融合自动权重学习的深度子空间聚类

子空间聚类算法是一种面向高维数据的聚类方法,具有独特的数据自表示方式和较高的聚类精度。传统子空间聚类算法聚焦于对输入数据构建最优相似图再进行分割,导致聚类效果高度依赖于相似图学习。自适应近邻聚类（CAN）算法改进了相似图学习过程,根据数据间的距离自适应地分配最优邻居以构建相似图和聚类结构。然而,现有CAN算法在进行高维数据非线性聚类时,难以很好地捕获局部数据结构,从而导致聚类准确性及算法泛化能力有限。提出一种融合自动权重学习与结构化信息的深度子空间聚类算法。通过自编码器将数据映射到非线性潜在空间并降维,自适应地赋予潜在特征不同的权重从而处理噪声特征,最小化自编码器的重构误差以保留数据的局部结构信息。通过CAN方法学习相似图,在潜在表示下迭代地增强各特征间的相关性,从而保留数据的全局结构信息。实验结果表明,在ORL、COIL-20、UMIST数据集上该算法的准确率分别达到0.780 1、0.874 3、0.742 1,聚类性能优于LRR、LRSC、SSC、KSSC等算法。     

基于无线传感网的古建筑健康监测技术

针对如何利用信息技术有效保护古建筑,提出一种运用多维信息融合技术实现对古建筑的实时状态进行自动监测的传感器网络体系架构,包括物理感知层、网络传输层、服务分析层和管理决策层4个层次,并对体系中各层次的技术方案进行相应的设计。其中,为实现对古建筑的各项参数进行准确地采集、预处理和传输,设计古建筑监测无线传感网。另外,为便于监测数据的保存和分析,建立古建筑健康状态数据库。为更准确地判定古建筑现状的健康程度,为管理部门提供决策依据,提出结合多源信息融合理论和预测算法对古建筑健康状态进行深度分析的方法。该体系已应用在相关古建筑的实际监测中,可以充分体现其便捷、实用、可靠性高的优势。     

Google Web安全检测工具研究

Skipfish是Google 2010年推出的一款开源Web安全检测工具,与Nikto和Nessus等工具相比,skipfish使用递归抓取和基于字典的探针技术生成交互式目标网站地图,在性能上采用单线程复用技术、自定义的http堆栈和启发式行为分析等技术减少了网络探测流量,使其具有显著的速度优势.文章针对其源码,重点分析了其使用主要的数据结构、执行流程、多I/O异步机制和字典的使用,对于理解Skipfish软件架构和关键技术并以此为基础进行应用扩展和优化提供了有力的帮助.     

DES加密算法在秘密共享中的应用

秘密共享思想提出后,经过几十年的发展已经出现了很多不同方案、模型等。本文根据秘密共享的特性提出了一种基于对称密钥系统的秘密共享方案。该方案解决了一些秘密共享现有的问题的,尤其是可验证性。存储在密钥分发者的信息都是加密后的密文,因此,其抗攻击的强度就是使用的加密算法的强度。通过简单C＋＋程序实现这一方案。对方案的可行性进行分析。     

云计算环境下取证技术研究

云计算的快速发展,不仅带来了巨大的经济收益,同时还伴随着大量的犯罪活动。这对电子取证专业人员带了巨大的挑战。文章针对云取证遇到的问题和取证技术进行研究,首先分析了云计算环境下的安全风险、取证面临的问题和电子数据的来源,然后给出云取证流程,最后从法律和技术两个方面探讨了云取证。     

基于PCA的特征选择算法

在人脸识别的某些应用中,最好能够找到原始特征的关键子集,减少不必要的特征计算和资源耗费,而不是得到所有原始特征的映射.主成分分析法(Principal Components Analysis,PCA)是目前比较常用的人脸识别算法,PCA将人脸图像映射到能很好地表征训练图像集的特征脸空间中,但是基于PCA的人脸识别的缺陷在于原始空间所有的特征都映射到了低维特征窄间中,是基于最佳描述性特征子集.提出了一种新的基于PCA的特征选择方法,将特征选择与特征抽取相结合,对特征脸空间再进行特征选择,选择人脸原始特征集中最关键的特征,并将其应用在基于PCA的人脸识别中.     

基于Agent和XML的普适计算上下文集成框架

普适计算是一种新的计算模式,目的是根据用户需要提供随时随地的服务.为实现这种服务,需要多种设备和软件平台的参与,而这些设备和平台提供的上下文往往是异构且冗余的,不利于上下文信息的访问.设计一个集成框架,以解决以上问题.方法是利用Agent采集底层上下文信息,并将其转换成各种应用程序或中间件能够理解的格式,屏蔽数据异构.在高层,采用Agent技术,并使用XML作为移动Agent通信语言,实现上下文信息的交流,完成上下文的高层集成,解除平台异构,从而简化应用程序的设计,更有效地支持普适服务.     

一种生长型自组织神经网络的聚类研究

自组织特征映射神经网络SOM(Self-Organizing Feature Maps)是一种优良的聚类工具,但其存在着一些限制,如需要预先定义网络大小、网络的收敛性较差和结构不灵活等.为了克服这些不足,在自组织神经网络理论的指导下,提出了一种基于生长型自组织神经网络的聚类方法.在无监督的情况下,该方法采用阈值控制的触发机制实现网络中神经元的生长和删除,并通过神经元权值的有效调整,以期得到数据对象的聚类结果.实验以二维空间中的数据对象为输入样本,验证了该方法的有效性和优越性.     

无线传感器网络中基于多属性决策的数据转发算法

如何在严格的能量约束下均衡传感器节点能耗、延长网络生存时间是无线传感器网络数据转发研究中的一个难题.利用多属性决策理论提出了一种基于多属性决策的数据转发(multiple attribute decision making based data forwarding, MadmDF)算法来解决该问题.MadmDF算法综合评价备选数据转发节点的属性信息,从中选择最优邻居节点进行数据转发,使网络数据流量得到了合理的分配,从而均衡了网络能耗,延长了网络生存时间.仿真结果表明该算法与同类数据转发算法相比具有一定优越性.     

面向无线多媒体传感器网络的移动Sink路径规划

对无线多媒体传感器网络中的数据采集问题进行了研究.现有的数据采集方式多采用静态Sink的方式,容易导致热区问题,并且受到网络连通性的限制,通信开销也较大.移动Sink可以部分避免这些问题.但是如果Sink的路径规划不合理,反而会加剧上述问题.对此进行了研究,并提出了一种移动Sink数据采集协议DCPD.DCPD首先根据节点的分布选取一批采集点,并使用量子遗传算法计算出经过这些点的最短回路,Sink即以此作为运动路线,沿着它进行数据采集.理论分析和仿真实验表明,DCPD不仅工作效率更高,采集的数据量也更多.