基于AC_QS多模式匹配算法的优化研究

随着互联网的日益强大,互联网上数据急剧增多,如何在海量的数据中快速准确地找到所需信息,就显得尤为重要,这就需要多模式串匹配算法.多模式串匹配算法在越来越多的领域里都有应用,比如:信息安全领域中,入侵检测系统、防火墙等,在医学领域、数据挖掘、信息检索等等领域中均有广泛的应用.AC算法在多模式串匹配算法中是一个能达到线性时间的算法,其算法效率较高,AC QS算法是在AC算法基础上增加坏字符规则,进一步增加了AC算法的匹配效率,但其空间复杂度较高.本文在AC QS算法的基础上,对算法预处理和匹配过程中继续优化,并对字典树存储时进行了优化,使算法在空间和时间复杂度上得到进一步优化,提高了算法性能.实验结果也验证了该算法的高效性.     

一种面向入侵检测的改进AC算法

在研究入侵检测系统中AC算法应用3的基础上,提出一种改进的AC算法--双重压缩AC算法.在算法中设计了新的AC状态自动机存储空间压缩方法,并给出与之对应的匹配流程.在Snort中进行测试,测试结果显示双重压缩AC算法的空间和时间性能比基本AC算法分别提升了52.2%和73.5%.     

一种改进型V＆V算法

V&V算法是一种经典的开环载波相住估计算法,在突发数据通信中应用广泛.针对该算法存在相位模糊抖动问题,提出了一种改进型的V&V算法.仿真结果表明该算法不仅可以消除原算法中遇到的相位模糊抖动问题,同时还可以在相同估计精度的条件下将时延缩短一半,而且算法实现比较简单.该算法适用于要求载波相位估计时延很短的突发通信.     

基于遗传算法的NoC路径分配算法

在片上网络中实现通信流明确的应用,通常在编译过程中静态分配路径资源,并把路径分配算法嵌入到映射算法中综合考虑.针对现有基于遗传算法的片上网络路径分配算法,引入了一种完整路径均匀交叉算子,来改善现有算法中路径交叉不充分的问题.实验结果显示:使用新算子的路径分配算法优化了现有算法的结果,减少了计算时间.     

多种AI算法在新冠疫情文本情绪识别中的实践

本文设计算法对疫情相关的微博内容进行情绪识别,判断内容是积极的、消极的还是中性的.以识别准确率为评价指标,使用机器学习、深度学习等多种AI算法进行实践,并分别进行模型调优.通过实验表明:相比传统机器学习算法,深度学习算法在疫情相关文本情感分类任务中具有较为明显的优势.在机器学习算法中,TfidfVectorizer在文本特征提取上优于CountVectorizer,Lightgbm集成算法的实际效果优于朴素贝叶斯.在深度学习算法中,使用BERT预训练的Embedding实际效果优于Word2VecEmbedding.     

改进的自适应去振铃滤波算法及其硬件实现

在现有去振铃滤波算法的基础上,提出了一种改进的简单易行的自适应去振铃滤波算法.在算法中,首先对图像进行边界检测,然后根据结果,对图像采取不同的窗滤波方式达到自适应滤波的效果.在本算法中,考虑了人类视觉系统的特性;同时兼顾算法硬件可实现性.在保证滤波效果的前提下,以较小的硬件代价实现了算法.     

多元LDPC码串行译码算法在光纤通信中的应用

将串行BP译码算法用在多元LDPC码中,降低了在光纤传输系统中的译码延时.详细介绍了在多元LDPC码中的串行BP译码算法和光纤通信系统的仿真模型.给出了在采用串行BP算法的LDPC译码器中,译码最大迭代数量对译码性能的影响,比较了采用传统的BP算法扣串行BP算法时LDPC译码器的性能.结果表明,采用串行BP算法确实能够提升LDPC译码器的收敛速度.     

基于灰度投影和块匹配相结合的稳像算法

在视频稳像过程中为兼顾算法的精度与效率,本文通过分析稳像的原理及目前常用的几种算法,提出了一种基于灰度投影和块匹配相结合的匹配策略.首先运用灰度投影算法来缩小块匹配的待匹配区域,然后运用块匹配算法进行运动估计与补偿.在此过程中,充分地体现了灰度投影算法运算量小以及块匹配算法精度高的特点.实验结果表明在保持块匹配算法优势的同时降低了算法的运算复杂度.     

一种K-MEANS算法在网络异常检测中的应用

在研究K-MEANS算法和网络入侵的基础上将一种已知聚类中心的K-MEANS聚类算法用于网络的异常检测中.该算法避免了由于传统聚类算法随机选取初始聚类中心而带来的网络异常检测中检测率低的问题.在实例中验证了该算法的可行性和优越性.结果表明该算法相对传统聚类算法在检测率方面有了很大提高,并且能通过无监督学习的方法来获得对新型攻击的检测.     

基于贪婪算法的系统级故障的概率诊断

概率诊断算法是系统级故障诊断研究的一个重要方面,本文在集团理论的基础上,利用贪婪算法中不同贪婪准则提出了四个概率诊断算法.通过对诊断算法进行仿真,分析比较了各算法的性能,每种算法在较少的测试数情况下,均表现出较高的诊断正确率,且时间复杂度不高.四种贪婪算法中贪婪算法一的性能最优,实验结果表明,相对于经典的概率诊断算法—Compete算法与Majority算法,相同条件下,在诊断正确率上贪婪算法一要远好于Majority算法,在时间复杂度上要好于Compete算法,综合性能上要优于此两种概率诊断算法.