随着信息物理系统(Cyber-Physical System,CPS)的广泛应用,很多恶意攻击者都将注意力转移到了CPS上.针对存在虚假数据注入(False Data Injection,FDI)攻击的信息物理系统,从控制理论角度入手,以非合作博弈的二人零和博弈为基础设计H∞鲁棒控制方法,将控制器和攻击信号分别视为博弈双方参与者,通过寻找二人零和博弈的纳什均衡点从而保证最坏攻击情况下系统的稳定运行.在此基础上,提出了一种无模型Q-学习算法,在不需要系统动力学信息的情况下在线学习最优控制策略.最后进行了仿真实验,验证所提方法的有效性.
考虑目前对具有透视畸变的高密度人群图像进行特征提取的局限性,提出了一种融合全局特征感知网络(GFPNet)和局部关联性特征感知网络(LAFPNet)的人群计数模型LMCNN。GFPNet是LMCNN的主干网络,将其输出的特征图进一步序列化并作为LAFPNet的输入,再利用循环神经网络(RNN)在时序维度上对局部关联性特征感知的特点将单一的空间静态特征映射到具有局部序列关联性特征的特征空间,从而有效地削减了透视畸变对人群密度估计造成的影响。为了验证所提模型的有效性,在Shanghaitech Part A子集和UCF_CC_50数据集上与原子卷积空间金字塔网络(ACSPNet)进行对比,结果表明所提模型的平均绝对误差(MAE)分别至少减小了18.7%和20.30%,均方误差(MSE)分别至少减小了22.3%和22.6%。LMCNN注重空间维度上前后特征的相关性,通过对空间维度特征与单图像内序列特征的充分融合,减小了由透视畸变引起的人群计数误差,能更加准确地预测密集区域人数,提高人群密度回归精度。
