一种时间序列相似匹配新算法

为提高时间序列相似匹配的精度和效率，提出一种基于小波包变换的时间序列相似匹配算法．首先利用小波包可对信号进行精细分析的特点，对时间序列进行维数约简，用变换后的低频系数和部分高频均值系数作为特征向量表示原始序列；然后用多维索引结构R树存储这些特征向量，将欧几里德距离作为相似尺度，在此基础上实现了范围查询和k近邻查询，对电力负荷时间序列数据的仿真实验结果表明了算法的有效性。     

电力电子装置故障波形相似性度量的小波矩阵变换法

提出一种基于小波矩阵变换的时序序列相似度量方法,并对该方法应用于电力电子装置故障波形相似性度量进行了抗噪性、灵敏度及相似值准确性分析.方法首先采用小波变换将时序序列压缩到小波子空间,再由K-L变换(Karhunen-Loveve transformation)提取样本时序序列的特征向量和正交基,然后将分析时序序列通过内积变换映射到正交基中得到分析特征向量,最后计算两个特征向量之间的欧式距离以判定时序序列的相似度.以电力电子装置故障波形的相似度量为例,实验表明该方法特征向量维数低,抗噪性好于直接小波法30倍,灵敏度是直接小波法1/3,相似值准确性好于小波奇异值法.该方法对于大规模时序序列的相似匹配和检索具有潜在的应用价值.     

基于奇异值分解的英文文本检索算法

提出一种英文文本检索算法,从文本中提取奇异值向量作为复特征向量,利用向量间的余弦相似度作为文本检索的相似度度量.实验结果表明,该算法在检索准确率和运算效率上都优于传统的LSA算法.     

一种基于脊线特征的指纹匹配算贩

指纹的脊线几乎构成了指纹的全部特征,其整体结构和趋势是确定指纹的重要依据.本文算法引入了一种描述指纹脊线趋势的特征向量,并且基于该特征向量提出了一种新颖的匹配算法.算法首先在指纹图像的特征区域中进行脊线采样,根据采样结果提取脊线的特征向量,把特征向量的相似度作为指纹匹配的依据.算法避开了传统细节点匹配方法的限制,有效利用了脊线趋势的稳定性和脊线间的相对关系.实验结果表明,本文算法具有较高的匹配精度.     

基于形状特征k-d树的多维时间序列相似搜索

多维时间序列是信息系统中一类重要的数据对象,相似搜索是其应用的一个核心.两个序列(子序列)相似度加以比较的常用方法是:将序列(子序列)转换成空间中的曲线,然后计算曲线间的欧几里德距离.这种方法的主要缺陷是它仅考虑了序列(子序列)间的整体距离关系,而不能体现它们自身的局部变化.针对此问题,提出了一种新的可应用于多维时间序列的快速相似搜索方法.该方法将序列(子序列)的局部变化特性与检索结构(k-d树)结合起来,使得在搜索k-d树的同时实现了序列(子序列)的局部变化匹配,从而极大地提高了查询效率和正确率.实验结果表明了算法的有效性.     

基于趋势点状态模型的时间序列预测算法

针对传统的时间序列线性预测算法对时间序列的线性程度要求高,而非线性方法一般建模复杂且计算量大,提出了一种基于趋势点状态模型的时间序列预测算法.该算法无须考虑时间序列是否具有显著线性特征,通过序列间耦合度挖掘时间序列上的相似子序列,找出相对应的相似序列趋势点,建立趋势点状态模型并求出预测值.算法建模简单,复杂度较低.通过模拟实验,结果表明该算法性能良好,尤其对具有周期性的时间序列预测精度很高.     

一种基于关键点的SAX改进算法

SAX(symbolic aggregate approximation)是一种符号化的时间序列相似性度量方法,该方法在对时间序列划分时,采用了PAA算法的均值划分,但均分点无法有效描述序列的形态变化,导致序列间对应分段均值相似的情况下,SAX无法有效区分序列之间的相似度.在SAX算法的基础上,提出了基于关键点的SAX改进算法(KP_SAX),该算法的相似性度量公式既可描述时间序列自身数值变化的统计规律,又可描述时间序列形态变化.实验结果表明:KP_SAX虽然部分提高了算法的复杂度,但可在SAX算法无法计算序列相似度的情况下,有效计算各序列间的相似度距离,达到了改进的目的.     

以直方图差值序列为特征的JPEG MB2隐写分析

基于JPEG图像的离散余弦变换(DCT)系数直方图差值序列,提出一种新的检测JPEG MB2隐写术的方法。该算法定义JPEG图像的DCT系数一阶直方图与其Cauchy拟合分布模型的系数直方图之间的差值序列作为相关性度量,在此基础上构造区分隐写图像和载体图像的分类特征序列。在特征分析中,通过Hilbert-Huang变换对特征序列进行经验模式分解,构建了基于Hilbert谱的特征向量。实验结果表明,基于该特征向量的支持向量机(SVM)对MB2隐写算法检测平均准确率达到84.48%,该方法也适用于JPEG MB1的检测。     

基于神经网络的时间序列相似模式发现方法

基于无监督学习神经网络聚类原理,提出一种时间序列相似模式发现方法.通过快速离散余弦变换将序列映射到相应的特征模式空间,不但实现维数简约,而且克服传统神经网络不能处理过程序列的局限性.分析人工神经网络作为相似性度量模型的优越性,用"黑箱式"的网络权值代替传统的距离度量方法,并在此基础上实现相似模式的全部配对发现算法.对实际飞行数据仿真结果表明该方法的正确性,同时具有多尺度特性,可有效反映不同分辨率下序列间的相似程度.     

图像区域复制篡改快速鲁棒取证

图像区域复制篡改就是将数字图像中一部分区域进行复制并粘贴到同一幅图像的另外一个区域, 是一种简单而又常见的图像篡改技术. 现有的算法大多对区域复制后处理的鲁棒性比较差, 并且时间复杂度高. 本文针对该篡改技术, 提出一种有效快速的检测与定位篡改区域算法. 该算法首先将图像进行高斯金字塔分解, 将低频图像进行块分解, 提取每块的Hu矩不变特征, 并将特征向量排序, 然后为每个特征向量搜索符合阈值的相似特征向量; 最后利用区域面积阈值去除错误的相似块, 并结合数学形态学定位篡改区域. 实验结果表明该算法不仅能有效地对抗如高斯白噪声、高斯模糊以及JPEG压缩这些后处理操作, 而且减少了块总数, 缩小了块匹配搜索空间, 提高了运算效率.