AVS-P10立体声编码算法的优化设计与实现

AVS-P10是我国首部具有完全自主知识产权的移动音频编解码标准,但是其立体声编码存在重建声像不够稳定、编码复杂度较高的问题。根据参数立体声编码原理,采用声道下混和立体声参数提取及合成技术,以AVS-P10的核心编码器为基础,设计并实现了一种高效的立体声编解码方案。实验结果表明,同等码率下,优化后的算法比AVS-P10立体声编码算法的主观音质提升约10MUSHRA得分,编码复杂度下降幅度达到40%~60%,解码复杂度略有下降。     

AVS-P10音频解码器算法分析与定点化

AVS-P10是我国第一部应用于移动环境的音频编解码国家标准。在分析AVS-P10解码算法的基础上,对参考代码进行了精简和封装。针对定点处理器应用需求,对精简后的代码进行了定点化实现和优化。分别采用CMOS评分与SNR指标,对定点解码器的解码质量进行了主、客观测试,并对优化前后的定点解码器的运算效率进行了比对测试。结果表明,提出的AVS-P10定点解码器的解码音质达到与浮点解码信号的音质相当,且运算复杂度明显下降。     

基于优化随机森林算法的乳腺癌分类诊断

为有效辅助医生筛选乳腺癌恶性肿瘤,提出一种基于人工鱼群优化的随机森林模型.通过改进的smote加权采样等方法对原始数据集进行均衡处理,采用皮尔森相关系数法提取与乳腺癌恶性肿瘤相关性强的特征作为模型的输入,通过人工鱼群算法优化随机森林模型,寻找最优的模型参数,对乳腺癌数据集进行分类诊断.实验结果表明,所提优化模型具有较好...     

音频编码器中导谱频率系数的差错隐藏算法

为了降低移动网络丢包、抖动失真等现象对音频质量的影响,提出一种基于帧间相关性的导谱频率系数的差错隐藏算法。该方法根据近邻成功接收若干好帧的导谱频率(Immittance Spectral Frequencies,ISF)距离预测与当前坏帧的相关性,再基于相关性进行导谱频率系数的自适应坏帧恢复。解决了现有算法采用单一的坏帧恢复技术,在面临多样化的音频信号输入时,坏帧恢复效果不佳的问题。在1%~10%的误码条件下的客观实验结果表明,该算法谱失真明显优于AVS-P10(AVS移动音频编码标准)的差错隐藏算法,性能平均得到42%的提升。主观实验也同时表明了该算法的优势。该方法可扩展应用到音频编码器的自适应码本及固定码本等参数的差错隐藏。     

基于随机森林特征重要性的K-匿名特征优选

大数据时代,数据的共享与挖掘存在隐私泄露的安全隐患。针对使用K-匿名隐藏实现隐私保护会大幅降低数据分类挖掘性能问题,提出一种基于随机森林特征重要性的K-匿名特征选择算法(RFKA)用于分类挖掘。使用随机森林特征重要性度量特征的分类性能;采用前向序列搜索策略每次选择不破坏K-匿名且分类性能最大的特征加入特征子集;使用特征子集对应的数据集构建模型进行分类实验。实验结果表明,该算法能更有效地平衡K-匿名和分类挖掘性能,且算法运行效率更高。     

基于特征选择的极限随机森林算法研究

高维复杂数据处理是数据挖掘领域中的关键问题,针对现有特征选择分类算法存在的预测精确度失衡、整体分类效率低下等问题,提出了一种结合概率相关性和极限随机森林的特征选择分类算法（P-ERF）。该算法使用充分考虑特征之间相关性与P值结合的特征选择方式,避免了树节点分裂过程中造成的冗余性问题;并以随机树为基分类器、极限随机森林为整体框架,使P-ERF算法获得了更高的精准度和更好的泛化误差。实验结果表明,P-ERF算法相较于随机森林算法、极限随机森林算法,在数据集分类精度与整体性方面均得到良好的效果。     

基于相关系数的AVS-P10带宽扩展优化

AVS-P10是我国第一部完全自主研发的移动音频编解码国家标准。为适应移动通信环境,实现低码率、高质量的音频传输与重建,在分析现有AVS-P10带宽扩展模块的基础上,提出一种基于相关系数的AVS-P10带宽扩展优化方案。为找出高频重建的最佳频带选择方式,通过计算原始高频频带与各准高频频带的皮尔逊系数绝对值进行最强相关子带选取,并通过判断最高相关系数数值是否低于域值,选择用最强相关准高频子带或白噪声来进行高频重建。实验表明,与原有的AVS-P10带宽扩展算法相比,该方法音频信号的高频重建效果有一定的提高。     

基于随机森林的WebShell检测方法

WebShell根据其功能和大小可以分为多种类型,各种类型的WebShell在基本特征上又有其独有的特征,而现有的WebShell检测大多从单一层面提取特征,无法较全面的覆盖各种类型WebShell全部特征,具有种类偏向性,无差别的检测效果差,泛化能力弱等问题.针对这一问题,提出了一种基于随机森林的WebShell检测方法.该方法在数据预处理阶段分别提取文本层的统计特征和文本层源码与编译结果层字节码（opcode）的序列特征,构成较全面的组合特征,然后通过Fisher特征选择选取适当比例的重要特征,降低特征维度,构成样本的特征集,最后采用随机森林分类器训练样本得到检测模型.通过实验表明,本检测方法能有效地检测WebShell,并在准确率、召回率和误报率上都优于单一层面的WebShell检测模型.     

基于随机森林特征选择算法的鼻咽肿瘤分割

针对医学图像中存在的灰度对比度低、器官组织边界模糊等问题，提出一种新的随机森林（RF）特征选择算法用于鼻咽肿瘤MR图像的分割。首先，充分提取图像的灰度、纹理、几何等特征信息用于构建一个初始的随机森林分类器；随后，结合随机森林特征重要性度量，将改进的特征选择方法应用于原始手工特征集；最终，以得到的最优特征子集构建新的随机森林分类器对测试图像进行分割。实验结果表明，该算法对鼻咽肿瘤的分割精度为：Dice系数79.197%，Acc准确率97.702%，Sen敏感度72.191%，Sp特异性99.502%。通过与基于传统随机森林和基于深度卷积神经网络（DCNN）的分割算法对比可知，所提特征选择算法能有效提取鼻咽肿瘤MR图像中的有用信息，并较大程度地提升小样本情况下鼻咽肿瘤的分割精度。     

一种融合近似马尔科夫毯的随机森林优化算法

特征的相关和冗余,会直接影响随机森林随机抽取特征的质量,导致随机森林的收敛性减弱,降低随机森林模型的准确度、泛化能力及性能。基于此,提出一种融合近似马尔科夫毯的随机森林优化算法,该算法利用近似马尔科夫毯构建相似特征组,再从每个相似组中按比例抽取特征形成单棵决策树的特征子集,重复上述过程直至达到随机森林规模。该算法可以在保证随机森林特征的多样性前提下,利用近似马尔科夫毯消除特征间的相关性和冗余性,提高随机抽取特征的质量。通过在12组不同维度UCI数据集实验对比表明：融合近似马尔科夫毯的随机森林在一定程度上可以消除特征相关性和冗余性,提高模型的各项评价指标,泛化能力增强,更适用于高维数据。     

一种AVS-M的帧内预测模式快速选择算法

在分析AVS-M帧内预测模式选择原理的基础上,提出了一种基于边缘方向信息和时空相关性的帧内预测模式快速选择算法。该算法的I帧编码时间可降低17%~21%,而PSNR和输出码率均无明显变化,有效地降低AVS-M帧内编码的计算复杂度。     

随机森林针对小样本数据类权重设置

随机森林已经被证明是一种高效的分类与特征选择方法。尽管参数的设置对结果影响较小,但合适的参数可以使分类器得到理想的效果。主要针对癌症研究中小样本不均衡数据的分类和特征选择问题,研究了随机森林中类权重的设置。为了比较在不同的类权重下特征选择的效果,同时使用支持向量机（Support Vector Machine,SVM）方法。最终结果显示最优的类权重是不确定的。最后总结出几条规律指导研究者选择合适的权重使分类和特征选择效果得到改善。     

基于随机森林分类的HEVC帧内CU快速划分算法

针对HEVC帧内编码中递归式四叉树编码单元（Coding Unit,CU）划分引起的高计算复杂度问题,提出了基于随机森林分类（Random Forest Classifier,RFC）的CU快速划分算法。该算法包括模型离线训练和CU快速编码算法两部分。在模型离线训练中,将CU最佳划分结果（+1,－1）作为分类标签,将当前CU的对比度、逆差矩和熵信息作为特征属性,训练RFC模型。在编码时,提取当前CU的特征属性值,利用训练好的RFC模型快速预测当前CU的划分结果。实验结果表明,该算法与HEVC的标准算法相比,在保证编码质量的前提下,平均可以节约45.18%的编码时间。     

基于新的森林优化算法的特征选择算法

针对传统的基于森林优化算法的特征选择算法在初始化阶段、候选森林生成阶段和更新阶段存在的问题,提出了一种新的基于森林优化算法的特征选择算法。该算法在初始化阶段采用皮尔森相关系数和L1正则化方法代替随机初始化策略;在候选森林生成阶段,采用优劣树分开和差额补足的方法解决优劣树不完备问题;在更新阶段,将与最优树精度相同但维度不同的树木添加到森林中。在实验中,所提算法采用与传统的基于森林优化算法的特征选择算法相同的实验数据和实验参数,分别测试了小维度、中维度和大维度数据。实验结果表明,在2个大维度数据和2个中维度数据上,所提算法的分类精度和维度缩减能力均高于传统的基于森林优化算法的特征选择算法。实验结果验证了所提算法在处理特征选择问题的有效性。     

基于改进网格搜索算法的随机森林参数优化

随机森林是一种有效的集成学习算法,被广泛应用于模式识别中。为了得到更高的预测精度,需要对参数进行优化。提出了一种基于袋外数据估计的分类误差,利用改进的网格搜索算法对随机森林算法中的决策树数量和候选分裂属性数进行参数优化的随机森林算法。仿真结果表明,利用该方法优化得到的参数都能够使随机森林的分类效果得到一定程度的提高。     

基于特征选择和超参数优化的恐怖袭击组织预测方法

针对恐怖袭击事件难以找到恐怖袭击组织以及恐怖袭击事件数据的样本不平衡问题,提出了一种基于特征选择和超参数优化的恐怖袭击组织预测方法。首先,利用随机森林（RF）在处理不平衡数据上的优势,通过RF迭代来进行后向特征选择;然后,利用决策树（DT）、RF、Bagging和XGBoost这四种主流分类器对恐怖袭击组织进行分类预测,并利用贝叶斯优化方法对这些分类器进行超参数优化;最后,利用全球恐怖主义数据库（GTD）评价了这些分类器在多数类样本和少数类样本上的分类预测性能。实验结果表明：所提方法提高了对恐怖袭击组织的分类预测性能,其中使用RF和Bagging时的分类预测性能最佳,准确率分别达到0.823 9和0.831 6,特别是在少数类样本上的分类预测性能有明显提高。