A DDOS Attack Traffic Classification Model for Industrial Internet Based on CNN-LSTM

Auxiliary diagnosis method for congenital heart disease based on multi-modality and double-branch dense residual network

“…The literature [21] used time-frequency domain combined features and artificial neural networks for recognition. The literature [22] extracts the second-order spectral components of the heart sound signal and performs heart sound classification with CNN-LSTM. The literature [23]…”

Класифікація Аварійних Ситуацій На Об'єкті Критичної Інфраструктури За Допомогою Машини Опорних Векторів

“…Аналіз останніх досліджень і публікацій у профільних виданнях, що були присвячені автоматизації процедури класифікації аварійних ситуацій на об'єктах критичної інфраструктури вказав на переваги алгоритмів, що базуються на математичних моделях та методах машинного навчання [1][2][3][4][5][6][7][8][9][10][11][12]. Зокрема, було розглянуто методи на основі кластеризації, що відповідно поставленого завдання використовуються для групування подібних за параметрами даних, що надає можливість сформувати відповідну структуру множин і підмножини даних, які мають спільні показники [1][2][3][4].…”

“…Також при побудові класифікатора широко використовуються ймовірнісні моделі, зокрема, байєсівські методи [5][6][7][8], переваги яких полягають у визначенні ймовірності наявності аномалій та їх взаємодії, ефективній роботі з неповними наборами вхідних даних та малими вибірками, робастності до розподілу шуму, контролем над перенавчанням, а також організацією паралельних обчислень, що дозволяє прискорити процедуру машинного аналізу для багатоядерних архітектур. Крім того при вирішені завдання класифікації даних моніторингу об'єкта критичної інфраструктури високу ефективність показують методи на основі нейронних мереж, зокрема згорткової нейромережевої архітектури (Convolutional Neural Networks, CNN) та рекурентної нейромережевої архітектури (Recurrent Neural Networks, RNN), організованої у відповідності до моделі довгої короткочасної пам'яті (Long Short-Term Memory, LSTM), які застосовуються при обробці великих об'ємів даних для виявлення високорівневих ознак і складних паттернів [9][10][11][12]. Часто окрема практична задача вимагає 694 комплексного підходу на основі ансамблевих методів, що додатково збільшує точність класифікації [13][14][15][16], але водночас збільшує навантаження на обчислювальний ресурс апаратно-програмного комплексу та у ряді випадків унеможливлює роботу у режимі реального часу.…”