一种惯性权重动态调整的新型粒子群算法

在简要介绍基本PSO算法的基础上，提出了一种根据不同粒子距离全局最优点的距离对基本PSO算法的惯性权重进行动态调整的新型粒子群算法（DPSO）．并对新算法进行了描述。以典型优化问题的实例仿真验证了DPSO算法的有效性。  

基于交叉熵的数字图像置乱程度评价方法

将交叉熵与图像的最优分块处理相结合,提出了一种基于分块交叉熵的数字图像置乱程度的评价方法。为了能用图像交叉熵反映出图像置乱效果,采用具有周期性的置乱变换进行实验,结果表明,该方法能够较好地刻画图像的置乱程度,反映了加密次数与置乱程度的关系,与人的视觉基本相符。而且对于不同的图像,该评价方法能在一定程度上反映了所用的置乱变换在各个加密阶段的效果。  

B样条曲线的降阶公式及近似降阶方法

已有的B样条曲线降阶方法，由于无降阶公式可循，对于可降阶曲线常要通过解一系列线性方程组来实现降阶．该文给出了B样条曲线的降阶公式，使得可直接用降阶公式对可降阶曲线进行降阶．利用降阶公式和约束优化方法，文中进一步给出了B样条曲线的一种近似降阶方法和相应的算法，使得在用约束优化方法求出可降阶的近似曲线后，就可直接用降阶公式求出降阶曲线，简化了降阶过程．该方法应用范围广且简单实用．  

一种基于相似度的新型粒子群算法

分析了基本粒子群算法（PSO）全局搜索能力与收敛速度的矛盾,提出了粒子群相似度的概念.根据每个粒子与全局最优粒子的不同相似度,对基本PSO算法的惯性权重进行动态调整.同时提出一种根据相似度计算聚集度的方法,并根据聚集度的大小随机地对粒子重新赋值,控制粒子群的多样性,提高了全局搜索能力.典型优化问题的实例仿真验证了该算法的有效性.  

基于AES的数字图像置乱方法

以图像信息安全问题为背景，介绍了高级加密标准（AES）：Rijndael算法，并在此对称分组密码算法的基础上，提出了密钥控制下采用AES算法进行图像置乱与恢复的方法。该方法既安全又简便。实验结果显示了图像置乱的效果，通过直方图的比较对此进行一定的分析，结果表明，这种方法能达到较好的加密与解密效果，而且易于实现。  

自适应的软子空间聚类算法

软子空间聚类是高维数据分析的一种重要手段.现有算法通常需要用户事先设置一些全局的关键参数,且没有考虑子空间的优化.提出了一个新的软子空间聚类优化目标函数,在最小化子空间簇类的簇内紧凑度的同时,最大化每个簇类所在的投影子空间.通过推导得到一种新的局部特征加权方式,以此为基础提出一种自适应的k-means型软子空间聚类算法.该算法在聚类过程中根据数据集及其划分的信息,动态地计算最优的算法参数.在实际应用和合成数据集上的实验结果表明,该算法大幅度提高了聚类精度和聚类结果的稳定性.  

神经元模型的复杂动力学：分岔与编码

研究了改进的Morris—Lecar（ML）神经元模型的放电节律模式和模式转化的峰峰间期（interspike intervals，ISIs）分岔结构，通过调节模型中的两个重要参数μ和Vk，发现对于固定的μ，改变Vk，神经元呈现出从倍周期级联分岔到加周期分岔的复杂结构，放电模式从静息态转化为周期、混沌簇放电状态；若选取此分岔过程中的某一Vk值，对μ进行调节，呈现出的ISIs分岔结构在很大程度上取决于单个神经元的放电节律模式，且单个神经元处于混沌簇放电时，肛带来的分岔动力学行为较丰富．由于神经元能够通过动作电位对信息进行编码，所以我们推测，研究神经元的放电节律模式和动作电位的ISIs分岔结构能为理解神经信息编码机制提供线索．  

B样条曲线同时插入多个节点的快速算法

基于离散B样条的一个新的递推公式，提出B样条曲线同时插入多个节点的新算法。不同于Cohen等插入节点的Oslo算法，本算法用新的方法离算离散B样条，求每个离散B样条的值只需O(1)的运算量，从而使本算法高效，其时间复杂性为O(sk n)，其中k为B样条曲线的阶，n k 1为原节点数，s为新插入节点的个数,本算法的通用性强，适用于端点插值的和非端点插值的B样条曲线，可同时在曲线定义域内外的任意位置上插入任意个节点。  

自组网中基于簇的混合密钥管理策略

自组网以灵活的组网特性正越来越受到人们的关注。然而，这种灵活特性又给自组网的安全性带来了巨大的挑战。密钥管理是实现该类网络安全的重要环节。首先，基于补图团的着色思想提出了分布式分簇算法，在此基础上，结合TGDH(Tree-Based Group Diffie-Hellman)算法给出了一种混合密钥管理方案。理论分析此方案具有良好的性能。  

基于方形邻域的离群点查找新方法

提出一种基于密度的快速查找离群点的算法--基于方形邻域的离群点查找算法（ODBSN）,该算法把DBSCAN算法的邻域改造成方形邻域,并吸收基于网格算法的思想,用密集的方形邻域快速排除非离群点;用邻域扩张的思想代替网格划分克服了基于网格算法中＂维灾＂缺点;同时用局部偏离指数指示离群点的偏离程度,又具有识别精度高和偏离程度可度量的优点.理论分析表明该算法性能优于著名的基于密度的算法,实验表明,ODBSN算法能在各种形状分布与各种密度的数据中有效地查找离群点, 速度明显优于LOF与DBSCAN算法.