改进K-Means聚类算法及其在视觉词典构造中的应用

K-Means聚类是视觉词典构造的常用方法,其聚类结果直接影响后续的特征量化效果和检索精度,而现有的K-Means聚类算法难以获得高质量的视觉词典。针对这种情况,提出局部化K-Means聚类算法。算法首先根据启发式原则将特征集划分成若干个独立的子集,并对各子集进行传统K-Means聚类,然后以各子集的聚类中心为对象进行加权K-Means聚类。上述过程不断迭代直至形成特定规模的视觉词典。实验结果表明,与现有算法相比,该算法提高了聚类质量。在SIFT特征集和标准数据集上进行的多组对比实验证明了该算法的有效性。     

两个基于智能卡口令认证方案的改进

对两个基于智能卡的口令认证方案的安全性进行分析。发现除了薛锋等人针对这两个方案指出的安全性缺陷外,其中一认证方案在口令更改阶段也存在设计缺陷。同时,两个方案都不能抵御劫取连接攻击。在以上基础上,分别对两个方案进行了改进,改进后的方案分别采取散列函数和双线性对计算来抵御劫取连接攻击,同时克服了协议中存在的安全性问题。通过理论分析证明可以有效地抵御Do S攻击、DDo S攻击、内部攻击和离线猜测攻击。提高了原方案的安全性。     

一种新的基于复合混沌的彩色图像加密方案

为了提高图像加密的安全性和抗攻击能力,提出一种基于新的一阶映射和六维超混沌映射的彩色图像加密方法。图像加密的本质是置乱和扩散像素,新的一阶混沌映射把彩色图像的每个分量的像素都进行置乱和扩散,六阶超混沌映射对彩色图像进行混合扩散。实验结果和安全性分析表明,该加密方案有一个较好的加密效果,有更大的密钥空间,并且能够抵制常见的攻击。因此,该加密方案能被应用在通信安全领域来确保图像传输的安全性。     

一种改进的超轻量级RFID认证协议

针对当前超轻量级RFID认证协议中存在的安全缺陷,提出一种改进的超轻量级RFID双向认证协议。通过引入新的函数,使消息之间的数学关联性更加复杂,避免了泄露标签标识符,提高了阅读器和标签在开放环境中通信的保密性。对该协议的安全性和效率进行分析,并利用OPNET软件对该协议仿真实验,结果表明,该协议能抵抗代数攻击,重传攻击,假冒攻击等多种常见恶意攻击,在同等计算量下具有更高的安全性,可用于实际的移动身份认证环境。     

非确定型离散事件系统双模拟控制的实现

近年来,双模拟等价关系与离散事件系统监控理论相结合的研究引起了国内外许多学者的广泛关注.本文针对作者在前期工作中提出的非确定型离散事件系统的双模拟控制机制,进一步探讨其实现问题.利用投影映射对系统规范说明语言进行等价类划分,构造了一棵计算树,得到了一个判断规范说明是否具有基于模拟关系可观性的多项式算法,证明了双模拟控制机制是多项式时间算法可实现的.同时,通过对控制器配备具有存储和判断功能的模拟关系识别器,阐述了这种双模拟控制机制是物理可实现的.     

制造物联网中高吞吐率复杂事件检测技术研究

复杂事件处理能非常有效地检测到事件流中有价值的模式,高吞吐率意味着单位时间内获取更多有价值的信息.为复杂事件处理提出一种提高吞吐率的查询技术,通过聚集活动实例栈中的连接,并批量执行序列构造,减少了相同连接的遍历,降低了序列构造处理的运行频率,从而提高了复杂事件处理的吞吐率.仿真实验表明:提出的方案相比于SASE提出的传统方案,吞吐率有数倍的提升.     

基于计算机视觉的焊点缺陷检测系统的设计

在点焊机的焊接生产线上,由于焊接工艺的不成熟,往往会导致虚焊、漏焊、焊穿等现象,会极大地影响产品的使用寿命、美观等,需要对其进行质量检测.针对传统检测方法的低效率,提出采用机器视觉的方法来对焊点进行检测,并给出一种图像处理方法:对图像进行平滑处理,然后使用Otsu方法对图像进行阈值分割,并对得到的图像做倒三角距离变换,将像素点信息转化为灰度信息,采用分水岭算法准确地分割出焊点,最后通过面积等特征计算对焊点缺陷进行分类.实验证明,该方法较传统的检测方法,能有效地检测出多种不同排列的焊点,提高了工业生产效率.     

基于FNN的轮式机器人路径跟踪研究

针对目前轮式机器人在路径跟踪时容易出现的偏离期望路径甚至打滑、侧翻失去控制等问题,对轮式机器人结构及其路径跟踪特点进行了分析,构建了轮式机器人运动学模型,设计了一种基于模糊神经网络(FNN)的行进路线和行驶速度分级控制的路径跟踪方法.第一级中模糊神经网络利用机器人位姿信息确定行进路线即转弯半径,第二级根据前方路径情况和转弯半径调节机器人行驶的角速度和线速度.仿真实验表明,所设计的模糊神经网络能够对所期望的路径进行快速准确地拟合,且鲁棒性强;轮式机器人路径跟踪过程稳定,不会出现失控现象.     

基于多尺度时间递归神经网络的人群异常检测

如何在人群密度大、变化快、存在大量遮挡的密集场景中实现可靠的人群事件检测,是领域研究的难点和热点.在密集场景时空建模的基础上提出了一种基于多尺度时间递归神经网络的人群异常事件检测和定位方法.首先对人群场景进行网格化划分,并利用多尺度光流直方图对每个网格的人群动态进行刻画;然后,连接各个局部的人群动态获得整体的人群动态,实现整体人群动态的时间序列建模;最后,利用多尺度时间递归神经网络实现异常事件的检测和定位.其中,多尺度隐含层实现了密集场景中不同规模相邻网格之间的空间联系,节点间的反馈关系则为时间维度上的关系表达提供了有效方案.与多种代表性算法的对比实验,验证了本方法的有效性.     

NLOS环境下的车辆位置信息协作式获取和验证方法

车载网VANETs中网络服务和应用需不断交互车辆的位置信息,而节点之间的障碍物使两车间产生非视线距离NLOS(nonline of sight),同时也阻碍位置信息的交互.针对如何获取车辆可靠的位置信息,提出了一种位置信息协作式获取方法.首先在假设条件成立的情况下,建立车辆协作式位置信息获取模型,同时基于三角算法获取车辆位置信息;其次,设计协议算法对所获得的信息结合距离计算进行二次完整性验证;最后用仿真软件对所提出的位置信息获取和验证的算法分析,从感知率、信道利用率、发送成功率和响应时间等指标对算法进行了评价.仿真结果表明,NLOS环境下的车辆位置信息协作式获取和验证方法有利于维护NLOS环境下定位服务准确性,能够对所获取的信息进行正确性判断,有一定的借鉴价值.