针对传统的移动多目标跟踪算法计算量大、实时性差的问题,提出了一种新的基于阵列天线的空间多目标跟踪算法。算法利用阵元个数相对于信源数目的自由度,设计一个高阶的零陷空域滤波器组,对空间干扰源进行陷波,并对空间波束成形后的信号进行自适应跟踪,估计出多个移动目标的波达方向(direction of arrival,DOA)。仿真结果表明,此算法精度较高,计算复杂度较低,为空间移动多目标的实时跟踪提供了一种新方法。
局部线性嵌入算法(Locally Linear Embedding,LLE)是基于流形学习的非线性降维方法之一。LLE利用样本点的近邻点的线性组合对每个样本点进行局部重构,而不同近邻个数的选取会产生不同的重构误差,从而影响整体算法的实施。提出了一种LLE...
详细信息
局部线性嵌入算法(Locally Linear Embedding,LLE)是基于流形学习的非线性降维方法之一。LLE利用样本点的近邻点的线性组合对每个样本点进行局部重构,而不同近邻个数的选取会产生不同的重构误差,从而影响整体算法的实施。提出了一种LLE的改进算法,算法有效地降低了近邻点个数对算法的影响,并很好地学习了高维数据的流形结构。所提方法的有效性在人造和真实数据的对比实验中得到了证实。
随着5G技术的发展,移动边缘计算(mobile edge computing,MEC)被引入到车联网的建设当中。然而,在MEC架构下,分布式拒绝服务攻击(the distributed denial of services,DDoS)已经成为车联网中一个严重的问题。尽管已经有很多关于通用的无...
详细信息
随着5G技术的发展,移动边缘计算(mobile edge computing,MEC)被引入到车联网的建设当中。然而,在MEC架构下,分布式拒绝服务攻击(the distributed denial of services,DDoS)已经成为车联网中一个严重的问题。尽管已经有很多关于通用的无线或者有线网络的DDoS攻击防御的研究,但是它们依赖有标签数据,也无法满足车联网中高动态性的需求。此外,固定的特征集和历史经验难以有效应对车联网中复杂多样的DDoS攻击。然而,车联网未受到DDoS攻击时,车辆与基站之间的数据流统计信息是稳定变化的,不同于通用网络,车联网中的这种变化是不易与正常的突发流相混淆的。通过利用这个特性,本文提出了一个基于双深度Q网络(double deep Q network,DDQN)的特征自适应DDoS攻击防御方法。在该方法中首先提出了一种自适应当前攻击的动态特征选择方法以摆脱依靠人工经验进行特征选取而无法自适应当前攻击的缺陷,并且设计一个基于Kalman滤波的奖励函数,摆脱对有标签数据的依赖。其次,本文算法使用DDQN算法学习历史经验,根据当前的DDoS攻击类型以快速选择特征并断开可疑的连接,使得该算法能够满足车联网中高动态性的需求。实验结果表明,本文算法在没有标签数据的情况下,能够自适应选取特征以防御多种类型的DDoS攻击,而且随着DDQN智能体的训练,该算法能够在动态车联网环境下,短时间内以较高精度捕捉DDoS攻击。
暂无评论