• 基于PSO优化VIC算法的WORM蠕虫检测matlab仿真

    目录

    一、理论基础

    二、案例背景

    1.问题描述

    2.思路流程

    三、部分MATLAB程序

    四、仿真结论分析

    五、算法相关应用

    六、参考文献

    一、理论基础

    根据参考文献：

     初始条件

    计算曲率

    角度的计算公式 

         

    那么对于坐标点，其满足如下的计算公式，

    二、案例背景

    1.问题描述

           给定一组初始值，构造出虚拟图。初始值就是如下图图一 x0, y0, θ(0)那行，给出曲线的初始点和初始角度，构造出曲线。曲线中的current point x的坐标可以由θ（s）求出，θ（s）可以由初始值求出。 如下图一所示 K（s）是一条曲线的曲率，用傅里叶级数表达然后求出角θ（s），这样，这条曲线就被描绘出来了，然后用这条曲线构造一个virtual object，如图二所示。 这个object 是曲线以半径r外扩得到的长条形曲面，如图所示。

    2.思路流程

          本课题我们主要通过VIC算法检测得到曲线的中线，然后根据这个中线进行扩展，得到光滑曲线体，本课题的这个研究过程和实际的蠕虫建模方法非常的接近，这是由于光滑曲线体和蠕虫的建模，他们都是通过中线检测进行的。此外，本课题还对传统的VIC算法进行了改进，通过使用PSO粒子群优化算法，从而大大提供的光滑曲线的建模精度。

          通过PSO粒子群优化算法，对原有的VIC算法进行参数进行优化，从而得到更高精度的虚拟曲线的建模。通过仿真对比可知，采用优化算法之后的虚拟曲线，其精度比原算法的精度提高了10倍以上。

    三、部分MATLAB程序

    VIC算法部分：

    1. function I2 = func_Virtual_Image(X,Y,X_img,Y_img,L,Ls,r,theta);
    2.  
    3. %然后用这条曲线构造一个virtual object，如图二所示。 这个object 是曲线以半径r外扩得到的长条形曲面，如图所示。
    4. %进行扩展
    5. I2 = 50*ones(L,L);
    6.     
    7. for kk = 1:r
    8.  
    9.     X1  = zeros(L/Ls,1);
    10.     Y1  = zeros(L/Ls,1);
    11.     X2  = zeros(L/Ls,1);
    12.     Y2  = zeros(L/Ls,1);
    13.  
    14.     for i = 1:L/Ls
    15.         if mod(sum(theta(1:i)),180) < 0
    16.            X1(i) = X(i) + kk*cos(pi*theta(i)/180);
    17.            Y1(i) = Y(i) - kk*sin(pi*theta(i)/180);
    18.            X2(i) = X(i) - kk*cos(pi*theta(i)/180);
    19.            Y2(i) = Y(i) + kk*sin(pi*theta(i)/180);   
    20.         else
    21.            X1(i) = X(i) + kk*cos(pi/2 - pi*theta(i)/180);
    22.            Y1(i) = Y(i) - kk*sin(pi/2 - pi*theta(i)/180);
    23.            X2(i) = X(i) - kk*cos(pi/2 - pi*theta(i)/180);
    24.            Y2(i) = Y(i) + kk*sin(pi/2 - pi*theta(i)/180); 
    25.         end
    26.     end
    27.  
    28.     %将X和Y曲线变化为实际图像信息
    29.     for i = 1:L/Ls
    30.         Xp1(i) = floor(X1(i));
    31.         Yp1(i) = floor(Y1(i));
    32.         Xp2(i) = floor(X2(i));
    33.         Yp2(i) = floor(Y2(i));    
    34.     end
    35.  
    36.     X_img1 = L-Yp1;
    37.     Y_img1 = Xp1;
    38.     X_img2 = L-Yp2;
    39.     Y_img2 = Xp2;
    40.  
    41.  
    42.     for i = 1:L/Ls
    43.         I2(X_img(i),Y_img(i)) = 255;  
    44.         
    45.         if r==1
    46.            I2(X_img1(i),Y_img1(i)) = 255 - kk*120;  
    47.            I2(X_img2(i),Y_img2(i)) = 255 - kk*120;  
    48.         end
    49.         if r==2
    50.            I2(X_img1(i),Y_img1(i)) = 255 - kk*90;  
    51.            I2(X_img2(i),Y_img2(i)) = 255 - kk*90;  
    52.         end        
    53.         if r==3
    54.            I2(X_img1(i),Y_img1(i)) = 255 - kk*80;  
    55.            I2(X_img2(i),Y_img2(i)) = 255 - kk*80;  
    56.         end        
    57.         if r==4
    58.            I2(X_img1(i),Y_img1(i)) = 255 - kk*60;  
    59.            I2(X_img2(i),Y_img2(i)) = 255 - kk*60;  
    60.         end        
    61.         if r==5
    62.            I2(X_img1(i),Y_img1(i)) = 255 - kk*50;  
    63.            I2(X_img2(i),Y_img2(i)) = 255 - kk*50;  
    64.         end          
    65.         if r==6
    66.            I2(X_img1(i),Y_img1(i)) = 255 - kk*40;  
    67.            I2(X_img2(i),Y_img2(i)) = 255 - kk*40;  
    68.         end         
    69.         if r==7
    70.            I2(X_img1(i),Y_img1(i)) = 255 - kk*35;  
    71.            I2(X_img2(i),Y_img2(i)) = 255 - kk*35;  
    72.         end         
    73.         if r==8
    74.            I2(X_img1(i),Y_img1(i)) = 255 - kk*30;  
    75.            I2(X_img2(i),Y_img2(i)) = 255 - kk*30;  
    76.         end         
    77.         
    78.         if r==9
    79.            I2(X_img1(i),Y_img1(i)) = 255 - kk*25;  
    80.            I2(X_img2(i),Y_img2(i)) = 255 - kk*25;  
    81.         end
    82.         if r==10
    83.            I2(X_img1(i),Y_img1(i)) = 255 - kk*25;  
    84.            I2(X_img2(i),Y_img2(i)) = 255 - kk*25;  
    85.         end        
    86.         if r==11
    87.            I2(X_img1(i),Y_img1(i)) = 255 - kk*23;  
    88.            I2(X_img2(i),Y_img2(i)) = 255 - kk*23;  
    89.         end        
    90.         if r==12
    91.            I2(X_img1(i),Y_img1(i)) = 255 - kk*21;  
    92.            I2(X_img2(i),Y_img2(i)) = 255 - kk*21;  
    93.         end        
    94.         if r==13
    95.            I2(X_img1(i),Y_img1(i)) = 255 - kk*19;  
    96.            I2(X_img2(i),Y_img2(i)) = 255 - kk*19;  
    97.         end          
    98.         if r==14
    99.            I2(X_img1(i),Y_img1(i)) = 255 - kk*18;  
    100.            I2(X_img2(i),Y_img2(i)) = 255 - kk*18;  
    101.         end         
    102.         if r==15
    103.            I2(X_img1(i),Y_img1(i)) = 255 - kk*17;  
    104.            I2(X_img2(i),Y_img2(i)) = 255 - kk*17;  
    105.         end         
    106.         if r==16
    107.            I2(X_img1(i),Y_img1(i)) = 255 - kk*16;  
    108.            I2(X_img2(i),Y_img2(i)) = 255 - kk*16;  
    109.         end        
    110.         
    111.         
    112.         
    113.         
    114.     end
    115.     
    116. end
    117.  
    118. I2 = medfilt2(I2,[5,5]);
    119.

    PSO优化：

    1. while iter
    2.       iter=iter+1;
    3.       for i=1:N
    4.             alpha(1) = X(1,i);
    5.             alpha(2) = X(2,i);
    6.             alpha(3) = X(3,i);
    7.             V_score  = func_cal_score(alpha,L,m,Theta,Ls,Xt,Yt,r,I2);
    8.             J=1/(1+(V_score));
    9.             if J>fpbest(i)
    10.                 fpbest(i)   = J;
    11.                 Xpbest(:,i) = X(:,i);
    12.             end 
    13.       end
    14.       [fitnessmax,index]=max(fpbest);
    15.       if fitnessmax>fgbest
    16.          fgbest=fitnessmax;
    17.          Xgbest=X(:,index);
    18.       end
    19.       for i=1:N
    20.           r1    = rand; 
    21.           r2    = rand;
    22.           fai1   = C1*r1;
    23.           fai2   = C2*r2;  
    24.           V(:,i)  = w(iter) * V(:,i) +fai1 *( Xpbest(:,i) - X(:,i) ) +
    25. fai2 * ( Xgbest(:,1) - X(:,i) );
    26.           index  = find(abs(V(:,i))>Vmax);
    27.           if(any(index))
    28.              V(index,i) = V(index,i)./abs(V(index,i)).*Vmax;
    29.           end
    30.           X(:,i) = X(:,i)+V(:,i);
    31.       end
    32.       fgbest_fig(iter)  = fgbest;
    33.       Xgbest_fig(:,iter) = Xgbest;  
    34.       alpha(1)        = Xgbest_fig(1,iter);
    35.       alpha(2)        = Xgbest_fig(2,iter);
    36.       alpha(3)        = Xgbest_fig(3,iter);
    37.       V_scores       = func_cal_score(alpha,L,m,Theta,Ls,Xt,Yt,r,I2);      
    38.       V_score2(iter)   = V_scores;   
    39. end

    VIC算法的主程序调用：

    1. ............................
    2.  
    3. %然后用这条曲线构造一个virtual object，如图二所示。 这个object 是曲线以半径r外扩得到的长条形曲面，如图所示。
    4. %进行扩展
    5. X1  = zeros(L/Ls,1);
    6. Y1  = zeros(L/Ls,1);
    7. X2  = zeros(L/Ls,1);
    8. Y2  = zeros(L/Ls,1);
    9.  
    10. for i = 1:L/Ls
    11.     if mod(sum(theta(1:i)),180) < 0
    12.        X1(i) = X(i) + r*cos(pi*theta(i)/180);
    13.        Y1(i) = Y(i) - r*sin(pi*theta(i)/180);
    14.        X2(i) = X(i) - r*cos(pi*theta(i)/180);
    15.        Y2(i) = Y(i) + r*sin(pi*theta(i)/180);   
    16.     else
    17.        X1(i) = X(i) + r*cos(pi/2 - pi*theta(i)/180);
    18.        Y1(i) = Y(i) - r*sin(pi/2 - pi*theta(i)/180);
    19.        X2(i) = X(i) - r*cos(pi/2 - pi*theta(i)/180);
    20.        Y2(i) = Y(i) + r*sin(pi/2 - pi*theta(i)/180); 
    21.     end
    22. end
    23.  
    24.  
    25. if Ls == 1
    26.    figure;
    27.    subplot(121)
    28.    plot(X,Y,'b');hold on;
    29.    plot(X,Y,'k.');hold on;
    30.    plot(X1,Y1,'r');hold on;
    31.    plot(X2,Y2,'r');hold on;
    32.    for i = 1:length(X)
    33.        line([X2(i),X1(i)],[Y2(i),Y1(i)],'Color',[1 0 1]);hold on;
    34.    end
    35.    title('virtual object');
    36.    grid on
    37.    axis square
    38.    axis([0,L,0,L]);
    39. else
    40.    figure;
    41.    plot(X,Y,'b');hold on;
    42.    plot(X,Y,'k.');hold on;
    43.    plot(X1,Y1,'r');hold on;
    44.    plot(X2,Y2,'r');hold on;
    45.    for i = 1:length(X)
    46.        line([X2(i),X1(i)],[Y2(i),Y1(i)],'Color',[1 0 1]);hold on;
    47.    end
    48.    title('virtual object');
    49.    grid on
    50.    axis square
    51.    axis([0,L,0,L]);   
    52. end
    53.  
    54.  
    55.  
    56.  
    57. %产生虚拟图像
    58. %将X和Y曲线变化为实际图像信息
    59. I2 = func_Virtual_Image(X,Y,X_img,Y_img,L,Ls,r,theta);
    60. if Ls == 1
    61.    subplot(122)
    62.    imshow(I2,[])
    63.    title('被描绘出来的曲线');
    64.    axis square
    65. end
    66.  
    67.

    四、仿真结论分析

     

     

        从上面的仿真结果可知，通过粒子群优化之后，系统的Score值不断逼近0，这说明通过粒子群优化之后，得到的光滑曲线值的精度达到了最大值。从左图可知，当系统的优化达到优化预期时，系统的最佳适应度值达到最佳值，接近1。

     

        从上图的仿真结果可知，当优化之后，系统的仿真参数达到收敛预期。最后输出的参数值，就可以使系统的曲线建模达到最高精度。

    五、算法相关应用

          通过所研究的VIC算法，可以有效检测输出医学上的蠕虫检测，从而提高医学诊断等目标 。

    六、参考文献

    [1] Semin B ,  Auradou H ,  Francois M . Curvilinear shapes by Virtual Image Correlation[J]. Europhysics News, 2011, 42(6):p.17-18.A10-10&12

  • 相关阅读:
    字字珠玑！GitHub爆赞的网络协议手册，被华为大佬指定内部必学？
    【Java并发编程六】多线程越界问题
    国产香氛品牌别样的生意经
    spring cache (Redis方式)
    【疑难攻关】——XXE漏洞快速入门
    docker报错问题解决：Error Invalid or corrupt jarfile app.jar
    光源基础（2）——光的强度、波长、颜色合成与互补关系
    Eclipse里 ant 打包 BUILD FAILED 总结
    简单HOOK流程
    十六、Webpack常见的插件和模式
  • 原文地址：https://blog.csdn.net/ccsss22/article/details/126026448