博的正文、事件、认证用户、转发、评论等数据;获取相应热门事件中热门微博的传播数据。其次,利用该数据分名人用户和普通用户做人群画像分析。进而研究名人用户的关注数量、粉丝数量和发微博数量和普通用户的关注数量、粉丝数量和发微博数量之间的相关关系和各自的概率分布,并给予结果的解释。第叁,对选取的热门事件中的热门微博做有关评论和转发的增长性分析,转播过程分析以及关键用户对事件的影响分析。热门微博在发出半小时内达到转发和评论的高峰,小高峰出现在一些零碎时间段如11:30—13:30、22:00之后等。一些具有影响力的(名人用户)的转发也会促成小高峰的形成,即信息的进一步传播。最后把微博用户对热门事件的情感做文本分词分析,提取出运用较高频次的词汇,即有助于舆情分析。(本文来源于《北京工业大学》期刊2017-05-01）
行为特征建模论文开题报告
（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：
全球经济飞速发展使城市化进程不断加快,作为连接城市间、城市内的纽带,交通系统迅猛发展,汽车保有量急剧增长,随之带来一系列的交通问题:城市高峰期的交通拥堵问题、城市空气污染以及频繁发生的交通事故。当这些问题发展到一定程度就会成为制约社会经济发展、提高社会生活水平的桎梏,更制约着城市道路交通系统的进一步发展。根据实际交通流进行建模,是解决城市交通问题的重要方法之一,交通流建模的核心依据是城市道路中车流随时间、空间的演变规律。该方法可以解释各类交通现象的内在机理,为掌握车辆行驶规律提供可靠的理论支持,是改善现有交通问题的重要手段。在实际交通系统中,车辆往往跟随前车在车流中行驶,驾驶员在驾驶过程中的行为并非保持不变,而是根据行车条件不断对车辆进行加速、减速操作,以确保车辆不与前车相撞,也不与前车距离过远。现有的车辆跟驰模型大多认为车辆驾驶特征保持不变,这与实际不符。因此,构建具有时变特征的车辆跟驰模型,使其更加符合驾驶过程中的动态特征,从而掌握车辆驾驶规律对交通流的影响,是具有研究价值的。基于以上问题,本文拟根据车辆轨迹数据,以优化车辆跟驰模型、把握车辆驾驶规律为目标,提取、分析车辆的动态驾驶特征,把握重要影响因素随时间变化的规律,通过构建合理的具有动态驾驶特征的车辆跟驰模型,以期为掌握车辆实际驾驶过程中的变化规律提供理论依据和科学方法。本文主要工作如下:(1)本文详细阐述了驾驶员的驾驶特性以及车辆跟驰模型的研究现状。根据NGSIM数据集中的轨迹数据,提取、分析车辆驾驶过程中的动态特征。基于车辆的时变驾驶特性,本文提出一种计算车辆动态反应时间的方法,并根据影响车辆跟驰行为的前车信息,分析车辆在不同状态下的加速度、速度、与前车速度差的分布情况,进一步验证了车辆的时变特性。(2)车辆跟驰模型中的驾驶员反应时间是描述车辆时变特征的重要参数,本文通过基于车辆轨迹数据计算得到驾驶员的动态反应时间,考虑反应时间具有时变特性,本文运用时间序列分析建模方法研究其变化规律。(3)本文以GHR车辆跟驰模型、优化速度模型以及智能驾驶模型(IDM)为基础,对车辆时变驾驶特征进行深入研究。基于时间区间的划分,利用最小二乘法对叁个模型的参数进行动态标定,并与传统标定进行对比。根据研究可知,动态地看待驾驶行为可以更好地描述其时变特性,把握驾驶规律。
（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。
行为特征建模论文参考文献
[1].黄河,邓浩江,陈君.基于流量特征建模的网络异常行为检测技术[J].网络新媒体技术.2019
[2].何柔灵.基于轨迹数据的驾驶行为动态特征分析与建模[D].北京交通大学.2019
[3].雷璟.用户行为特征提取及安全预警建模技术[J].中国电子科学研究院学报.2019
[4].葛少云,李吉峰,刘洪,王亦然,张鹏.考虑物理特征与行为因素的家庭用能特性建模[J].电力自动化设备.2019
[5].李彤,苗成林,吕军,常成.频谱用户行为特征建模与分析[J].装甲兵工程学院学报.2019
[6].刘云,杨建滨,王传旭.基于底层特征建模的行为识别算法优化[J].科学技术与工程.2018
[7].杨建滨.基于底层特征优化建模的行为识别算法研究[D].青岛科技大学.2018
[8].聂琦.城市间人群移动行为特征分析与建模[D].北京交通大学.2018
[9].郭鑫颖.位置感知下的移动行为特征建模[D].西安科技大学.2017
[10].程晓妍.微博用户类型及其行为的统计特征分析与建模[D].北京工业大学.2017