基于噪声感知残差网络的JPEG隐写分析方法

为了进一步挖掘自适应JPEG隐写图像中隐写噪声信号特征,提出基于噪声感知残差网络的JPEG隐写分析方法.该方法由噪声感知、噪声分析和判断三部分组成.其中,噪声感知部分提取图像噪声,利用图像去噪网络,更加全面地捕获隐写引入的扰动;噪声分析部分获得噪声信息的统计特征;判断部分确定图像是否携带隐写信息.此外,网络中的残差连接有效融合多尺度特征,并防止训练中出现梯度消失和爆炸.多种条件下的对比实验结果表明,该方法相较于对比算法,能够提升针对JPEG自适应隐写的检测性能并具有更好的泛化能力.     

融合用户评分与显隐兴趣相似度的协同过滤推荐算法

协同过滤算法是推荐系统中使用最广泛的算法,其核心是利用某兴趣爱好相似的群体来为用户推荐感兴趣的信息。传统的协同过滤算法利用用户-项目评分矩阵计算相似度,通过相似度寻找用户的相似群体来进行推荐,但是由于其评分矩阵的稀疏性问题,对相似度的计算不够准确,这间接导致推荐系统的质量下降。为了缓解数据稀疏性对相似度计算的影响并提高推荐质量,提出了一种融合用户评分与用户显隐兴趣的相似度计算方法。该方法首先利用用户-项目评分矩阵计算用户评分相似度;然后根据用户基本属性与用户-项目评分矩阵得出项目隐性属性;之后综合项目类别属性、项目隐性属性、用户-项目评分矩阵和用户评分时间,得到用户显隐兴趣相似度;最后融合用户评分相似度和用户显隐兴趣相似度得到用户相似度,并以此相似度寻找用户的相似群体以进行推荐。在数据集Movielens上的实验结果表明,相比传统算法中仅使用单一的评分矩阵来计算相似度,提出的新相似度计算方法不仅能够更加准确地寻找到用户的相似群体,而且还能够提供更好的推荐质量。     

基于图卷积神经网络的隐式篇章关系识别

隐式篇章关系识别是篇章关系识别的子任务,其挑战性在于难以学习到具有丰富语义信息和交互信息的论元表示。针对这一难点,该文提出一种基于图卷积神经网络(Graph Convolutional Network,GCN)的隐式篇章关系分类方法。该方法采用预训练语言模型BERT(Bidirectional Encoder Representation from Transformers)编码论元以获取论元表示,再分别拼接论元表示和注意力分数矩阵作为特征矩阵和邻接矩阵,构造基于图卷积神经网络的分类模型,从而根据论元自身信息以及交互信息对论元表示进行调整,以得到有助于隐式篇章关系识别的论元表示。该文利用宾州篇章树库(Penn Discourse Treebank,PDTB)语料进行实验,实验结果表明,该方法在四大类关系上分类性能优于基准模型BERT,且其在偶然(Contingency)关系和扩展(Expansion)关系上优于目前先进模型,F₁值分别达到60.70%和74.49%。     

一种基于像素值偏移编解码技术的屏摄隐通道研究

屏摄隐通道通过摄像机拍摄显示器进行隐蔽通信。现有屏摄隐通道技术对摄像机的拍摄角度有严格要求。针对这种情况,文章提出了一种基于像素值偏移编解码技术的屏摄隐通道方法。该方法对显示图像的像素值进行偏移,把二维码(QR码)嵌入显示帧。利用人眼对于对比度、亮度相近的图像分辨能力差的特点,秘密地将显示帧发送给摄像机。在解码时提取加入的偏移量,并且使用透视还原方法,抵消不同拍摄角度的失真,还原出QR码。通过实验验证了文章方法的可行性,实验表明,该方法适合于存在拍摄角度时的图像提取和还原,各角度平均模块误码率在3%以下。     

低通滤波与卡尔曼滤波相结合的制导律识别

为利用观测数据对执行追踪任务的非合作目标飞行器进行制导律识别,采用一种通用的隐式制导函数对制导行为进行统一描述,并且给出了一种采用时变制导系数的模型来逼进隐式制导函数.在此模型基础上,利用低通滤波与卡尔曼滤波相结合的频域分离自适应卡尔曼滤波方法对观测数据进行实时处理分析,最终得到目标飞行器的制导律识别结果.仿真结果表明,在目标飞行器采用比例导引律或Bang-Bang变结构制导律的情况下,识别算法能够从观测数据出发,对目标飞行器的制导律完成有效和快速识别.     

免疫联合旋转噪声的鲁棒量子对话协议

噪声问题严重影响了量子对话在信息保真、信道容量和信息泄露方面的安全性。针对此问题,该文提出一种免疫联合旋转噪声的鲁棒量子对话协议。通过建立以团簇态为量子载体的,对联合旋转噪声免疫的逻辑量子态,构造相应的消相干自由子空间（DFS）,再构建纠缠交换的量子隐秘信道。通过隐写在信息伪装、信息隐蔽、窃听检测等方面的优势,实现能抵抗旋转噪声的保真量子对话模型,保证秘密信息交换的准确性和安全性。通过比较得出,该文所提出的协议具有最高量子比特效率,且测量只需要单光子。     

隐马尔科夫模糊C均值聚类分割算法改进

对隐马尔科夫模糊C均值算法加以改进,以提高其对加噪图像的分割质量。在初始化之前,先对图像进行中值滤波,以降低均值漂移算法产生的过分割现象,再对原有算法迭代所得隶属度进行均值滤波,以增强图像分割的抗干扰能力。对标准灰度图像添加噪声,验证改进算法的性能。实验结果显示,经过改进,算法的分割结果更稳定,边界更平滑,且对噪声具有较强鲁棒性。     

驾驶员无意识车道偏离识别方法

为了改进车道偏离预警系统的工作效能,本文提出了考虑人-车-路特性的无意识车道偏离识别方法。首先,明确了无意识车道偏离识别的具体含义,将其划分为疲劳车道偏离和次任务车道偏离;其次,利用受试者工作特性曲线(ROC)确定无意识车道偏离的识别时间窗口,保证了无意识偏离样本筛选的有效性;再次,以12名驾驶人为试验对象,采集并对比分析了驾驶员操纵特性、车辆运动状态和车辆与车道线相对运动状态等相关参数,并分别选取作为疲劳车道偏离和次任务车道偏离识别基本特征;最后,采用高斯混合隐马尔科夫模型(GM-HMM)构建无意识车道偏离识别模型。实验结果表明,本文方法具有较好的识别效果。     

基于隐马尔可夫模型的调频广播信号整点报时特性识别方法

由于整点报时与不报时是区分正常广播与“黑广播”的重要指标之一,因此文章提出一种基于隐马尔可夫模型的调频广播信号整点报时特性识别方法。利用静音识别算法将调频广播整点时刻频谱数据表示为0-1序列并在0-1序列中分析调频广播信号的静音序列变化规律,得到调频广播频谱数据的隐藏状态和观察状态的随机序列;通过子区间划分,分别获得初始隐藏状态转移矩阵和初始观察状态概率矩阵;采用Baum-Welch迭代学习算法,在调频广播整点时刻频谱数据训练样本集上对隐藏状态转移矩阵和观察状态概率矩阵进行训练学习,分别得到调频广播整点报时和不报时的隐马尔可夫模型,并给出调频广播信号整点报时特性识别算法。采用实测调频广播整点报时频谱数据进行整点报时特性识别实验,其结果表明,该方法可有效地识别调频广播信号整点报时特性,其整点报时特性的平均识别率为87.5%。该方法在快速发现“黑广播”方面具有一定的实用价值。     

渐近伪压缩型半群不动点的隐式迭代逼近

引入并研究一类渐近伪压缩型半群和隐式迭代序列, 在Banach空间中证明该隐式迭代序列强收敛渐近伪压缩型半群公共不动点定理, 将Thakur等的结果推广到了渐近伪压缩型半群以及更广泛的隐式迭代序列的情形。