一种水下无线传感器网络节点的三维部署算法

从水环境监测的应用需求出发,提出了水下空间节点三维部署的目标和约束条件.同时,为了解决在三层水下无线传感器网络结构模型下,节点稀疏部署后,网络存在的能耗不均衡问题,提出一种非均匀简单立方格节点部署算法.该算法结合节点水声通信能耗模型,通过增加各层节点数目和调整节点间通信距离来控制节点能耗.从网络的生存时间和网络的能量消耗两方面对算法进行了分析和仿真,结果表明:本算法可以在保证网络覆盖要求的前提下,控制节点部署的密度,均衡节点的能量消耗,延长网络寿命.     

不完备形式背景上的知识表示

不完备形式背景中包含有不确定性信息,其上的知识表示与完备形式背景上的知识表示既有区别又有联系.为了研究两者的内在联系,定义了偏小近似形式背景与偏大近似形式背景,以及偏小近似概念格与偏大近似概念格,提出了偏大近似概念格上粗糙概念的识别方法,研究了偏小近似概念格与偏大近似概念格之间的蕴含关系.结论表明,可以用偏大近似概念格来作为不完备形式背景的知识表示工具.     

格蕴涵代数的软LI-理想

借助软集合,提出了格蕴涵代数的软LI-理想的概念,研究了软集运算下的一些诸如交、且等基本性质,并给出了格蕴涵代数的软LI-理想的一些等价刻画。此外,研究了格蕴涵代数的软LI-理想与格蕴涵代数的软格理想之间的关系。得到了格蕴涵代数的软LI-理想像与原像的性质。     

双目系统全视域采样的SVM标定模型分析

目的 为改善摄像机间接标定采样不全、模型表达模糊问题,实现小视场下检测视域完备采样,提出一种基于双目系统全视域采样的支持向量机（SVM）标定方法。方法 该方法利用六角晶格标定板靶点序号可读特点为基础,采集整个双目系统有效视域中检测点的视差坐标、世界坐标并建立完备的样本集。选取SVM对该样本集进行训练,将SVM算法得到的模型参数代入其决策函数中进行求解,获得公式化的标定模型。由于六角晶格标定板的四角和中心分布了5个互为非中心对称的多边形,可在标定板部分区域被采集的情况下获取标定板位姿信息,进而读取采集的各靶点序号。通过上下移动标定板,利用HALCON算子获取图像中各靶点的序号,建立双目视觉系统检测区域的完备样本集。最后,利用SVM算法训练样本获得标定模型,可以明确表达出标定模型的数学形式。结果 与传统采样建立的模型进行对比分析,实验结果表明该方法建立模型的标定误差减小了24.51%,降低了标定模型在传统方法未采样区域的标定误差,证明了该方法的可行性。结论 提出一种基于双目系统全视域采样的支持向量机标定方法,通过非中心对称的多边形确定标定板上靶点的序号,实现双目视觉系统检测视域的完备采样。实验结果表明该方法提高了摄像机间接标定的精度,具有良好的适用性和鲁棒性,适用于小视域内双目视觉系统的间接标定。     

藏文文字特征提取方法的研究

特征提取是文字识别中很重要的环节。藏文字识别中特征提取的方法有很多,但由于藏文字的字型有很多种特点,可以探索出适合藏文识别的最优特征提取方法。该文简述了藏文字型的特征及印刷体藏文字识别原理,主要讨论了符合藏文字的一种特征提取方法--网络点阵图形投影法。     

对一种背包公钥密码改进方案的安全性分析

背包公钥密码算法是比较热门的加密算法之一,目前仍有很多密码研究者在研究背包公钥密码的改进算法。文献[1]提出了两个改进的背包公钥密码方案,本文对这些改进算法进行了安全性分析,并就其中一个方案进行了格规约攻击。通过计算实验说明这种改进之后的背包公钥密码算法仍然是不安全的。     

基于粗糙度的近似概念格动态分类集成学习模型研究与应用

概念格(Galois格)是一种进行数据分类学习的有效工具,然而建格规模庞大使分类效率和准确率受到较大影响.将粗糙度理论应用到概念格分类问题研究中,提出一种新型的近似概念格动态建格和分类挖掘集成学习模型(CACLR).该模型在粗糙度区间根据样本空间分布构建多个相对独立分布且比较精确的近似概念格分类器,能及时消除建格过程中大量与分类知识无关的节点,有效缩减原格规模,融合得到的分类挖掘集成学习模型,具有较好的粗糙分类精度和知识预测学习能力.最后进行CACLR分类集成学习模型在标准UCI数据集中的对比实验,有效验证了该模型的实用价值.     

考虑搜索行为与节点内容的P2P搜索方法①

针对基于兴趣驱动的P2P搜索方法在挖掘节点兴趣和扩展搜索兴趣的上下文语义等方面不足,改进Social-P2P算法,给出考虑搜索行为和节点内容的P2P搜索方法。引入概念格理论,根据节点内容和用户搜索行为建立朋友列表,以朋友列表为形式背景构造概念格,建立兴趣域。搜索消息在概念格内查询,缩短搜索路径和减少搜索消息,概念偏序关系扩展查询消息的上下文语义,增强搜索精确度。实验验证该方法比Social-P2P搜索方法和泛洪搜索方法具有更好的召回率和精确率。     

一种基于概念格属性约简的本体合并方法

提出一种基于概念格属性约简的本体合并方法。该方法先对源本体中的概念进行外延和内涵的分析,以此为形式背景构造概念格。对所构造的概念格进行属性约简,删除本体合并中的冗余信息,约简绝对不必要属性,以最少的信息精确地反映概念格及本体的本质和结构。最后通过实例分析此方法的可行性。     

基于FCA的对象与属性交叉渐进的情感本体学习

提出了一种基于形式概念分析的渐进式情感本体学习的算法。该算法通过动态交叉添加对象和属性来生成概念格,从而从概念格当中抽取情感本体,最终实现情感本体的学习过程。给出了算法的描述,并结合实例说明了本体学习过程。