简介:摘要:随着互联网技术的深入普及,网络安全问题得到人们的高度关注。现阶段,网络安全技术的协同与管理仍存在很大弊端,无法实现安全数据的有效整合,降低了网络安全维护的效能。大数据的出现解决了这一问题,弥补了传统单一网络安全技术存在的不足。大数据技术能够对网络安全软硬件设备采集的信息进行整合,通过数据挖掘深入分析网络运行环境的安全态势,即对威胁网络安全状态的各个要素进行分析计算,根据已有的数据信息进行自我推理和完善,并以此为基础预测潜在的网络安全风险,制定针对性防护措施,保证网络运行安全。基于此,文章对基于大数据分析的网络行为识别与预测分析方法进行了研究,以供参考。
简介:摘要目的探讨基于卷积神经网络(CNN)的人体行为识别在新一代院前急救中的应用。方法从蒙特利尔跌倒视频数据集获取60份视频,按5∶1比例分为模型训练数据和评价测试数据。①数据模型训练:利用奇异值分解对图片进行清晰化处理,通过目标检测与傅里叶变换识别图片中人体的目标边界,将人体曲线描绘出来;利用OpenCv计算机视觉和机器学习软件库人体姿态估计将人体的重要部位(如臀部、膝盖)标出,计算重要部位连线与水平方向的夹角及检测框架的长宽比例,识别人体是否具有异常行为。②评价测试:从模型训练数据集中随机提取6个视频,每个视频抽取10个1帧,将每帧看成一张图片,对每帧进行CNN行为识别,计算正常行为和异常行为的识别率。结果数据模型训练过程中,对每帧进行人为的标签化,训练CNN人体行为识别模型。评测结果显示,正常行为识别率为(90.33±3.03)%,异常行为识别率为(87.74±2.88)%。结论在路人发生危险行为时,通过CNN识别人体行为可判断其是否处于危急状态,并及时发出预警,对院前急救起到至关重要的作用。