基于免疫克隆选择的最优ECOC编码输出

纠错输出编码（Error Correcting Output Codes,ECOC）是解决模式识别领域多类分类问题的有效工具。在寻找最优编码输出的问题上,现有方法忽略了样本类别之间的相关性,导致学习效率和分类效果低下。为构造数据感知的编码矩阵,提出基于免疫克隆选择（Immune Clonal Selection Algorithm,ICSA）的最优纠错输出编码方法,将矩阵构造的多约束NP（Non-deterministic Polynomial,NP）难问题转换为优化搜索问题.首先基于分类精度和编码长度定义亲合度函数,然后结合样本知识改进变异交叉算子,根据约束性条件对矩阵进行搜索,从而快速有效地构建最优ECOC编码.实验表明该方法能够在提升多类分类精度的同时加快算法效率,而且输出的编码矩阵更加紧凑.     

带拒绝域的ECOC多类分类

针对纠错输出编码分解框架的自身特点、从降低误判风险出发,研究了带拒绝域的ECOC多类分类方法.首先在二类划分过程中引入拒绝域,对不属于正负子类的待识别样本进行拒识;其次,在基分类器内部引入拒绝域,以最小化风险贝叶斯决策为目标,利用后验概率输出和代价矩阵寻找拒绝域阈值,对样本输出值落入拒绝域中的样本进行拒识;最后,研究了不同拒绝域输出的解码方法,并讨论了拒识码字个数和矩阵最小Hamming距离之间的关系.实验结果表明基于二类划分构造的拒绝域能够提高分类正确率,而基于基分类器构造的拒绝域能够减小分类代价.     

One-Class分类器研究

 传统的多类分类问题需要多类样本训练分类器,然而由于样本获取(复杂性或代价)的原因很多情况下只能获取一类样本,故只能利用这一类样本进行学习,形成数据描述从而实现分类,故称之为One-Class分类.鉴于目前单类分类研究存在领域相关方法和通用方法百花齐放的格局,本文首先给出了当前One-Class分类器的研究综述,然后重点针对基于核方法的单类分类器进行分析,将该类方法分为对偶方式和核距离方式两类,并分析各自的特点.最后论文介绍了目前的单类分类器的应用领域,指出其在故障分析、异常检测、疾病诊断和敌我识别等现实问题中的重要作用.     

基于神经网络的纠错输出编码方法研究

构造基于数据编码矩阵是目前利用纠错输出编码解决多类分类问题的研究重点.为此提出利用单层感知器作为学习框架,结合解码策略把输出编码矩阵各码元值映射为感知器网络中的权值,同时引入含权值取值约束的目标函数作为该网络代价函数,并对其进行学习,最终得到基于子类划分的数据编码矩阵.实验中利用人工数据集和UCI数据集并选择线性逻辑分类器作为基分类器分别进行测试,通过与几种经典编码方法比较,结果表明该编码方法能在编码长度较小情况下得到更好的分类效果.     

从OFC会议观无中继光纤传输系统发展概貌

介绍了近年来OFC及ECOC会议无中继光纤传输系统的发展概貌,列举了几个具有代表性的实验传输系统,指出传输光纤有效面积的合理配置将成为未来无中继光纤传输系统研究发展的重要趋势之一.     

中继协作多播网络中基于最小集合覆盖的编码重传方案

为提高单中继协作多播传输效率,本文提出一种基于最小集合覆盖的分类网络编码重传方案.该方案充分利用中继节点协作传输的优势,将接收端的丢包按中继节点的接收状态分为两类,并按类先后进行编码重传.在各类丢包内部,根据对应的状态反馈矩阵寻找编码机会生成编码包,并将编码包的选择过程抽象为集合覆盖问题,通过求最小集合覆盖使重传次数逼近最小值.此外,在不增加所得前类编码包数的前提下,利用两类丢包之间的编码机会进一步生成新编码包,以减少重传编码包数,从而提高重传效率.分析与仿真结果表明了该方案的有效性.     

低信噪比下相位编码信号载频估计新方法

研究了电子侦察中相位编码信号的载频估计问题, 提出一种低信噪比下载频估计新方法.该方法首先将相位编码信号划分为等长度的交叠区间, 并计算各个区间内信号频谱的聚集性测度, 然后采用网格密度聚类算法对聚集性测度进行分类, 以聚类结果作为载频估计的特征类, 最后叠加特征类频谱并提取峰值得出信号载频估计值.实验结果表明, 该方法无需先验知识, 对编码形式不敏感, 且能够在较低信噪比下完成相位编码信号的载频估计, 适合于电子侦察场合.     

基于特征值分解的中心支持向量机算法

针对广义特征值中心支持向量机(GEPSVM)训练和决策过程不一致问题,该文提出一类改进的基于特征值分解的中心支持向量机,简称为IGEPSVM。首先针对二分类问题提出了基于特征值分解的中心支持向量机,然后基于一类对余类策略将其推广到多类分类问题。将GEPSVM求解广义特征值问题转化为求解标准特征值问题,降低了计算复杂度。引入了一个新的参数,可以调节模型的性能,提高了GEPSVM的分类精度。提出了基于IGEPSVM的多类分类算法。实验结果表明,与GEPSVM算法相比较,IGEPSVM不仅提高了分类精度,而且缩短了训练时间。     

加权解码在解决纠错输出编码Consistent-Diverse平衡问题的应用

 纠错输出编码作为解决多类分类问题的通用集成框架,能有效的把多类问题分解为二类问题从而使问题得以简化.然而在生成基分类器的过程中,经常面临提高基分类器之间的差异性和增加各基分类器与集成分类器学习的一致性的矛盾,称之为consistent-diverse平衡问题.在保证差异性的前提下减小由学习不一致性引起的分类错误率是解决该平衡问题的一个出发点,在此利用加权解码,通过对加权系数矩阵的再学习进而减弱和消除由基分类器学习不一致性产生的误差.实验利用人工数据集和UCI数据集分别加以验证,结果表明以集成分类器的分类错误率为适应度函数的遗传算法搜索出的最优加权系数矩阵相比其它方法产生的系数矩阵在解决consistent-diverse平衡问题更具有优越性.     

基于稀疏编码和集成学习的多示例多标记图像分类方法

 该文基于稀疏编码和集成学习提出了一种新的多示例多标记图像分类方法。首先,利用训练包中所有示例学习一个字典,根据该字典计算示例的稀疏编码系数;然后基于每个包中所有示例的稀疏编码系数计算包特征向量,从而将多示例多标记问题转化为多标记问题;最后利用多标记分类算法进行求解。为了提高分类器的泛化能力,对多个分类器进行集成。在多示例多标记图像数据集上的实验结果表明所提方法与其它方法相比有更好的性能。     

Intravascular Ultrasound Tissue Characterization with Sub-class Error-Correcting Output Codes

Intravascular ultrasound (IVUS) represents a powerful imaging technique to explore coronary vessels and to study their morphology and histologic properties. In this paper, we characterize different tissues based on radial frequency, texture-based, and combined features. To deal with the classification of multiple tissues, we require the use of robust multi-class learning techniques. In this sense, error-correcting output codes (ECOC) show to robustly combine binary classifiers to solve multi-class problems. In this context, we propose a strategy to model multi-class classification tasks using sub-classes information in the ECOC framework. The new strategy splits the classes into different sub-sets according to the applied base classifier. Complex IVUS data sets containing overlapping data are learnt by splitting the original set of classes into sub-classes, and embedding the binary problems in a problem-dependent ECOC design. The method automatically characterizes different tissues, showing performance improvements over the state-of-the-art ECOC techniques for different base classifiers. Furthermore, the combination of RF and texture-based features also shows improvements over the state-of-the-art approaches.     

Hadamard 纠错码结合支持向量机在多分类问题中的应用

多分类问题一直是模式识别领域的一个热点,本文提出了将Hadamard纠错码同二元分类器相结合的方法来解决此问题,相对于其它类型的纠错码多分类器法,该方法的实现简单快捷,且更容易构造出性能优越的纠错码本.本文将Hadamard纠错码和支持向量机相结合,应用于说话人辨认这样一个多分类问题中,并同传统的"1对余"的多类推广方式进行了比较.实验结果表明在多分类任务中,Hadamard纠错码对于不同的类别都表现出了很强的分类能力,且性能优于"1对余"法,对于类间码字的不同分配方式也具有良好的鲁棒性.     

基于混淆交叉的多分类支撑向量机树

本文针对复杂模式分类和多分类问题,提出了一种基于混淆交叉的多分类支撑向量机树模型,其整体结构为二叉树,在树的每个中间节点上嵌入了支撑向量机。在训练阶段,引入混淆交叉因子,在同属一个父节点的中间节点样例间进行样例的混淆交叉,将那些对分类曲面有较大影响的样例纳入树型结构更深层次的训练过程,参与更精细的分类超曲面的构建。本文将提出的支撑向量机树与现有的其他方法作了比较,实验结果说明了本文提出的模型在解决复杂模式识别问题及多分类问题上具有高效准确性及优越的泛化性能。     

A Security Framework for NoC Using Authenticated Encryption and Session Keys

Network on Chip (NoC) is an emerging solution to the existing scalability problems with System on Chip (SoC). However, it is exposed to security threats like extraction of secret information from IP cores. In this paper we present an Authenticated Encryption (AE)-based security framework for NoC based systems. The security framework resides in Network Interface (NI) of every IP core allowing secure communication among such IP cores. The secure cores can communicate using permanent keys whereas temporary session keys are used for communication between secure and non-secure cores. A traffic limiting counter is used to prevent bandwidth denial and access rights table avoids unauthorized memory accesses. We simulated and implemented our framework using Verilog/VHDL modules on top of NoCem emulator. The results showed tolerable area overhead and did not affect the network performance apart from some initial latency.     

一种基于混沌和密钥交换的流加密算法

传统的流加密算法,存在密钥分发和管理以及加密强度不高两大难题。利用混沌及密钥交换的思想,提出了一种新颖的流加密算法。该算法首先由密钥交换得到混沌初始值,再由混沌映射和明文进行有机结合,生成密钥流,然后与明文进行按位异或运算,得到密文。由于混沌加密能够有效的提高加密强度,同时密钥交换可以很好的解决密钥分发和管理的难题。因此,该算法能够改善传统流加密算法中存在的两大难题。     

基于ROC的三元再编码研究

针对三元编码矩阵中基分类器不包含被忽略样本类别先验知识的问题,该文提出一种基于接收机工作特性(ROC)曲线的矩阵再编码方法。首先基于ROC曲线寻找构造拒绝域的阈值对,从而获得最优分类器;然后利用最优分类器对训练样本中被忽略的类别进行分类,将经典的二值输出变为三值输出,从而对初始编码矩阵的码元0进行重新编码。在解码阶段,采用经典的汉明距离解码方法对未知样本进行决策。该方法能够避免基分类器的二次训练,适用于任意的三元纠错输出编码,具有良好的普适性和实用性。基于人工和UCI公共数据集的实验结果表明该方法简单高效,在不增加训练时间的基础上,能够提高解码的速度和精度,促进分类效果的提升。     

Handover Management in Enhanced MIH Framework for Heterogeneous Wireless Networks Environment

Vertical handover decision making is one of the key problems in heterogeneous networks environment. In IEEE 802.21 standard, a Media Independent Handover (MIH) framework is proposed to improve user experience of mobile devices by facilitating handover in heterogeneous networks with measurements and triggers from link layers. However, vertical handover decision making can benefit from the information more than link layers. In this paper, an Enhanced Media Independent Handover (EMIH) framework is proposed by integrating more information from application layers, user context and network context. Given such information, there is also another important problem on how to select a favorite network. Two quite important problems from realistic scenario are as follows: (1) how to make use of partial knowledge due to incomplete value measurement on decision factors; (2) how to deal with robustness problem due to inaccurate measurement on decision factors. In order to tackle these problems, two novel Weighted Markov Chain (WMC) approaches based on rank aggregation are proposed in this paper, in which a favorite network is selected as the top one of rank aggregation result fused from multiple ranking lists based on decision factors. Moreover, an entropy weighting method, combined with WMC approach, is studied. The simulations demonstrate the effectiveness of these proposed approaches.