加权序列模式在临床异常行为检测中的应用

目前临床异常行为检测的研究主要采用病症关联、费用控制和临床序列模式挖掘等方法。在临床序列模式挖掘方法中的临床医疗行为模式库的建立,只是简单的挖掘支持度满足阈值的频繁序列,忽略了出现频率低但在价格、用量上偏高的医疗行为。针对诊疗过程中出现频率少但属于盲目用贵药和过量用药等大处方医疗行为,文中提出改进的加权临床序列模式挖掘算法,挖掘正常临床医疗行为库的加权临床序列模式,为后续异常检测做准备。     

基于MapReduce的SimRank算法在图聚类中的应用

由Jeh和Widom提出的SimRank算法是一种普适"结构相似度"计算模型。由于SimRank算法采用迭代方式计算图节点间相似性,因此时间复杂度和空间复杂度都非常高。随着数据量的激增,单机运算能力不能满足大规模数据的计算要求。本文提出了基于MapReduce计算模型的分布式SimRank算法,利用该算法对RDF图进行相似度度量,然后利用分布式的AP聚类算法对图节点进行聚类分析。实验结果表明,该方法能够高效的完成图节点的相似度度量,实现图的有效聚类。     

基于加权相似度的相关性排序算法的研究

通过研究当前搜索引擎检索信息的不足之处发现,要想提高查准率必须提高相似度,相似度越高,查准率就越高.主要研究语句相关度的相关知识,通过元数据的检索,计算检索的相似度.在此基础上,进一步结合论文元数据之间关系的相互对比,对各个元数据赋予一定权值,提出通过加权的方法进一步提高相似度的方法,经验证结果达到期望要求.     

核加权RX高光谱图像异常检测算法

提出了一种新的基于混合核函数的加权RX算法,用于高光谱图像异常检测.在将原始高光谱数据非线性映射到高维特征空间以挖掘高光谱图像波段间蕴含的非线性信息后,自适应地赋予特征空间RX算子中采样协方差矩阵各光谱向量相应的权值.权值的大小与光谱向量到质心的距离成反比,从而削减了协方差矩阵中异常数据比重,使加权协方差矩阵更好地表征背景数据分布.最后利用核函数性质将高维特征空间的内积运算转化为低维输入空间的核函数计算,并根据高光谱数据特点线性组合新型光谱核函数和径向基核函数以改善算法性能.为验证算法的有效性,利用真实的高光谱数据进行了仿真实验,结果表明该算法优于特征空间的RX算法,能检测到更多的异常目标.     

基于压缩传感和加权主色的镜头边界检测算法

针对现有算法存在计算量大、对摄像机和物体运动 敏感等缺点,提出一种基于压缩传感(CS)和加权主色(WMC)的镜头边界检测(SBD)算法(CSWMC )。首先通过直方图特征得到粗略的镜头 边界集合;然后利用CS将该集合中的帧及其前后帧的高维特征投影到低维空间,采用调节余 弦相似度得到基 于夹角的第一判定指标;继而定义一种新的图像主色权值和基于该权值的类Bhattacharyya 相似度,得到基于颜色 相似度的第二判定指标;以两种判定指标的乘积作为最终判定指标,并设计一种朴素但有效 的策略进行SBD。 实验结果表明,与常用方法相比,所提算法具有更高的查全率和精确率,能够更加有效进行 SBD。     

地点信息在话题检测中的应用

通过分析中文报道的特点,提出了一种改进相似度计算的话题检测算法。该算法以Single-Pass聚类策略为基础,结合新闻报道中的地点信息,分别对新闻报道进行文本内容相似度和地点相似度计算,并将两者结合进行话题检测。实验结果表明,算法性能优于传统的文本相似度算法。     

加权关联规则在网络入侵检测系统中的应用

为了解决将关联规则算法应用于入侵检测系统后,在提高系统检测率的同时系统误报率增加的问题,将加权关联规则算法应用于入侵模式的挖掘中,在一定程度上提高了入侵检测的检测率,并降低了误报率。在此基础上,提出了采用加权关联规则算法的网络入侵检测系统的结构。     

相似度检测技术在计算机实验教学中的应用研究

计算机实验教学平台是现代实验教学改革的一个重要内容。然而,在以往的实验教学模式中,仅凭教师检查很难发现学生作业是否抄袭。为了解决此问题,本文将基于数字指纹的代码相似度检测算法应用到程序设计实验教学平台中。实践表明,学生之间的抄袭现象得到控制,教师的评判工作量也大大降低。     

一种K-MEANS算法在网络异常检测中的应用

在研究K-MEANS算法和网络入侵的基础上将一种已知聚类中心的K-MEANS聚类算法用于网络的异常检测中.该算法避免了由于传统聚类算法随机选取初始聚类中心而带来的网络异常检测中检测率低的问题.在实例中验证了该算法的可行性和优越性.结果表明该算法相对传统聚类算法在检测率方面有了很大提高,并且能通过无监督学习的方法来获得对新型攻击的检测.     

快速椭圆检测算法

椭圆检测是目标检测中常用的技术,自然界很多物体的边界都可以用椭圆进行拟合,所以椭圆检测也成为目标提取的关键技术。首先分析了椭圆的解析结构,根据物理学中惯性矩的概念,推演出一个类椭圆区域的理想椭圆,用参数椭圆与边缘检测获得的边缘点拟合,就能求出一个区域的理想椭圆。然后将求得的理想椭圆与区域边缘点集合用近似度和逼近度2个指标拟合,得到与类椭圆区域最匹配的精确椭圆。最终得到类椭圆区域的边界轮廓。     

采用反向局部多样加权对比度检测的红外小目标检测

具有高检测率、低虚警率和高检测速度的单帧红外弱小目标检测是一项艰巨的任务,因为目标通常很小且暗淡,并且存在不同类型的干扰,例如高亮背景,复杂的背景边缘和高亮度像素级的噪声点（PNHB）。基于HVS的单帧检测算法通常可以实现比传统算法更好的性能,但是,对于基于HVS的算法,如何定义局部对比度的公式是关键问题之一,直接决定算法的性能。到目前为止,研究人员尚未就如何定义局部对比度达成共识,并且已经提出了许多局部对比度定义。现有算法如比值型和差值型的局部对比度算法,不能有效增强真实目标的同时抑制所有干扰,仅以周围区域为背景,而没有考虑周围背景本身的多样性,这些算法浪费了可用于进一步抑制复杂背景的局部多样性信息。提出了一种多尺度比差联合局部对比度检测算法（MRDLCM）。它可以结合比值型和差值型算法的优点,因此可以抑制所有类型干扰的同时增强不同大小的真实目标,且不需要任何预处理。此外,提出了基于反向局部多样性（RLD）的权重函数,该函数利用局部周围区域的局部多样性进一步抑制复杂背景。实验结果表明,所提出的MRDLCM_RLD算法相对于现有算法在检测率和误报率上具有有效性和鲁棒性。此外,该算法具有并行处理能力,对于提高检测速度非常有效。     

基于改进加权核范数的红外弱小目标检测

针对传统基于鲁棒主成分分析(RPCA)的红外弱小目标检测算法对噪声不敏感,算法运行时间长,鲁棒性不强的问题,提出一种重加权红外小目标图像模型,并用非精确增广拉格朗日乘子法(AIALM)求解。该方法首先将原始红外图像转化为红外块图像模型,然后采用重加权核范数对背景块图像进行约束,较好地保留了背景边缘。针对单纯使用l1范数不能抑制某些噪声或杂波的问题,引入了加权l1范数,进一步增强了目标图像的稀疏性。最后,将红外块图像模型转化为重加权RPCA问题,并用AIALM求解。通过大量实验表明:该算法在抑制背景杂波以及目标检测性能方面要优于其他传统算法。     

光谱角匹配加权核特征空间分离变换高光谱异常检测算法

提出了一种光谱角匹配(SAM)加权核特征空间分离变换(KEST)高光谱异常检测算法.在基于核的特征空间分离变换(KEST)算法基础上,利用光谱角匹配(SAM)测度对高维特征空间中检测点邻域差异相关矩阵(DCOR)中的每个样本引入权重因子,各样本权重因子取决于该样本光谱向量与检测窗口数据中心向量夹角,从而抑制检测窗口中的病态数据,突出主成分数据的贡献,使得DCOR矩阵能够更好地描述目标、背景数据分布差异.通过理论分析和对模拟、实际数据实验比较,证明该算法较传统异常检测算法和KEST算法具有更高的检测率.     

基于改进加权局部对比度的红外小目标检测

在复杂背景的红外图像中弱小目标通常淹没在高亮边缘与强杂波处,提出一种基于改进加权局部对比度的红外小目标检测方法。利用小目标的局部特性建立一种加权函数将目标与其背景邻域的差异点乘凸显目标,进而与相接背景邻域作比值运算达到抑制复杂背景的效果;通过目标的各向同性和背景的各向异性,采用六方向梯度决策法创建背景抑制模型进一步抑制高亮边缘,实现降低虚警率,提高检测率的目的;最后,通过卷积计算将两者结合,采用自适应阈值分割检测真实目标。实验结果表明,该算法在复杂背景及强杂波干扰下有较强的鲁棒性。     

基于熵值加权支持向量机的火焰检测方法

提出一种基于熵值加权支持向量机(SVM)的火焰检测方法.采用三帧差分算法对视频前景提取(VIBE)算法进行改进,并提出TH-VIBE前景检测算法,提升疑似火焰区域获取的准确率与完整性;利用熵值加权降低纹理特征、面积变化特征、圆形度特征、灰度特征等特征数据的冗余程度并建立熵值加权火焰识别模型,提升火焰识别速率与准确率;最...     

基于自相似业务流的Hurst加权随机早检测算法

Floyd提出的随机早丢弃（RED，random carly detection）是基于传统的泊松（Possion）模型，不适应网络流量普遍呈现自相似性的特点。基于此目的，提出了一种新的RED算法——Hurst加权随机早检测算法（HWRED，Hurst weighted random early detection）。新算法能够根据输入流量的自相似系数Hurst，调整RED算法参数。仿真结果表明，新算法提高了队列长度的稳定性，减少了丢包率、排队时延和排队抖动，提高了网络的链路利用率。     

Saliency detection via coarse-to-fine diffusion-based compactness with weighted learning affinity matrix

Diffusion-based compactness is an effective method for foreground-based saliency detection, in which one key is the conventional graph construction. However, the conventional graph only displays the local structure but not preserves global relevance information. Therefore, diffusion-based compactness cannot highlight complete salient object which contains multiple areas with different features, and the extracted salient regions with weak homogeneous. Aiming to address these problems, we propose a saliency detection method via coarse-to-fine diffusion-based compactness with a weighted learning affinity matrix. Firstly, we construct multi-view conventional graphs to calculate the rough compactness cue. Secondly, we build a two-stage multi-view weighted graphs using a weighted learning affinity matrix and compute the coarse-to-fine compactness cue. Extensive experiments tested on three benchmark datasets, demonstrating the superior against several state-of-the-art methods.