针对虚假数据注入攻击(false data injection attack,FDIA)下的分布式安全状态估计问题,提出了一种基于攻击削减的分布式安全状态估计算法。首先,在无攻击的假设下对局部滤波器中预测值与估计值间的差值进行统计分析;然后,将FDIA建模为...
详细信息
针对虚假数据注入攻击(false data injection attack,FDIA)下的分布式安全状态估计问题,提出了一种基于攻击削减的分布式安全状态估计算法。首先,在无攻击的假设下对局部滤波器中预测值与估计值间的差值进行统计分析;然后,将FDIA建模为导致有效预测值与受损估计值间的差值产生变化的未知输入,并设计带有遗忘因子的递归最小二乘(recursive least squares,RLS)对其进行估计;最后,设计攻击削减机制对因攻击而受损的数据进行恢复,并对处理后的局部估计值进行融合。仿真结果表明,所提方法能够有效实现攻击估计,降低攻击的影响,提高了鲁棒性和估计精度。
目的针对远距离红外飞机目标检测中存在的由于成像面积小、辐射强度较弱造成无法充分提取目标特征进而影响检测性能的问题,提出一种基于全局—局部上下文自适应加权融合(adaptive weighted fusion of globallocal context,AWFGLC)机制...
详细信息
目的针对远距离红外飞机目标检测中存在的由于成像面积小、辐射强度较弱造成无法充分提取目标特征进而影响检测性能的问题,提出一种基于全局—局部上下文自适应加权融合(adaptive weighted fusion of globallocal context,AWFGLC)机制的红外飞机目标检测算法。方法基于全局—局部上下文自适应加权融合机制,沿着通道维度随机进行划分与重组,将输入特征图切分为两个特征图。一个特征图使用自注意力进行全局上下文建模,建立目标特征与背景特征之间的相关性,突出目标较显著的特征,使得检测算法更好地感知目标的全局特征。对另一特征图进行窗口划分并在每个窗口内进行最大池化和平均池化以突出目标局部特征,随后使用自注意力对池化特征图进行局部上下文建模,建立目标与其周围邻域的相关性,进一步增强目标特征较弱的部分,使得检测算法更好地感知目标的局部特征。根据目标特点,利用可学习参数的自适应加权融合策略将全局上下文和局部上下文特征图进行聚合,得到包含较完整目标信息的特征图,增强检测算法对目标与背景的判别能力。结果将全局—局部上下文自适应加权融合机制引入YOLOv7(you only look once version 7)并对红外飞机目标进行检测,实验结果表明,提出算法在自制和公开红外飞机数据集的mAP50(mean average precision 50)分别达到97.8%、88.7%,mAP50:95分别达到65.7%、61.2%。结论本文所提出的红外飞机检测算法,优于经典的目标检测算法,能够有效实现红外飞机目标检测。
暂无评论