基于几何校正与非下采样Shearlet变换的图像水印算法

为了解决当前图像水印技术难以抵御几何失真,使其鲁棒性较低与误检率较高的问题,提出了几何校正与非下采样Shearlet变换的图像水印算法.首先,引入Cat映射,对水印信息图像进行置乱;随后,借助非下采样Shearlet变换机制,对载体图像进行处理,获取低通子带和高通子带,并将低通子带分割为尺寸相同的小块;通过修改低通子带的Shearlet系数,建立水印嵌入机制,将水印信息植入到载体图像中,获取水印密文;构建几何失真图像训练样本,基于极谐变换,计算水印图像的极谐变换系数模,充分描述其鲁棒特征;基于模糊支持向量机,预测几何失真参数,对水印图像进行几何校正;最后,再次利用非下采样Shearlet变换处理校正水印图像,获取低通子带小块,设计水印提取方法,复原其水印信息.实验结果显示：与当前图像水印算法相比,所提算法具有更高的不可感知能力与鲁棒性,对于各种几何攻击,所提取技术的复原水印与初始水印的相关系数均要高于0.95.     

基于粒子群优化算法的网页分类技术

粒子群优化算法由于其高效、容易理解、易于实现,在很多领域得到了应用.网页分类是网络信息检索研究的关键技术之一,在对网页的表示时,将Web页面分解为不同的部分,之后迭代使用SVM算法构造分类器.由于PSO算法是一种基于迭代的优化工具,对训练过程中迭代产生的网页分类器进行优化组合,产生最终分类器,同时也增强了分类器的自适应性.实验结果表明,通过对迭代产生的分类器进行优化组合,以及对网页结构的划分,寻找并利用网页集中蕴藏的规律综合计算特征权值,大大提高了网页分类的正确率和F-measure值,所以这种方法是有效的、稳健的和实用的.     

基于DTC鲁棒盲水印算法算法研究

该文在对数字水印的分类、原理以及近几年所产生的新进展的基础上,深入研究DCT域变换的方法,并以此方法为基础实现盲水印的嵌入和提取。文中在理论推导的基础上给出实验分析,证实了文中给出方法的正确性,获得盲水印的图像效果较好。     

基于粒子群优化算法的一种智能水印技术

提出的核心方法是在小波域利用粒子群优化算法的一种智能盲水印技术。利用粒子群的最优化算法自适应地计算出量化增量,将二进制数字水印序列0和1逐位嵌入到每一个系数模块中,解决嵌入水印图像质量和水印鲁棒性之间的矛盾。即:将原始图像按照规定阶进行离散小波变换DWT分解出高频子带,随机地将高频子带系数构成固定长度的系数模块,确定每一个模块的有效系数差,根据嵌入规则嵌入水印,按照相逆的方法提取水印。实验仿真说明了该方法的有效性。     

基于小波变换的图像鲁棒水印算法

分析了水印嵌入中的几个关键问题,确定了问题的解决方法,提出一种小波域透明图像水印算法,利用图像经小波分解后小波系数的特性,并利用人眼视觉掩蔽特性对水印的添加强度进行自适应调节,以解决水印的鲁棒性和不可感知性的矛盾问题。     

一种新的基于小波变换的自适应可视水印嵌入算法

一、前言随着当代信息技术的迅猛发展,各种数字化产品、电子出版物(图片、音频、视频、文本等)的发布变得日益流行,数字信息的复制也变得越来越简单。同时,伴随着Internet的日益普及,使得人们可以通过计算机网络传播多媒体资源而带来巨大的商业利润。因此对于内容提供商和版权所有者而言,在网络上发布他们的数字作品(例如数字图像、数字音乐、数字视频等)时如何保护他们的知识产权就成了一个非常迫切的问题。众所周知,网络上传播最为广泛的是各种数字图像,许多个人平面设计者、广告公司、建筑设计单位、报社编辑部门、网     

基于粒子群优化支持向量机的电梯故障诊断

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。     

基于粒子群算法的支持向量机的参数优化

支持向量机(Support Vector Machine,SVM)对内部参数有着极高的依赖性,因此参数的好坏直接决定了SVM的分类效果,比如径向基核函数的参数。为了寻找出与分类问题相契合的参数,将样本数据投影到高维度特征空间,从而在特征空间中计算类内平均距离与类外中心距离之差,并将其作为参数评估的适应值;利用粒子群算法的全局寻优能力,在定义域内生成种群以代表不同的参数取值;利用粒子的随机游走来进行最优参数搜索,并将结果代入SVM进行样本训练。将所提算法与网格算法等进行了比较,结果表明所提算法的参数设定更加准确,分类准确率有显著提高,且算法复杂度并没有明显增加。     

一种改进的基于粒子群优化的SVM训练算法

支持向量机的训练需要求解一个带约束的二次规划问题,但在数据规模很大的情况下,经典的训练算法将会变得非常困难。提出了一种改进的基于粒子群的优化算法,用于替代支持向量机中现有的训练算法。在改进后的粒子群优化算法中,粒子不仅向自身最优和全局最优学习,还以一定的概率向其他部分粒子的均值学习。同时,还引进了自适应变异算子,以降低未成熟收敛的概率。实验表明,提出的改进训练算法相对改进前的算法在性能上有显著提高。     

基于粒子群算法和支持向量机的故障诊断研究

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的新型机器学习方法,具有出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中;支持向量机中核函数的参数选择非常重要,它决定着故障诊断的精确度;为了提高电气设备故障诊断的精度和效率,将粒子群优化算法和最小二乘支持向量机相结合,提出了一种基于粒子群支持向量机的故障诊断方法,能够实现对核函数的σ参数进行快速动态选取,提高故障诊断的准确率和效率;实验表明,该方法能够有效地找出合适的核参数,并能取得较好的分类效果。     

粒子群优化的最佳阈值选取

选取最佳的收缩阈值是变换域收缩去噪的关键。针对Shearlet变换域图像收缩去噪的阈值选取问题,提出了基于粒子群优化的最佳阈值选取算法。建立了Shearlet变换域最佳阈值选取的广义交叉验证准则;以广义交叉验证准则为适应值函数,利用粒子群优化算法自适应地确定出与Shearlet尺度和方向匹配的最佳阈值。算法不依赖任何的先验知识,实现Shearlet变换域图像自适应去噪。仿真结果表明,最佳阈值能够更有效地去除噪声,获得更好的视觉效果。     

基于粒子群与支持向量机的隧道变形预测模型

针对粒子群算法易早熟且在算法后期易在全局最优解附近产生振荡现象,提出一种自适应调整惯性权重的优化粒子群算法。该算法引入双曲线正切函数的非线性变化思想,使惯性权重随着迭代次数的增加产生自适应调整,有利于增强粒子搜索能力及收敛速度,不易陷入局部极值点。将该算法应用于基于支持向量机的隧道变形预测模型中,对预测模型的超参数进行优化,并利用稳态与非稳态两组实测工况数据对组合算法进行工程测试,结果表明采用SaωPSO＋SVM算法可有效提高预测模型的计算精度,增强其鲁棒性,有助于隧道变形的工程建模。     

粒子群优化支持向量机的入侵检测算法

为了提高网络入侵的检测正确率,针对网络入侵检测中特征选择问题,将二值粒子群优化算法(BPSO)用于网络入侵特征选择,结合支持向量机(SVM)提出了一种基于BPSO-SVM的网络入侵检测算法。该算法将网络入侵检测转化为多分类问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。实验结果表明,BPSO-SVM有效降低了特征维数,显著提高了网络入侵的检测正确率,还大大缩短了检测时间。     

改进粒子群算法在调制模式识别中的应用

针对标准PSO算法易陷入局部最优化和LDW-PSO算法不能适应复杂、非线性优化的问题,提出了一种基于信息熵理论的改进粒子群算法(EPSO).该方法利用信息熵值确定惯性权值,使之具有自适应地调整“探索”和“开发”的能力.将新算法应用于调制模式识别中SVM分类器最优参数值的确定,仿真研究实明,该算法性能稳定.与标准PSO和LDW-PSO算法相比,EPSO算法有效增强了跳出局部最优解的能力,具有较好的工程应用性.     

基于粒子群算法优化支持向量机的模拟电路诊断

为了提高支持向量机网络(SVM)进行模拟电路诊断的准确率,提出了一种基于粒子群(PSO)算法和支持向量机的诊断方法。该方法首先对被测电路的响应信号进行多小波变换,通过归一化处理得到分类能力强的最优故障特征;然后用粒子群算法优化支持向量机的结构参数,实现对不同故障模式分类识别。仿真结果表明,此方法能有效提高模拟电路故障诊断准确率。     

基于离散粒子群和支持向量机的特征基因选择算法

基因芯片表达谱信息,为识别疾病相关基因及对癌症等疾病分型、诊断及病理学研究提供一新途径。在基因表达谱数据中选择特征基因可以提高疾病诊断、分类的准确率,并降低分类器的复杂度。本文研究了基于离散粒子群(binary particle swarm optimization,BPSO)和支持向量机(support vector machine,SVM)封装模式的BPSO-SVM特征基因选择方法,首先随机产生若干种群(特征子集),然后用BPSO算法优化随机产生的特征基因,并用SVM分类结果指导搜索,最后选出最佳适应度的特征基因子集以训练SVM。结果表明,基于BPSO-SVM的特征基因选择方法,的确是一种行之有效的特征基因选择方法。     

基于函数变换的改进混沌粒子群优化*

粒子群在搜索过程中容易陷入局部而无法找到全局最优值,为了解决此早熟问题,提出基于函数变换的改进混沌粒子群优化算法。此方法将Logistic映射和改进的Tent映射引入到粒子群中代替随机数;将函数变换引入到粒子的速度、位置更新过程中以凸显全局最优值与局部极优值的差异,从而使粒子跳出局部极优值点,加细搜索进而找到全局最优值点。数值实验表明,基于函数变换的改进混沌粒子群在搜索时间和效率上要优于标准粒子群和基于Logistic映射的混沌粒子群。改进的算法是可行而有效的。     

粒子群优化算法的变形

分析了粒子群算法的惯性部分、个体认知部分和群体认知部分的作用,对粒子群算法迭代方程的各部分进行变形,获得了三种新形式的粒子群算法。用算例说明所得到的三个新的粒子群算法具有较好的优化能力。     

基于粒子群优化及二维映射的视频水印算法

数字视频水印算法存在的共同问题就是如何解决水印容量、鲁棒性和不可感知性三者之间的矛盾。基于此,提出一种新的H.264/AVC视频水印算法,算法利用粒子群优化算法选择嵌入载体位置并以此位置构造与水印信息之间的二维映射关系来嵌入水印信息。仿真实验结果表明所提算法能够很好地解决上述三者矛盾问题,具有较强的实用性。     

支持向量机和粒子群算法在结构优化中的应用研究*

针对实际复杂结构优化中计算量大的问题,提出将支持向量机代理模型和粒子群算法应用于工程优化设计。采用实验设计选取合适的样本,通过实验或数值仿真获得性能响应,利用支持向量机构建目标函数和约束的代理模型,重构原始的优化问题,采用粒子群优化算法对重构的优化模型进行寻优,从而得到最优解。以典型电子装备功分器的结构尺寸优化为例,采用拉丁方实验设计和高频电磁场仿真软件HFSS获取代理模型的训练样本,建立功分器模型的幅度比、相位差和驻波三个目标函数模型,并对该多目标优化问题进行寻优。结果表明该方法准确、高效,为结构优化设