基于流演算理论的动态访问控制模型研究

访问控制模型为系统的信息安全提供了一个理论框架,其目的是保护系统资源不被非法用户盗用,防止合法用户对受保护信息进行非法使用。然而,现有的访问控制模型大部分属于静态授权模型,不能方便地描述大规模、异构的分布式网络系统中授权过程的动态变化。为了解决上述不足,在充分研究流演算理论的基础上,提出了一个基于流演算理论的访问控制模型(FCDAC)。FCDAC将动态世界中的所有授权过程都看作是动作的结果,通过动作来实现状态的变化,并且在系统中只需描述动作的前提条件公理和状态更新公理就可容易地实现权限的变化。最后,通过一个教务管理实例验证上述理论,结果表明FCDAC是可行的。     

基于ORB和最小凸包的感兴趣区域检测方法研究*

随着科技的发展,如何准确检测出复杂背景情况下的感兴趣区域(ROI)和提高检测方法的实时性已经成为图像处理领域亟待解决的问题。针对此问题,提出了基于ORB(ORiented Brief)算法检测特征点,并采用最小凸包检测感兴趣区域的方法。首先,采用ORB算法提取出图像中的特征点,然后从中挑选出效果良好的点对图像进行描述,最后采用最小凸包算法检测出感兴趣区域。在和其它算法的检测速度对比和复杂情环境况下的检测实验结果表明,ORB和最小凸包算法的结合在保证的检测精度基础上提高了检测速度。     

基于用字共现频率统计的外国译名自动识别

为了减少分词的负面效果,提出了基于用字共现频率统计的外国译名自动识别方法.对译名的用字特征进行了统计,提出译名共现字串的概念,并由译名用字表与汉语常用字表得到了非译名用字表.在上述工作的基础上定义了译名的边界,在边界定义的基础上设计了一种对分词错误的调整方法.对开放语料的测试结果表明,与最大词频分词算法相比,该算法在译名识别中的准确率、召回率、F值均有所提高.     

基于信息增益的图像识别

模式是事物的本质,特征只是事物的表象,模式识别的任务就是要建立事物本质和表象之间的联系,传统模式识别是通过分类器建立这样的联系,模式识别的效率依赖于特征提取和选择。该文基于信息增益,通过动力学系统演化方程建立事物本质和表象之间的联系,该过程更符合人的认知过程。     

一个MAS结构模型

通过引入Agent视图概念，给出一个MAS（Multiagent System)结构模型。     

基于深度学习监控场景下的多尺度目标检测算法研究

针对监控环境下的视频图像处理存在漏检这一问题,分析现有目标检测算法中普遍使用的深度学习方法—Faster R-CNN,在VGG16卷积神经网络基础上,对深度卷积神经网络进行改进,在第一层卷积层中加入空洞卷积核,扩展神经网络的宽度,使得目标检测模型具有尺度不变性.在深度学习平台PyTorch下对Cifar-10数据集进行了实验,实验结果显示,改进的目标检测算法具有较好的尺度不变性,在监控场景下更具优势.     

基于动态神经网络集成的驾驶员行为学习算法*

特定交通环境下的驾驶员行为的变化是一个非线性的复杂系统,传统的驾驶决策模型和车辆行驶模型难以体现驾驶员的感知、判断、决策、动作等一系列心理、生理活动的不确定性和不一致性,而人工神经网络特别适合于因果间不易建立明确联系的问题。提出了基于神经网络集成的驾驶员行为学习算法DNNIA,该算法的有效性通过标准数据集和仿真实验得到了验证,学习到的诸如驾驶员踩踏踏板的习惯行为的仿真结果与采集的样本数据总体趋势较为一致,且实现了系统泛化性能的提高。