【技术实现步骤摘要】
本专利技术属于深度学习与智能交通行业相结合领域，具体涉及一种基于迁移学习的智能交通车辆安全检测方法及系统。
技术介绍
1、随着城市交通的不断发展，城市交通车辆和轨道交通的智能化水平不断提高，智能交通搭载的各种传感器和网络通信设备也变得更加复杂。现代智能交通设备连接的复杂性也对城市交通的安全构成了重大威胁。尤其是来自物联网的入侵攻击对智能交通安全构成普遍威胁，可能导致交通车辆失控、危及乘客安全，甚至导致整个智能交通系统瘫痪，造成不可估量的损失。智能交通车载网络固有的脆弱性，例如控制器局域网协议缺乏安全特性、安全机制不完善、数据完整性、认证和加密方面的缺陷，迫切需要建立高效、稳定的智能交通车辆安全检测系统。
2、近年来，深度学习技术在安全检测系统中取得了巨大的成功。研究人员采用堆叠门控循环单元模型以及基于生成对抗网络的方法进行智能交通安全检测，取得了一定的成果，但这些模型在实时安全检测能力上存在局限性。同时，现有模型忽视了安全攻击固有的时间规律性，导致数据中时间序列特征的遗漏和实时安全检测能力不足。
本文档来自技高网...
【技术保护点】
1.一种基于迁移学习的智能交通车辆安全检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于迁移学习的智能交通车辆安全检测方法，其特征在于，所述S1中，对智能交通数据集Car Hacking进行数据预处理的方法包括：
3.根据权利要求1所述的基于迁移学习的智能交通车辆安全检测方法，其特征在于，所述S2中，利用所述时序特征以及攻击特征，对基于Transformer多类型神经网络构建的智能交通车辆安全检测模型进行训练的方法包括：
4.根据权利要求3所述的基于迁移学习的智能交通车辆安全检测方法，其特征在于，使用sin和cos函...
【技术特征摘要】
1.一种基于迁移学习的智能交通车辆安全检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于迁移学习的智能交通车辆安全检测方法，其特征在于，所述s1中，对智能交通数据集car hacking进行数据预处理的方法包括：
3.根据权利要求1所述的基于迁移学习的智能交通车辆安全检测方法，其特征在于，所述s2中，利用所述时序特征以及攻击特征，对基于transformer多类型神经网络构建的智能交通车辆安全检测模型进行训练的方法包括：
4.根据权利要求3所述的基于迁移学习的智能交通车辆安全检测方法，其特征在于，使用sin和cos函数进行线性变换的方法包括：
5.根据权利要求3所述的基于迁移学习的智能交通车辆安全检测方法，其特征在于，所述多头注意力层把注意力模块分为8个头，将输入序列的每个元素与其他元素进行交互；具体的：首先，将输入序列的编码向量通过一个线性变换映射到一个高维空间，...
【专利技术属性】
技术研发人员：官全龙，张天，黄秀姐，刘志全，方良达，赵山程，何毅舟，杜翠凤，蒋仕宝，巩治国，
申请(专利权)人：暨南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。