模式識別與智能計算范文第1篇
模式識別與智能系統是二十世紀八十年代發展起來的新型交叉學科，該學科包含自動控制、模式識別、人工智能、模糊邏輯、仿生學和計算機科學等多種學科。該學科以信息處理與模式識別的理論技術為核心，探索對各種信息進行處理、分類、理解，并在此基礎上構造出具有某些智能特性的系統或裝置的方法、途徑與實現。該學科在經濟建設和國防建設具有廣泛的實際背景，二十多年來，已引起了國內外有關學者的極大重視，被稱其為面向二十一世紀的控制科學。
本學科點開始于我校省級重點學科計算機應用學科，從該學科人工智能方向發展而來。最早的團隊可以追溯到二十世紀八十年初，從承擔航空基金立體倉庫機器人開始。經過近三十年的發展，該學科逐步形成了穩定的研究方向，于2003年從計算機應用學科獨立出來，成為獨立的學科，2005年獲得“模式識別與智能系統”碩士學位授予權。主要研究方向包括：神經網絡與模式識別、圖象處理與模式識別、智能機器人與人工智能和智能檢測與智能控制等。當前正在籌建“自主武器技術平臺研究中心”，這是目前我省唯一一所高等院校首次建立的平臺研究中心，中心下設6個實驗室分別為飛行器仿真與模擬技術實驗室、智能機器人與目標探測技術實驗室、綜合健康管理技術實驗室、任務設備檢測技術實驗室、武器應用環境仿真實驗室和導彈實驗室，其中，導彈實驗室近2-3年內投資200萬多萬元，購置了3枚導彈等，實驗室已初具規模。本學科主要關注與武器平臺自主運行有關的技術，即主要關注：自主控制、環境感知、導航制導、保障與健康管理、電源、部分任務的關鍵技術研究和工程驗證研究，逐步發展對平臺總體設計、搭載任務武器等技術研究和工程驗證。本學科具有一定師資力量基礎，現擁有雙聘院士1人，博士生導師5人(外校兼職，本學科點沒有博士授予權)，碩士生導師9人，教授12人，副教授16名，其中，具有博士學位的教師有20名。目前本學科點已培養碩士研究生10多名，學科梯隊結構合理，整體實力強。
模式識別與智能計算范文第2篇
模式識別與智能系統是二十世紀八十年代發展起來的新型交叉學科，該學科包含自動控制、模式識別、人工智能、模糊邏輯、仿生學和計算機科學等多種學科。該學科以信息處理與模式識別的理論技術為核心，探索對各種信息進行處理、分類、理解，并在此基礎上構造出具有某些智能特性的系統或裝置的方法、途徑與實現。該學科在經濟建設和國防建設具有廣泛的實際背景，二十多年來，已引起了國內外有關學者的極大重視，被稱其為面向二十一世紀的控制科學。
本學科點開始于我校省級重點學科計算機應用學科，從該學科人工智能方向發展而來。最早的團隊可以追溯到二十世紀八十年初，從承擔航空基金立體倉庫機器人開始。經過近三十年的發展，該學科逐步形成了穩定的研究方向，于2003年從計算機應用學科獨立出來，成為獨立的學科，2005年獲得“模式識別與智能系統”碩士學位授予權。主要研究方向包括：神經網絡與模式識別、圖象處理與模式識別、智能機器人與人工智能和智能檢測與智能控制等。當前正在籌建“自主武器技術平臺研究中心”，這是目前我省唯一一所高等院校首次建立的平臺研究中心，中心下設6個實驗室分別為飛行器仿真與模擬技術實驗室、智能機器人與目標探測技術實驗室、綜合健康管理技術實驗室、任務設備檢測技術實驗室、武器應用環境仿真實驗室和導彈實驗室，其中，導彈實驗室近2-3年內投資200萬多萬元，購置了3枚導彈等，實驗室已初具規模。本學科主要關注與武器平臺自主運行有關的技術，即主要關注：自主控制、環境感知、導航制導、保障與健康管理、電源、部分任務的關鍵技術研究和工程驗證研究，逐步發展對平臺總體設計、搭載任務武器等技術研究和工程驗證。本學科具有一定師資力量基礎，現擁有雙聘院士1人，博士生導師5人(外校兼職，本學科點沒有博士授予權)，碩士生導師9人，教授12人，副教授16名，其中，具有博士學位的教師有20名。目前本學科點已培養碩士研究生10多名，學科梯隊結構合理，整體實力強。
模式識別與智能計算范文第3篇
以密碼、密鑰等作為其識別手段的傳統身份識別技術已經被廣泛應用于現實生活中, 但受到其易復制性與易丟失性等因素的影響, 在很大程度上影響著該技術的發展, 并促使了擁有更高性能的識別技術被研發出來。其中, 智能識別技術就是基于新時期計算機人工智能技術的發展而不斷發展起來的, 并作為一種數據自動采集、識別與錄入的人工智能技術, 被廣泛應用于各個領域中, 為人們的生活、工作帶來極大的便利。但是, 就真正意義上的智能應用, 智能識別技術應用仍存在一定瓶頸, 下面作者就該問題作簡要分析。
1 語音智能識別技術應用瓶頸分析
從某種意義上來說, 語音智能識別技術的最終目的就是為了讓計算機能夠聽懂人類語言, 從而執行人的某項操作。該技術作為現階段人工智能研究的一個主要方向與人機語音交互實現的一個關鍵技術, 一直以來都備受各國人工智能研究領域的重點關注。而且, 各種基于語音智能識別技術的產品也日漸被開發出來, 并應用于各個領域, 并表現出極大的應用優勢, 如語音通信系統、聲控電話交換等。如今, 雖然伴隨各種人工智能電子產品的日漸研發, 特別是進入21 世紀后, 嵌入式的語音處理及其識別技術也有了較大進步, 基于語音識別的芯片業也日漸增加。但是, 也需看到, 語音識別技術應用仍存在著一些技術瓶頸, 而且如何通過實現芯片同人工智能技術的有機結合來更好發展語音智能識別技術, 也成為了本世紀一個重要的研究內容。
1.1 可靠性有待提高
一方面, 語音智能識別技術必須排除實際應用中各種聲學環境對其造成的不良影響。因為在公共場合, 人能有意識排除外界噪聲來獲得自己想要的聲音, 然而計算機雖已實現智能化, 但你不可能指望它在那些嘈雜環境中能夠準確捕捉到你的聲音, 大大限制了該技術的應用范圍。所以, 若想在嘈雜環境中應用語音智能識別技術, 就需要使用特殊抗噪麥克風, 但這對于多數用戶而言, 是不可能實現的;另一方面, 日常生活中, 人們說話較隨意, 語言習慣較明顯, 如帶有明顯地方口音、經常重復、停頓, 或插入, 完全不受語法控制等, 而這些語音對于經過標準式“朗讀語音”存儲的設備來講, 是很難識別的。為此, 逐步提升語音智能識別技術的可靠性, 顯得很有必要。
1.2 詞匯量有待豐富
可以說, 語音識別系統可識別詞匯量的多少, 在很大程度上決定了系統可完成事情的程度, 若系統所配置聲學模型與語音模型限制較多, 當用戶所引用詞匯不在系統存儲范圍內時, 或是突然從英文轉中文、俄文、韓文、日文等語言時, 系統很可能出現輸入混亂情況。為此, 今后伴隨系統建模方式的逐步革新、各種搜索計算法效率的逐步提升于與硬件資源的日漸發展, 語音智能識別系統很可能實現詞匯量無限制與多種語言的混合, 這樣一來, 即便用戶使用多種語言, 系統也是能準確識別出來的[1]。
1.3 成本有待降低, 體積有待減小
對于任何一項技術的發展而言, 在保證質量的同時, 最大限度降低其成本是實現技術商業化發展的關鍵所在, 且普遍通過規模生產形式來實現。但對于語音智能識別技術而言, 要想做到降低其成本, 還存在較大困難。因為對于那些功能、性能要求較高的應用, 多帶有“量身定制”的標記, 若想規模生產, 條件還不是很成熟;只有在那些對功能、性能要求不是很高的語音識別應用上, 才有可能規模生產出部分低成本產品, 而這些規模產品在實際應用中又可能受到功能與性能的限制[2]。另外, 微型化也將是今后語音智能識別技術實現商業化發展的一個重要手段, 而要想實現這一點, 同該技術本身發展程度與微電子芯片技術發展程度, 均有著密切的關系。為此, 把那些有著先進性能與完善功能的語音識別借助系統固化到那些更加微小的模塊或芯片上, 用以最大限度降低成本, 也就成為了今后語音智能識別技術真正實現廣泛應用的關鍵所在。
2 視覺智能識別技術應用瓶頸分析
同語音智能識別技術瓶頸相比較, 視覺智能識別技術應用瓶頸似乎更多, 難度也更大。就應用基本原理而言, 兩者一致, 均是通過對相關信息實時采集、存儲來實現智能識別的。然而在具體操作過程中, 兩者卻存在較大差別, 因為視覺智能識別技術主要針對的是各種圖像的設備, 如指紋識別、人臉識別等。而在這些圖像識別中, 也存在著一些應用瓶頸。
2.1 人臉識別技術
該技術主要是通過對人臉幾個關鍵部位進行識別、分析, 并通過采集幾個表情作為其存儲數據, 來進行對比、識別分析。但目前為止, 關于自動人臉識別研究已經取得了一些可喜成就, 但就其實際應用而言, 仍存在著一些較難解決的問題, 如人臉的非剛體、發型的變化與表情、化妝的多樣性以及環境光照復雜性等, 都給人臉識別帶來了較大困難。即便是大量來自生理學、神經認知科學與自模式識別、心理學以及計算機視覺等眾多領域的專家們經過40 多年對自動人臉識別技術的深入研究, 仍被很多問題困擾著, 得不到有效的解決辦法。換個角度來想, 即便是人類自己, 即使每天都在根據他人面孔來區別親人、朋友、同事與陌生人, 但有時候也很難準確敘述出自己為什么能對他們進行區分, 特別是對于雙胞胎, 雖然可區別他們, 但卻說不出如何區分、鑒別?？上攵? 人都如此, 更何況同人類視覺系統存在較大差異的圖像采集設備, 而且從某種意義上來說, 計算機智能識別技術同人腦相比, 還是存在一定差距的。為此, 若要想計算機能夠像人一樣自動、準確識別人臉, 必然需要不同領域研究者們的繼續努力。
2.2 指紋識別技術
眾所周知, 每個人的指紋都是不同的, 指紋可以說是一個人獨有的特征, 而“指紋識別”, 指的就是通過對這些指紋紋路圖案、斷點與交叉點的識別來實現身份的識別, 有著唯一性、終生不變性與可獲得性、防欺騙性等特點, 現實生活中, 人們多用指紋識別技術來設置密碼, 用以保護個人信息[3]。但是, 在看到其優點的同時, 也需看到, 一個人的指紋其實很容易留在各處, 通過復制這些指紋痕跡來進行相關操作, 將在一定程度上影響到系統正確判斷, 故該識別技術其實也存在著一定危險性。而且, 雖然系統已經識別了已有指紋, 然而實際上一些人與群體的指紋其實特征不是很明顯, 有時較難成像, 進而無法進行指紋識別。如在“簽到打卡機”上, 若是錄入指紋手指出現破皮、損傷情況, 是比較難識別的, 而這也在一定程度上影響到指紋識別技術的應用。
總的來說, 雖然人臉識別與指紋識別技術已經被廣泛應用于各領域中, 特別是密碼設置中, 但在實際應用中, 問題仍是有的, 而這也正表示視覺智能識別技術仍有著較大研究、發展空間, 需要投入更多精力去解決這些瓶頸, 用以推動計算機人工智能識別技術的發展。
3 結束語
綜上所述, 人工智能識別技術在快速發展的同時, 也存在著一些技術瓶頸, 從而在一定程度上影響到智能識別技術實現“智能”的程度。為此, 要想真正實現計算機完全智能控制, 還需從各方面入手, 加入財力、物力、人力的投資, 對其各方面功能、性能加以優化、完善, 從而使之智能水平得到不斷提升, 為人們的生活、工作帶來更多的便利。
參考文獻
[1]周娟.計算機人工智能識別技術應用瓶頸分析[J].軟件導刊, 2014 (9) :28-29.
模式識別與智能計算范文第4篇
計算機智能化圖像識別技術在實際生產和生活中有著廣泛的應用。本文將智能化圖像識別監測應用到水泥回轉窯溫度的實時監測。利用CCD熱成像技術和紅外測溫原理, 實時地監測窯內煅燒帶的熟料溫度和火焰溫度, 并將上述溫度數據結合現場檢測的工藝參數建立實時監控系統。
2 紅外CCD熱成像測溫技術
由黑體的光譜輻射出射度與波長的關系, 我們可以分析得到以下3條規律:
(1) 隨著溫度的逐漸升高, 物體的輻射能量也越來越強。
(2) 隨著溫度的逐漸升高, 輻射峰值波長向短波方向進行移動。
(3) 輻射能量隨溫度的變化率, 短波處遠遠大于長波處大, 即短波處的信噪比較高, 抗干擾性較強。
由斯特藩—玻耳茲曼定律知, 物體的輻射力M與其熱力學溫度T的四次方滿足線性關系, 即
式中:
M為物體的輻射力W/cm2
δ為斯特藩—玻耳茲曼常數, 其值近似為5.673×10-12 W/cm2
ε為物體發射率
T為物體熱力學溫度K。
因此, 在特定的條件下, 我們可以通過測定物體的單位時間單位面積的輻射能總和來確定其溫度。此外, 由于物體輻射的總能量中包含各個波長成分, 不同波段的輻射能量的大小也各不不同。其中, 對應輻射能量最大的波長稱為峰值波長, 一般用λmax表示。根據維恩位移定律, 有
式中:
b為常數, 其近似值為0.2897cm·K;
T為物體的熱力學溫度K。
3 回轉窯紅外CCD熱成像測溫系統設計
紅外CCD熱成像測溫系統通過熱成像裝置采集水泥回轉窯燒成帶的紅外輻射能, 轉換成模擬視頻信號, 然后通過嵌入在工控機PC插槽里的圖像采集卡對模擬視頻信號進行采樣, 經過A/D轉換成數字信號。最后, 由編制的圖像采集軟件得到窯內的實時灰度圖, 然后通過輻射測溫算法的設計以及現場的溫度標定, 準確測出相應的溫度值。
3.1 系統硬件設計
從圖像采集卡得到灰度圖像后, 由于攝像頭噪聲和環境的影響, 圖像中會存在噪聲。由于人在運動, 在人體周圍會有鋸齒狀邊緣, 這些在背景差分后并二值化后會在運動目標邊緣出現很多噪聲點, 開運算無法完全濾除, 會對后續連通區域標記造成干擾。根據統計, 圖像中的噪聲基本服從高斯分布, 因此采用高斯濾波方法對圖像進行處理。
3.1.1 熱成像裝置
熱成像裝置是由針孔鏡頭、光電耦合器件 (CCD) 及窄帶濾光片組成。我們在鏡頭的前端加裝濾光鏡片, 將測溫系統不需要的紅外線和可見光濾掉, 留下特定波段的紅外線, 經光學鏡頭聚焦成像在CCD靶面上, 經過信號的加工處理, 變成全電視信號送給處理計算機, 得到回轉窯內的熱像圖。
3.1.2 防護系統
為了給攝像頭防塵, 并防止其過熱, 我們需要給攝像頭添加防護系統。防護系統由防護外套和溫度報警系統, 以及相應的管道組成。整個光學系統安放在保護外套內, 保護外罩是一個中空的金屬防護外殼。為了防止攝像頭在回轉窯微正壓下被噴出火苗燒壞, 本文采用了一套高溫報警系統, 監測保證保護套內工業CCD工作溫度環境。
3.1.3 處理計算機
由于開發的處理軟件需要在Windows XP操作系統下平穩且穩定的運行, 因此, 我們采用了性能非常穩定、配置極其優良的研華IPC-610H (1) ATX大母版結構工控機。
3.1.4 圖像采集卡
圖像采集卡是工業監控圖像采集和處理不可或缺的關鍵設備之一。CCD采集目標體后會輸出視頻信號, 然后經由圖像采集卡得到動態的水泥窯內的煅燒帶圖像, 通過計算機對每幀圖像進行訪問。本課題選用的是北京嘉恒中自圖像技術有限公司生產的OK_C20A圖像采集卡。
3.2 系統軟件設計
測溫系統軟件流程主要由以下3部分實現。
3.2.1 初始化
圖像采集卡的初始化分為以下四個步驟:第一步檢查序列圖像幀緩存大小;第二步為DIB位圖分配內存;第三步設置采集初始化參數;第四步打開指定圖像卡。
3.2.2 圖像采集
本文程序應用回調函數機制, 考慮到每幀圖像計算量不是很大, 采用逐幀并行工作方式。
3.2.3 溫度標定與計算
對目標進行溫度標定就是在設定的溫度范圍內讓溫度與圖像的灰度之間建立一定的關系。由于目標表面的熱輻射與其溫度為非線性關系, 這樣, 對應的反映熱輻射特性的目標的熱像圖的灰度與溫度間也是非線性的變化關系。
本文在紅外CCD熱成像測溫系統安裝調試完成之后, 利用檢修后?；鸾禍剡^程, 測取了大量現場數據, 如下圖5所示, 然后用MATLAB對獲取的實驗數據進行數據擬合, 得到溫度、灰度對應的擬合關系。
本文采用多項式擬合中的最小二乘擬合, 為了得到比較高的精度, 采用4階多項式進行擬合。最終結果為:
式中:
T——目標像素點的溫度值;
P——對應像素點的灰度值。
完成了紅外熱成像系統的溫度標定實驗, 將獲得的溫度標定結果, 編寫在現場的紅外CCD熱成像測溫系統程序的溫度計算模塊中。
4 燒成帶溫度自動控制
本文將由測溫系統檢測的燒成帶實際溫度值理想溫度進行比較, 得到溫度偏差值e送給PID控制器, PID控制器的運算結果經D/A轉換給喂煤碟閥, 通過改變喂煤碟閥輸入電壓的大小, 來控制喂煤碟閥的開度, 從而調節回轉窯的喂煤量, 實現回轉窯的燒成帶溫度的自動控制。
以下我們對操作工人依靠手動調節噴煤量改變回轉窯燒成帶溫度的大量數據與采用我們通過PID控制器自動控制得到的大量的溫度數據進行統計對比, 經過設定PID控制器自動控制后, 水泥回轉窯燒成帶熟料溫度基本趨于平穩, 相對于操作工人依靠經驗進行手動調節的開環控制, 燒成帶熟料溫度波動情況明顯縮小, 基本滿足了水泥工業的生產要求。
5 動態數據庫的建立及參數曲線圖的生成
在Visual C++6.0開發平臺下, 利用ADO的操作技術實現了對SQL Server 2005數據庫的訪問與控制, 并調用數據庫中的參數生成動態曲線圖,
查詢的溫度歷史曲線界面如圖8所示。
6 結論
本文將計算機智能化圖像識別技術進行了探析, 本課題以某水泥廠實際生產情況作為研究背景, 利用Visual C++6.0開發工具搭建了水泥回轉窯的溫度實時監控系統, 有效地改善了操作工人的工作條件, 確保窯內煅燒情況盡可能的處于最佳狀態, 提高了水泥生產及管理的自動化水平。
以某水泥廠實際生產情況作為研究背景, 搭建了水泥回轉窯的溫度實時監控系統, 有效地改善了操作工人的工作條件, 確保窯內煅燒情況盡可能的處于最佳狀態, 提高了水泥生產及管理的自動化水平。
參考文獻
模式識別與智能計算范文第5篇
計算機智能化圖像識別系統包括五個部分, 即圖像輸入、圖像預處理、特征提出、圖像分類和圖像匹配。圖像輸入是指已經采集完成的圖像信息輸入到計算機內, 然后經過計算機預處理, 將需要識別的圖像信息進行圖像區與背景區的分離, 提高計算機智能化圖像識別的速度和效率。為盡可能真實地還原圖像, 通過特征提出將圖像信息以特征數值的形式表達出來, 接著再以一種精確分類方法將圖像分配到不同圖像庫中, 減少系統識別搜索時間, 最終實現圖像的精確匹配。
由此可見, 計算及智能化圖像識別系統的工作原理是計算機對需要識別處理的圖像經過特定方式將其輸入到計算機中, 經過計算機預處理和特征提出再對需要識別的圖像進行匹配和分類, 主要包括統計識別法、句法識別法和神經網絡識別法。統計識別法是利用統計學識別模型來尋找識別圖像的規律性, 進一步識別圖像, 但無法準確識別出圖像的具體內容;句法識別法是通過分析語言學內句法層次結構來簡化分析復雜的圖像;神經網絡識別法是利用神經網絡計算方法對圖像進行識別, 其智能化程度較高。
二、計算機智能化圖像識別技術的理論特點
2.1?信息量大。計算機處理圖像信息常用二維信息的方式, 因此, 需要計算機具有較好配置、較快運行速度和較大信息存儲空間。與語言信息相比, 圖像信息需要較寬頻帶。
2.2?相關性大。在計算機系統中, 圖像的各個像素都具有一定關聯性, 因此, 在計算機智能化識別圖像時需要輸入多種圖像信息, 并對其進行有效壓縮, 才能真正實現不同圖像信息的分類和匹配[1]。
2.3?人為因素影響大。當計算機在對圖像進行智能化識別和處理時, 往往需要人來進行圖像識別效果評價, 因此, 人為因素對計算機智能化圖像識別有重要影響。由于人的眼睛會通過周邊環境、個人情緒、知識范疇及興趣愛好來形成特定的視覺感受, 為全面提升計算機對圖像智能化識別成效, 讓盡可能讓計算機模仿人的視覺感受, 真實模擬人們對圖像進行觀察和評價的分析狀態, 充分發揮計算機的“智能化”分析作用。
三、計算機智能化圖像識別技術的優點
3.1?精確度高。計算機在對一幅模擬圖像進行數字化處理時, 可將其轉換成一種二維數組, 普通掃描儀都可以將圖像的像素轉化為32位。由此可見, 計算機智能化圖像識別的精確度能滿足用戶所需要求。
3.2?靈活性好。當計算機在對圖像進行智能化識別處理時, 會根據實際圖像情況來對其進行合理放大, 這體現了圖像識別技術的靈活性。由于圖像來源廣泛, 不論是來自天文望遠鏡的宇宙萬物或微小生物的細胞圖像都可以利用計算機的線性運算功能和非線性處理功能實現智能化圖像識別。
四、計算機智能化圖像識別技術的應用
4.1?工程建設方面。在工程建設中, 施工人員會利用計算機智能化圖像識別技術對建筑零部件進行檢測分類, 同時及時分析輸電線路存在的故障原因, 以及時采取有效措施對其排查處理。此外, 施工人員在進行管道焊接、零件裝配時, 也會運用到計算機智能化圖像識別技術, 對建筑建設圖像進行智能化識別, 有效避免施工誤差的出現, 提高整個建設工程的施工質量。
4.2?生物醫學方面。在生物醫學上, 醫生會利用計算機智能化圖像識別技術對患者人體的紅細胞及相關染色體進行識別, 除了便于醫生更好地了解患者病情, 還有助于醫生對病例的醫學研究分析。
4.3?電視廣播方面。在電視廣播領域, 電視機要播放高質量清晰畫面就必須依靠計算機智能化圖像識別技術, 這是因為計算機可以對一些動態圖像信息進行采集、加工和合成, 最終形成高清晰度的電視畫面。同時, 為有效防止電視圖像在播出時出現失幀情況, 計算機還可以對輸入的圖像畫面進行智能化處理, 對圖像進行自動化修復重現, 為人們提供優質電視效果。
五、結束語
近年來, 計算機智能化圖像識別技術廣泛應用到我國各個領域中。通過對圖像的智能化識別, 再利用高分辨率圖像處理及時可對圖像實現自動化處理, 便于人們對圖像信息的獲取。在未來的社會發展中, 計算機智能化圖像識別技術必定得到更多人的重視, 因此, 我們必須積極探索計算機智能化圖像識別技術的發展之路, 促進人類社會朝著可持續的方向蓬勃發展。
參考文獻
模式識別與智能計算范文第6篇
1 網絡入侵檢測系統在網絡安全監測中的重要性
網絡技術的不斷滲透, 推動了網絡技術的發展, 網絡業務應用逐漸深入到人們的生活、工作中, 這也就要求我們必須不斷的提高網絡安全性。網絡智能入侵檢測系統是提高信息安全的基礎構架, 確保計算機網絡安全的重要手段, 它主要是通過一些安全硬件, 監測計算機信息系統運行的過程, 阻止一些非法攻擊行為, 從而確保計算機信息系統的機密性、可用性以及完整性。網絡入侵檢測系統其作用主要在于:監測用戶計算機系統活動, 分析計算機系統配置存在的漏洞, 評估計算機系統信息資源完整性, 并對一些非法的攻擊行為作出響應, 從而確保計算機信息資源的安全性。
2 入侵檢測系統的組成及特點
就一般情況而言, 網絡入侵檢測系統由四部分組成, 分別是入侵分析引擎、管理配置模塊、數據采集模塊以及應急處理模。
入侵分析引擎其作用在于, 分析計算機系統數據, 判斷是否有非法入侵行為, 并對非法入侵作出響應。
管理配置模塊是網絡入侵檢測系統與計算機用戶之間的接口, 在檢測過程中, 管理配置模塊主要是為其他模塊提供服務, 協助其他模塊完成檢測工作。
數據采集模塊管理著計算機系統中所有的原始數據 (如:應用程序數據、操作系統數據以及網絡信息數據) , 在檢測時, 數據管理模塊將數據提供給入侵分析引擎, 再通過分析引擎進行分析, 從而判斷該計算機系統中是否存在非法入侵。
應急處理模塊是計算機系統安全性的重要保證, 當入侵分析引擎分析計算機存在非法入侵時, 應急處理模塊會根據計算機情況自動啟動應對措施, 如:斷開網絡連接、關閉網絡服務、啟動數據備份等。
3 智能入侵檢測技術
盡管網絡智能入侵檢測系統解決了大多數用戶的安全所需, 但誤報幾率偏高, 操作性差, 加之, 報警信息過多, 入侵處理處理方法也不夠完善, 不適用于金融、軍事以及商務等關鍵領域, 在這一背景下, 人工智能技術應運而生。
模式識別主要是將一個輸入模式與計算機系統中的多個模式進行比較, 找出符合條件的參照模式, 每個參照模式都代表相應的類名也就是輸入模式, 該類名也就是輸出類名。模式識別主要分為識別和學習兩個過程, 過程不同其作用也不同, 識別主要是為了及時的更新參照模式, 以增強參照模式的自適應性。而學習則是為了更好的構造識別模式。就某一方面來說, 智能入侵檢測系統也是有一定的規則性, 模式識別則是未知模式和原有參照模式規則比較, 對未知模式歸納分類的過程, 這也是模式識別和識別的區分, 這兩者之間有著許多的相識之處, 模式識別能有效提升智能入侵檢測系統的識別能力、智能能力, 從而提升智能入侵檢測結果的準確性。
4 模式識別的核心技術
模型識別有很多方法, 本文著重就模式識別中最為常用的識別方法, 近鄰法進行分析。
假設當前w1-wc個模式識別問題, 那么wi的判別函數則為:
其中, k代表wi類中第k個類Ni樣本, Xik的角標代表wi類, 公式|x-xik|, X到Xi之的歐氏距離, 那么可得到以下公式:
決策規則為:
根據公式 (2) , 可以將未知樣本X和已知樣本N=Ni'進行比較, 計算出他們之間的歐氏距離, 則可判斷未知樣本和已知樣本是否屬于同一類。
同樣, 在入侵檢測時, 為了提高檢測結果的準確性, 也可用近鄰法進行模型識別, 假設樣本中有一個本集樣本Xi和一個未知樣本X, 當d=Q時, 則說明未知樣本在本集樣本中有相應的描述, 如果本集樣本準確, 而參照樣本與本集樣本相同, 那么檢測結果也就準確, 如果未知樣本在本集樣本中沒有明確描述, 但仍在描述范圍之類, 那么檢測結果可信度仍然很高, 當參照樣本與本集樣本出現不同時, 而本集樣本中沒有對其進行描述, 可根據歐氏距離判定其屬性, 當然通過歐氏距離進行判斷往往會存在的一定的偶然性, 為提高檢測的準確度, 可引入近鄰法進行判斷。
5 討論
隨著黑客攻擊技術的不斷提高, 防火墻、訪問控制、數據加密等一系列傳統的安全技術已不能滿足人們安全所需, 網絡安全隱患也成為當今人們最為擔心的一大問題。智能入侵檢測系統的出現使原有安全技術得到了更好的補充, 及時的解決了網絡安全隱患, 智能入侵不但可以準確識別網絡非法入侵, 還能及時對非法入侵做出相應的響應, 更好的保護了計算機用戶的網絡信息。
摘要：當今時代, 是一個全新的網絡信息化時代, 隨著科學技術的不斷進步, 網絡已成為人們工作、生活中不可分割的一部分, 而網絡安全也顯得尤為重要, 作為安全防護重要手段之一, 提高入侵檢測技術有著重要的意義。本文對智能入侵檢測理論技術進行簡單分析, 結合識別理論, 探索當前模式識別環境下的智能檢測系統, 為我國網絡安全技術提供了良好的參照。
關鍵詞：模式識別環境,智能入侵,檢測系統
參考文獻
[1]田大新.基于異常檢測的智能入侵檢測系統[D].吉林大學, 2010.
[2]宋平平.基于數據挖掘的入侵檢測系統研究[D].合肥工業大學, 2009.
[3]劉曉.基于BP神經網絡的智能入侵檢測研究[D].重慶大學, 2010.