基于三重小波系数集的水印算法研究

本文提出了一种基于三重小波系数集的水印嵌入方法。定义了三重小波系数集,根据其元素间相互关系选择系数集并将其分成两类从而嵌入和提取水印。同时利用shuffle算法对水印序列进行置乱以提高系统的安全性。实验结果表明,该算法对原图像的影响极小,并且对于各种通用的图像操作和攻击具有极好的鲁棒性。     

面向三重版图曝光约束的详细布线算法

在进一步缩小特征尺寸的问题上,三重版图曝光技术(triple patterning lithography,TPL)发挥着重要的作用.针对TPL中的版图分解问题,提出了一种基于TPL约束的详细布线算法.将版图分解问题转化为满足同色间距约束和最小间距约束的详细布线问题,使用网格编码的方法来满足2种间距约束;利用与2种间距约束相结合的Hannan网格来提升布线资源的利用率以及布线的速度;结合多源迪杰斯特拉算法进行多端线网的最短路径搜索;最后将布线结果进行版图分解,实现最小化冲突数量和缝合点数量的目标.算法在2.20 GHz CPU和32 GB内存的Ubuntu20.04环境下运行,使用2018年ISPD详细布线比赛的测试集.实验结果表明,与普通详细布线相比,可降低约60%的冲突数量以及70%的缝合点数量.     

基于自适应随机梯度下降方法的非平衡数据分类

对于不平衡数据分类问题,传统的随机梯度下降方法在求解一般的支持向量机问题时会产生一定的偏差,导致效果较差。自适应随机梯度下降算法定义了一个分布p,在选择样例进行迭代更新时,其依据分布p而非依据均匀分布来选择样例,并且在优化问题中使用光滑绞链损失函数。对于不平衡的训练集,依据均匀分布选择样例时,数据的不平衡比率越大,多数类中的样例被选择的次数就越多,从而导致结果偏向少数类。分布p在很大程度上解决了这个问题。普通的随机梯度下降算法没有明确的停机准则,这导致何时停机成为一个很重要的问题,尤其是在大型数据集上进行训练时。以训练集或训练集的子集中的分类准确率为标准来设定停机准则,如果参数设定恰当,算法几乎可以在迭代的早期就停止,这种现象在大中型数据集上表现得尤为突出。在一些不平衡数据集上的实验证明了所提算法的有效性。     

基于数据重平衡的AUC优化Boosting算法

接收者操作特性(Receiver operating characteristics, ROC)曲线下面积(Area under the ROC curve, AUC)常被用于度量分类器在整个类先验分布上的总体分类性能. 原始Boosting算法优化分类精度,但在AUC度量下并非最优. 提出了一种AUC优化Boosting改进算法,通过在原始Boosting迭代中引入数据重平衡操作,实现弱学习算法优化目标从精度向AUC的迁移. 实验结果表明,较之原始Boosting算法,新算法在AUC度量下能获得更好性能.     

判定定常Chetaev型非完整系统稳定性的三重组合梯度方法

研究判定定常Chetaev型非完整系统稳定性的三重组合梯度方法. 首先,分别给出4类基本梯度系统和4类三重组合梯度系统的定义和微分方程;其次,得到非完整系统的相应完整系统成为三重组合梯度系统的条件,从而将定常Chetaev型非完整系统化成各类三重组合梯度系统;最后,利用三重组合梯度系统的性质来研究系统的稳定性. 举例说明结果的应用.     

基于NKSMOTE算法的非平衡数据集分类方法

SMOTE(Synthetic Minority Over-sampling TEchnique)在进行样本合成时只在少数类中求其K近邻,这会导致过采样之后少数类样本的密集程度不变的问题。鉴于此,提出一种新的过采样算法NKSMOTE(New Kernel Synthetic Minority Over-Sampling Technique)。该算法首先利用一个非线性映射函数将样本映射到一个高维的核空间,然后在核空间上计算少数类样本在所有样本中的K个近邻,最后根据少数类样本的分布对算法分类性能的影响程度赋予少数类样本不同的向上采样倍率,从而改变数据集的非平衡度。实验采用决策树(Decision Tree,DT)、误差逆传播算法(error BackPropagation,BP)、随机森林(Random Forest,RF)作为分类算法,并将几类经典的过采样方法和文中提出的过采样方法进行多组对比实验。在UCI数据集上的实验结果表明,NKSMOTE算法具有更好的分类性能。     

基于JetsonTX2的无感式行人重识别特征提取系统

自1993年Yan LeCun首次展示了将卷积神经网络用于文本识别以来,卷积神经网络在计算机视觉领域的应用不断兴起,并且其表现特别优异,特别是在检测、识别方面有了长足的发展。通常在行人检测和行人重识别任务中,网络接受的对象都是单张图片,而实际在生产环境中,往往任务面对的都是一段连续的视频,其中充斥着大量有弱关联的目标样本。论文针对智能视频监控中,在JetsonTX2上使用MobilenetV2-YoloV3作为目标检测框架,使用一种改进的基于BOT行人重识别网络作为行人重识别框架。之后利用KM算法以及梯度下降计算特征中心对视频输出目标样本进行关联和特征融合,实现无感式行人特征提取。     

基于三重DES的延迟函数构造

延迟函数是指函数的输出需要一定时间,但计算复杂度又不同于密码难度的一类函数。给出了一种基于hash碰撞的延迟函数的实现方法,以此方法实现的延迟函数,具有安全高效,延迟度可控的特点,可用于电子彩票中奖数字的产生,对于电子彩票方案的设计具有重要的意义。     

一类非线性离散系统的直接自适应模糊控制

针对一类含延迟非线性离散系统,提出了一种直接自适应模糊控制器设计的新方案．将系统用T-S模糊模型来表示,并基于并行分布补偿(PDC)基本思想设计了一种具有未知参数的模糊控制器,同时采用梯度下降算法对该控制器的参数进行在线辨识．通过输入到状态稳定(ISS)方法,证明了系统输出和参考输出的误差有界且满足一定的平均性能．仿真表明本方法的有效性．     

基于多元回归算法的PaaS平台资源自动化分配方法

针对PaaS平台下资源离散性过强、数据量过大导致的分配不均问题,提出了一种基于多元回归的自动化分配算法实现有效解决。统计所有资源数据样本,利用多元回归算法计算观测序列中残差平方和最小的样本集,代入损失函数中求出损失差值,得到最小损失值,根据梯度下降规律寻找集合中梯度值最优样本,以该样本作为分配参照。设立一套内容为分配与参考样本值相关度最高的资源数据约束条件,不断迭代计算直至求得所有符合约束条件的资源,将符合条件的为一组分配,剩余为另一组分配。根据资源的时间和位数的分布序列,不断实施离散捕捉查找残留资源,再实施二次分配。仿真实验证明,所提方法分配后PaaS平台资源吞吐量增加,消耗代价减少,算法分配时间较低,整体实用能力强。     

不均衡数据集中基于Adaboost的过抽样算法

为了提高不均衡数据集中少数类的分类性能,该文融合了提升和过抽样的优点,提出了基于提升算法Adaboost的过抽样算法MCMO-Boost,并且将其与决策树算法C4.5、提升算法Adaboost和过抽样算法SMOTE进行了实验比较与分析。结果表明,MCMO-Boost算法在少数类和数据集的总体分类性能方面都优于其它算法。     

基于克隆选择算法的新型多目标派梯策略

把Pareto解集应用到电梯群控系统多目标权重值确定的研究中,采用随机权重法,一次生成多组不同权重值,并对各权重值下生成的派梯方案求取Pareto最优解,能够一次得到多组不同最优派梯方案,为研究人员决策提供了更多直观的数据;根据优缺点互补特性,将梯度下降算子加入克隆选择算法,加快其后期收敛速度,以随机层间均衡交通流为乘客流,将混合算法与克隆选择算法应用于电梯群控系统中寻找节能策略,混合算法一定程度上优于克隆选择算法。     

过程神经元网络的研究与进展

过程神经元网络是一种适合于处理过程式信号输入的网络,其基本单元是过程神经元--一种新的神经元模型.本文介绍了过程神经元及其网络模型的基本理论及其特点,概述了一种基于梯度下降的学习算法及算法流程,总结了近几年来过程神经元网络及其算法的最新研究进展,并给出了一些已有的应用成果,讨论了一些具有前景的研究方向.     

基于均衡化函数的k均值优化算法

传统的k-means算法要求用户事先给定k值,限制了很多应用,初始中心点随机选择,容易导致局部极值点,常用的评价函数对于求解最优聚类数目也不理想。针对这些问题,该文提出一种新的评价函数——均衡化函数,采用基于密度的初始化中心点选择算法,自动生成聚类数目,实验结果表明了改进算法的有效性。     

零化多项式与仿射空间关系研究

为把流密码的代数攻击问题转化为求解布尔函数的低次数零化多项式问题,讨论布尔函数的性质,介绍{0,1}上矩阵的特殊结构,研究两者间的关系,在此基础上探讨n元布尔函数f的零化多项式次数与f的支撑点集之间的关系,实验结果表明,寻找布尔函数零化多项式等价于在布尔函数的零点集合中寻找最大的仿射空间。     

QBoost: Predicting quantiles with boosting for regression and binary classification

In the framework of functional gradient descent/ascent, this paper proposes Quantile Boost (QBoost) algorithms which predict quantiles of the interested response for regression and binary classification. Quantile Boost Regression performs gradient descent in functional space to minimize the objective function used by quantile regression (QReg). In the classification scenario, the class label is defined via a hidden variable, and the quantiles of the class label are estimated by fitting the corresponding quantiles of the hidden variable. An equivalent form of the definition of quantile is introduced, whose smoothed version is employed as the objective function, and then maximized by functional gradient ascent to obtain the Quantile Boost Classification algorithm. Extensive experimentation and detailed analysis show that QBoost performs better than the original QReg and other alternatives for regression and binary classification. Furthermore, QBoost is capable of solving problems in high dimensional space and is more robust to noisy predictors.     

基于免疫遗传算法和梯度下降的RBF网组合训练方法

免疫遗传算法除了具有简单遗传算法的全局寻优能力外,还具有免疫记忆、免疫调节及多样性保持功能。梯度下降算法训练神经网络收敛速度慢,容易陷入局部最优,且受初始值的影响较大。本文综合两种方法的优点,提出一种用免疫遗传算法结合梯度下降算法的组合训练方法,用于RBF网的训练,并通过实验证明所提出的组合算法比简单遗传算法结合梯度下降组合算法的速度更快并且最终误差更小。     

共享经济背景下多属性双边匹配问题求解

对双边匹配类问题进行抽象建模,改进属性匹配度计算模型,求出匹配双方的偏好序,引入机器学习的思想改进蚁群算法对之求解。针对蚁群算法前期易早熟、后期难收敛的问题,提出非线性梯度启发信息和基于历史搜索信息的状态转移策略;针对蚁群算法初始参数设置难、调参工作量大的问题,提出基于梯度下降思想的自动调参方法;并制定稳定匹配和当前最优匹配的评价规则,引导蚁群算法的信息素更新。仿真结果表明改进的蚁群算法与传统蚁群算法相比评价值提升约20%。与传统蚁群和基于RNA计算改进的蚁群算法相比求解稳定性更优。