欺骗诱捕技术在气象网络安全攻防对抗场景下的应用

随着信息技术的快速发展,网络安全形势愈发严峻,气象部门通过组织网络攻防演习,以实战标准检验并提升业务安全防护体系能力。在演习中,攻击队伍对重要业务单位的真实网络及信息系统进行攻击渗透,各业务单位作为防守方开展实时监控与应急处置。由于攻防双方信息不对等,防守方采用传统防御手段经常处于被动挨打的局面。为提升网络防御能力,本文研究伪装欺骗和攻击诱捕技术在气象部门网络安全实战场景下的应用,通过采用基于蜜罐的欺骗诱捕平台,构建主动防御体系,实现对异常网络流量的监测、分析和预警,并对攻击方进行诱捕、溯源。经过实战检验,欺骗诱捕技术的应用切实提高了网络安全防御能力,保障气象业务系统稳定运行。     

面向单幅遥感图像的生成对抗网络超分辨率重建

利用低分辨率图像生成高分辨率图像的过程称为图像超分辨率,目的是得到一张清晰的影像。随着人工智能的蓬勃发展,在遥感、辅助文本识别等诸多领域,图像超分辨率的应用愈加广泛。本文利用生成对抗网络的深度学习模型进行单图像超分重建,SRGAN模型相较于传统方法,提出了新的感知损失函数,由对抗损失和内容损失组成。对抗损失通过训练判别器网络结构区分生成图像和实际高分辨率图像,而内容损失则利用预训练的VGG19网络模型计算图像特征的感知相似度,而不是在像素空间上的相似度。试验证明,利用SRGAN获得的高分辨率图片,MOS指标高于传统方法。本文围绕SRGAN的原理、效果、应用等进行了阐述。     

安南宣布帮助发展中国家对抗气候变化的“内罗毕框架”计划

联合国秘书长安南于2006年11月15日在内罗毕举行的2006联合国气候变化大会高级别会议上,宣布了帮助发展中国家对抗气候变化的“内罗毕框架”计划。安南说,“内罗毕框架”计划由联合国环境署、联     

我国的综合国力与国际竞争力

综合国力是主权国家在政治、经济、军事、科技、教育等诸多领域的现实力量和潜在力量的总和。它是反映国家盛衰、强弱的战略性指标。一个国家的国际地位及其处理和解决国际事务的能力主要就是看它的综合国力。当今世界，国家间的经济摩擦、外交斗争和军事对抗等，归根到底，也都是综合国力的竞争。     

航拍图像跨数据域特征迁移道路提取方法

针对传统道路提取方法应用于新数据泛化能力不足的问题,研究了通过特征迁移和编解码网络实现跨数据域的道路提取方法。首先,构建了基于编解码网络的道路提取基本模型,用于实现单一数据来源的道路提取任务。然后,基于道路提取网络结构和循环一致性原则,提出了用于跨数据域图像特征迁移的循环生成对抗网络,使目标域图像映射入源域特征空间。使用预训练的道路提取模型处理特征迁移后的目标域图像,即可实现跨数据域道路提取任务。试验结果表明,本文所提方法能够拓展道路提取网络的泛化能力,准确有效地提取跨数据域图像中的道路目标。相较于未特征迁移的结果,本文所提方法大幅改善了道路提取指标,使得F1提升了50%以上。本文方法不需要目标域的标注信息,也不需要对道路提取网络进行微调训练,而只需训练由目标域向源域的特征迁移模型,所耗时间和人力成本较低,因而具有良好的应用价值。     

基于生成对抗网络和卫星数据的云图临近预报北大核心CSCD

利用风云四号气象卫星A星(FY-4A)红外云图,基于生成对抗网络方法,提出了红外云图外推预报模型,实现了华东区域未来3 h的云图预报,预报的时空分辨率分别为1 h和4 km。结果表明:该外推模型预报的云图可较好描述云团移动、发展和减弱趋势,对研究区域内云团的强度、位置和形态得到较为理想的预报效果。为了验证提出的云图外推模型的有效性,将其与光流法和轨迹门控循环单元模型进行比较。对比试验结果表明:该云图外推模型具有最优的预报效果,说明使用生成对抗网络进行云图外推具有较好的可行性,能有效应用于气象业务中监测云团的生消和移动并提前预警灾害性天气的发生,为天气预报提供重要的参考依据。     

增强型遥感影像SRGAN算法及其在三维重建精度提升中的应用

遥感影像是地形测绘、三维重建等任务的主要数据源之一,分辨率影响着被测目标在影像上的表示能力,对后期三维模型的定位精度及重建效果起着重要作用。针对遥感影像像幅较大且目标特征表现复杂、细节丰富的特点,结合实景三维模型重建的需求,提出了一种增强型遥感影像SRGAN算法。克服了传统方法进行超分重建时易出现边缘效应、产生模糊重建的情况,改进了简单卷积网络仅能提取影像中较为浅层的特征信息,无法在提高分辨率的同时保留影像丰富细节的局限。本文所提算法在生成模型中使用密集剩余残差块进行深层特征提取,在判别模型中引入多尺度判别思想,从而保证遥感影像重建时特征纹理、细节信息、高频目标的完整与精确。实验构建不同时间、不同类型区域的遥感影像数据集,在此基础上将本文算法与Bicubic、SRGAN、ESRGAN算法进行对比分析,在超分重建中PSNR较对比算法提升约3个单位,渗透指数PI更趋向且稳定于1,SSIM与清晰度指标Q同样得到较好改善;在三维重建中影像密集匹配点数量得到提升,同时误差减少,模型精细程度和定位精度得到提高。结果表明,本文算法适用于遥感影像超分辨率重建问题,并在实景三维模型重建中对精度的提升表现较好。     

基于深度学习的地层沉积正演模拟代理模型构建与应用

地层沉积正演模拟方法能更真实地刻画地下地质体的分布规律,比传统的基于地质统计学的建模更有优势,但是条件化难度大,使其应用在实际油藏地质建模时面临较大挑战。地层沉积反演模拟提高了该方法的实用性,基于模拟结果与观测数据定量比较,地层沉积反演模拟在全局优化算法的驱动下不断修正地层沉积正演模拟输入参数,使模拟结果与观测数据吻合度达到最佳。由于反演系统优化参数多,非线性极强,收敛难度大,需要的迭代次数多,单次正演模拟耗时长,导致该方法效率较低。地层沉积反演模拟和深度学习算法中的生成对抗网络相结合,提出了构建地层沉积正演模拟代理模型的方法。以大量的碳酸盐岩地层沉积模拟的合成模型作为样本,通过神经网络训练,形成地层正演模拟器的代理模型,然后将其代入地层沉积反演模拟系统,避免了直接地层正演模拟的长耗时,加快了反演模拟的收敛速度。通过巴哈马西缘碳酸盐岩地层沉积模拟验证了该方法的可行性,采用学习后的生成网络进行沉积反演模拟,反演效率得到了大幅提升。尽管本文展示的是二维实例,也有望扩展应用在三维模型上。     

基于渐进式网络处理的低剂量Micro-CT成像方法

微米级计算机断层扫描（Micro-CT）的应用领域很广泛,在生物医学、材料科学等都有研究,而且最近几年的发展很迅速。Micro-CT图像常因辐射剂量的限制而出现噪声,所以开发一种合适的算法来抑制Micro-CT图像中噪声变得很重要。Micro-CT图像的噪声水平与扫描样本、扫描参数等参数有关,合适的噪声抑制算法应该在不同噪声水平下都有不错的性能。过去Micro-CT图像的噪声抑制算法主要是迭代重建算法,但迭代重建算法速度比较慢。深度学习方法作为近些年比较热门的图像处理方法,在临床低剂量CT图像处理上相比于传统方法效果更好、处理速度更快,有进一步在低剂量Micro-CT图像处理中应用的潜力。另外,生成对抗网络在保持图像细节上有着比卷积神经网络更好的效果,本文构建普通卷积神经网络与生成对抗网络,用于对比两者的性能差异。限制于放射源的功率,低噪声的Micro-CT数据难以获取,提出一种创新的扫描方式,可有效获取低噪声的Micro-CT数据,并对实验小鼠的进行了扫描。针对低剂量Micro-CT中较高的噪声,结合Micro-CT的成像原理,提出渐进式的低剂量Micro-CT图像处理方法,分别在解析重建前后对小鼠的Micro-CT图像进行两次处理。相比于只在断层图像上处理,渐进式方法对高噪声数据的处理效果更好。从客观指标与主观视觉效果上,分析和对比了渐进式方法与其他深度学习方法或迭代重建算法的差别。定量分析不同噪声水平下的Micro-CT图像的处理效果,分析生成对抗网络在渐进式Micro-CT图像处理中的优势与限制。渐进式Micro-CT图像处理方法生成的图像质量高、生成速度快、鲁棒性高、客观指标高,可以对进一步的高级应用如图像分割、图像三维可视化等提供帮助。      

面向高光谱影像分类的生成式对抗网络

为了提高高光谱影像分类精度,提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成,其中生成器用于模拟高光谱样本的数据分布,生成特定类别的样本;判别器是一个二值分类器,用于判断输入的样本是否为真实数据;分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小,从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器,因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验,试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。