干扰环境下通信传输信号优化仿真研究北大核心CSCD

由于不同信号传输信道不同,导致信号传输过程中产生的大量噪声与信号形成较强的内在关联,造成信号精度差。传统的算法只是对传输信号进行简单的滤波处理,忽略了含噪信号存在的内在关联性而部分藏匿噪声不能消除的问题,导致去噪效果差。提出改进小波算法的干扰环境下的滤波通信方法。依据在干扰环境下通信序列的周期性组建干扰环境下的通信模型,将通信过程中的含噪信号分离问题转变为超定盲源分离问题,利用小波包分解原理,将通信的频带进行多频段划分,将没有划分的高频数据进行细致的分解,同时进行通信滤波消噪,采用软阈值和固定阈值来量化小波包系数,利用处理过的小波包系数对去噪后的信号进行重构,精确的实现了干扰环境下的滤波通信。仿真结果表明,改进小波算法在干扰环境下的滤波通信去噪效果好,鲁棒性强。     

异构容错控制平面的安全性分析

随着软件定义网络的大规模应用,软件定义网络的安全性显得愈发重要。基于异构思想的容错控制平面作为一种重要的防御思路,近年来越来越引起研究者的注意。但是现有容错控制平面的研究中忽视了异构原件中的同构漏洞问题,这大大降低了容错控制架构对软件定义网络的安全收益。从异构原件中的同构漏洞出发,首先分析了同构漏洞对控制平面的安全影响,然后以此为基础对容错控制平面的容忍能力进行量化,构造出一个最大化容忍能力的控制平面布局方法。实验仿真证明了所提方法可以有效降低控制平面的故障概率,攻击者在对基于所提方法构造的控制平面进行攻击时,需要花费更多的攻击成本才可以瘫痪控制平面。     

基于VMD和小波阈值的ECG肌电干扰去噪处理

针对现有心电信号肌电干扰去噪方法的不足,本文提出利用变分模态分解和小波阈值相结合的方法对心电信号肌电干扰进行去噪处理,该方法通过对含噪心电信号进行变分模态分解,确定信号主导模态分量与噪声主导模态分量,噪声主导模态分量的小波阈值变换和重构无噪心电信号,共四步实现对含有肌电干扰的心电信号的去噪处理。其中,通过分析研究所有模态分量中心频率的分布,确定变分模态分解的层数,多组仿真与真实含噪心电信号的相关实验表明。本文所提出的去噪方法可有效去除心电信号中的肌电干扰,且去噪效果优于小波阈值法、变分模态分解法和经验模式分解法。     

采用SVD-NMF的管道泄漏信号去噪算法

在管道泄漏检测中,压力信号中的噪声干扰会降低传统互相关法的定位精度。传统的去噪算法对环境的适应性差,去噪效果不理想。为此,提出了一种奇异值分解SVD( Singular Value Decomposition)与非负矩阵分解NMF( Nonnegative Matrix Factorization)相结合的管道泄漏信号去噪算法。该方法首先通过奇异值分解确定非负矩阵分解的阶数并对其初始化;然后,采用改进的非负矩阵分解算法对原信号进行迭代分解,获得去噪信号;最后,对去噪信号进行处理后通过互相关计算时延,并结合泄漏信号的传播速度实现泄漏定位。大量实验结果表明,SVD￣NMF算法能够显著降低迭代次数,提高去噪速度;同时在泄漏检测中,能够达到去除噪声干扰,提高定位精度的目的。     

基于小波去噪的有向加权社团发现研究

目前大部分社团发现方法都是针对无向无权图,但实际的社会媒体中的社团内部个体交互过程可以抽象为一个有向加权图,并且权重中含有大量的噪声.为解决有向加权社团的划分问题,本文提出一种基于非负矩阵分解(Nonnegative matrix factorization,NMF)可去噪声的社团发现方法.该方法通过小波阈值去噪对社会网络数据进行去噪处理,结合有向加权的非负矩阵分解算法对去噪后的数据集进行社团发现,准确找出社团结构.在社会媒体的实验数据集和标准数据集上的实验结果表明,该算法针对带噪声的有向加权图社团发现问题具有良好划分性能,SNR为15时,在Lesmis数据集上的社团划分准确率达到96％,划分模块度值提高了29％.本文为解决带噪的有向加权的社会网络数据提供了切实有效的处理方法.     

基于马氏距离的异构网络异常大数据剔除方法

传统异构网络异常大数据剔除方法存在数据维度较高、噪声较明显问题,导致异常数据剔除率偏低,且方法精度也不够理想.研究提出基于马氏距离的异构网络异常大数据剔除方法.利用改进马氏距离降维处理异构网络数据,分析数据之间相关性,提取网络数据主成分,生成具有较强抗噪性的高斯加权核函数.通过降维处理后的网络数据构建异常大数据信息流模...     

高速网络多段支持度数据自动加密算法仿真

针对多段支持度数据加密后存在数据安全指标较低,加密所用的时间较长的问题,提出高速网络多段支持度数据自动加密算法.首先通过DHA去噪方法去除多段支持度数据中存在的噪声,消除噪声对加密过程造成的干扰,去噪后测试节点密度,减少多段支持度数据加密所用的时间.然后结合椭圆曲线数据签名算法和椭圆曲线加密算法对多段支持度数据进行加密,提高加密后数据的安全性.最后设置仿真,结果表明,所提方法加密后的数据安全性高、加密效率高,在短时间内可有效完成多段支持度数据的自动加密.     

光纤通信网络非平稳数据智能挖掘仿真研究

探究一种有效的非平稳数据智能挖掘方法,可以克服智能挖掘过程中受多种噪声的干扰,对光纤通信网络的大规模使用具备重要的现实意义。为了解决当前挖掘方法由于各种原因影响造成数据不完整、延时较长、遗漏率较高等问题,提出一种基于关联规则映射的非平稳数据智能挖掘方法,利用原始去噪算法对收集的非平稳数据样本进行去噪,获取非平稳数据的置信度。利用时间加权方法依据非平稳数据置信度对非平稳数据进行去噪,得到去噪后的非平稳数据。将其用于构建数据子空间矩阵,挖掘不同子空间非平稳数据集,利用同一空间下非平稳数据集的关联强度挖掘出非平稳数据集,实现了非平稳数据智能挖掘。仿真测试结果证明,所提方法能够有效缩短挖掘延时、提高数据挖掘完整率、降低遗漏率,具备较强的可行性。     

基于小波阈值去噪的心电信号分析

研究心电信号优化问题,为去除心电信号采集过程中存在的噪声信号,抑制各种噪声干扰,提出了小波阈值去噪的心电信号去噪.以小波阈值降噪为基础,首先利用sym8小波对心电信号进行8尺度分解,再用软、硬阈值与小波重构的算法进行去噪.针对软阈值去噪法产生的伪吉布斯现象,采用一种新阈值函数对心电信号进行处理.通过对MIT心电数据库中...     

基于VMD和小波阈值的水听器信号去噪方法

针对水听器采集信号过程中存在的外界环境噪声干扰问题,提出了一种基于变分模态分解和小波阈值(VMD-WT) 的联合去噪方法该方法首先对含噪信号进行VMD分解,得到固有模态函数(IMFs)。然后计算每个IMF分量的中心频率和相关系数,通过相关系数阈值去除噪声IMFs,并对其余有用的IMFs进行小波阈值去噪处理。最后对去噪的IMF分量进行重构,得到具有良好信噪比的信号,通过仿真实验,证明了本方法与CEEMDAN=WT(自适应噪声的完备经验模态分解－小波阈值去噪)、EEMD-WT(集合经验模态分解－小波阈值去噪)、EMD-WT(经验模态分解－小波阈值去噪)、WT(小波阈值去噪)等方法相比,具有更好的去噪效果。通过对光纤水听器的实测实验表明本文的VMD-WT法在实际水听运用中具有良好的提高信噪比的性能。     

一种基于形态-EMD滤波的过程数据预处理方法

针对化工过程数据的特点,提出一种基于形态-EMD滤波的过程数据预处理方法,先构造一类广义形态滤波器滤除过程数据的粗差干扰,引入经验模式分解滤波法消除随机噪声成分,降低正常过程数据的波动,提取过程数据特征成分,显著提高过程监控性能.与传统的过程数据滤波方法相比,形态-EMD滤波方法无需预先确定滤波器参数,是一种完全的数据...     

异构复杂信息网络下的异常数据检测算法

异构复杂信息网络承载着不同的协议和网络信道,并通过云储存实现资源调度,由此产生的异常数据会给网络信息空间带来安全威胁和存储开销,所以需要进行异常数据准确检测。传统的检测算法采用简化梯度算法进行异常数据检测,不能有效去除多个已知干扰频率成分的异常数据,检测性能不好。提出一种基于自适应陷波级联模型的异常数据检测算法。构建异构复杂信息网络系统模型,采用固有模态分解把异常数据信号解析模型分解为多个窄带信号,设计二阶格型陷波器结构,用多个固定陷波器级联抑制干扰成份,采用匹配投影法寻求优化特征解,找出所有匹配的特征点对,从而实现异常数据检测的改进。仿真实验表明,采用该算法进行异常数据检测时,信号幅值大于干扰噪声数据幅值;该算法提高了检测性能,具有较好的抗干扰性能。     

面向多元组关系-集值数据的脱敏方法

对数据发布中传统方法脱敏多元组关系-集值数据可能导致信息泄露以及产生较高信息损失的问题进行研究,提出基于(K,L)-多样性模型的多元组关系-集值数据的脱敏方法PAHI.根据准标识符将多元组数据转换为单元组数据;用信息增益比优化分割方法,实现集值数据K-匿名;引入敏感度值建立集值指纹桶,采用敏感度距离优化剩余元组的处理,...     

多光谱图像纹理特征数据挖掘方法仿真

为了更好地实现多光谱图像特征数据处理效果,将数据挖掘引入到多光谱图像特征数据处理中。但当前多光谱图像纹理特征数据挖掘过程中,普遍存在着特征数据挖掘时间过长、成本消耗过大、数据挖掘精确度较低等问题。提出基于Contourlet变换的图像纹理特征挖掘方法。对多光谱图像纹理特征数据进行模糊预处理,采用邻近范围相关性等知识去除多光谱图像包络线,在此基础上对多光谱图像纹理特征进行分析,利用形态学滤波算子去除多光谱图像中的噪声点。引用Contourlet变换方法将多光谱图像从空间域变换到频率域,提取了变换分解后的多光谱图像低频子带和高频子带的特征向量,完成多光谱图像纹理特征数据挖掘。实验结果表明,所提方法挖掘得到的数据均匀度较好、深浅度适中,挖掘精度高,且所提方法挖掘时间较短、成本消耗较低。     

基于数据挖掘的存储数据纠删码容错方法仿真

在存储数据的纠删码容错中,针对传统存储数据纠删码容错方法容错速度较低的问题,提出一种基于数据挖掘的存储数据纠删码容错方法。采用数据挖掘方法对存储数据纠删码进行重构,计算存储数据纠删码的丢失片段;利用CHR算法对存储数据纠删码进行异构修复,通过建立存储数据纠删码容错模型实现存储数据的纠删码容错。为了验证存储数据纠删码容错方法的有效性,将存储数据纠删码容错方法与传统存储数据纠删码容错方法进行对比,实验结果得出:上述方法与基于流水线的存储数据纠删码容错方法、基于RapidRaid码的存储数据纠删码容错方法、基于非规则LDPC码的存储数据纠删码容错方法的容错速度分别为:286Mbps/s、262Mbps/s、243Mbps/s、232Mbps/s,比较可知,所提方法的容错速度最快,证明了上述方法的优越性。     

基于数据挖掘的入侵防御系统研究

针对传统异构安全设备的广泛应用而产生的海量不可靠安全事件和难以有效管理的现状,提出了一种基于数据挖掘的深度入侵防御系统模型。其中,以统一网络安全管理平台为核心,采用在线检测和离线数据挖掘相结合的方式分析网络和主机数据。     

基于社群发掘构建在线社交网络的高层架构

针对在线社交网络的巨大规模和复杂结构造成的网络分析困难问题,提出建立简明的在线社交网络的高层架构。定义在线社交网络高层架构由社群、链接中心及其它们之间的关联关系组成,提出一种基于社群发掘的在线社交网络高层架构构建方法。通过建立定量属性图来表达在线社交网络,综合利用节点和边的属性进行社群发掘。基于社群发掘结果辨识连接中心,生成社群和连接中心之间的关联关系,从而构建起在线社交网络的高层架构,实现对复杂在线社交网络的高层次的简明表达。将该方法用于建立一个商业电子公告板(BBS)在线社交网络的高层架构,在关联强度和社群尺度分别为0.5和3时可获得良好的社群发掘结果,建立的高层架构与实际情况比较一致。     

空间关联规则的双向挖掘

空间数据库中关联规则挖掘不仅需要考虑关系元组属性之间的关系——纵向关系,更需要挖掘元组之间的关系——横向关系,如相邻、相交、重叠等。本文通过分析空间数据库的存储模式,借鉴事务数据库关联规则的挖掘方法,对空间关联规则进行完整定义,并对规则的兴趣度度量进行探讨。根据挖掘的方向将空间数据挖掘归纳为纵向挖掘、横向挖掘、双向挖掘。在双向挖掘中,提出一种新算法,该算法根据挖掘任务进行约束,缩小挖掘空间,然后通过空间计算将空间关系转化为非空间关系,经过多次循环,获取非空间项集,进而挖掘出空间关联规则。据此提出空间数据双向挖掘工作流程,并通过实例进行了验证。     

Data Mining via Discretization, Generalization and Rough Set Feature Selection

We present a data mining method which integrates discretization, generalization and rough set feature selection. Our method reduces the data horizontally and vertically. In the first phase, discretization and generalization are integrated. Numeric attributes are discretized into a few intervals. The primitive values of symbolic attributes are replaced by high level concepts and some obvious superfluous or irrelevant symbolic attributes are also eliminated. The horizontal reduction is done by merging identical tuples after substituting an attribute value by its higher level value in a pre- defined concept hierarchy for symbolic attributes, or the discretization of continuous (or numeric) attributes. This phase greatly decreases the number of tuples we consider further in the database(s). In the second phase, a novel context- sensitive feature merit measure is used to rank features, a subset of relevant attributes is chosen, based on rough set theory and the merit values of the features. A reduced table is obtained by removing those attributes which are not in the relevant attributes subset and the data set is further reduced vertically without changing the interdependence relationships between the classes and the attributes. Finally, the tuples in the reduced relation are transformed into different knowledge rules based on different knowledge discovery algorithms. Based on these principles, a prototype knowledge discovery system DBROUGH-II has been constructed by integrating discretization, generalization, rough set feature selection and a variety of data mining algorithms. Tests on a telecommunication customer data warehouse demonstrates that different kinds of knowledge rules, such as characteristic rules, discriminant rules, maximal generalized classification rules, and data evolution regularities, can be discovered efficiently and effectively.