基于基本块划分的库函数快速识别技术。

分析一般函数在反汇编后的结构特征,提出一种基于基本块划分的函数识别技术,将其用于库函数快速识别的设计中。针对库函数识别中的重定位及级联识别等问题,给出解决方案,阐述建立、读取库函数特征数据库的实现方法以及库函数识别算法。实验结果证实,该技术可以准确地识别库函数。     

C反编译库函数识别的技术难点及解决方案

库函数的识别是Ｃ语言反编译器的重要组成部分，此文论述了Ｃ反编译库函数识别中存在的技术难点，并给出其解决方案。     

基于特征值的模板化库函数识别

逆编译是编译的逆过程,目的是将可执行的二进制机器代码变换为功能等价的高级语言代码,它在监控恶意代码,挖掘软件漏洞的工作中起着重要的作用。而在面向对象语言的逆编译过程中,模板化库函数识别的难度和复杂性非常大。通过分析现有的C++库函数识别方法,针对库函数模板识别中特征值冲突的关键问题,提出一种改进的特征值构造方法,它能够更完整的保存库函数信息,降低特征值冲突出现的概率,并通过识别部分C++标准模板库函数验证了该算法。     

反编译中的库函数识别的实现研究

库函数的识别是整个反编译过程的一个重要组成部分。结合反编译的整个过程特点,全面地分析了对可执行程序的静态库和动态库识别的实现技术问题,并给出了相应可行的实现方案。在实际中得到了很好的应用。     

反编译中的静态库识别研究

库函数的识别是整个反编译过程的一个重要组成部分。根据可执行程序的静态库的识别过程,该文提出了在这个过程出现的中间代码生成、伪函数模块识别、库函数提取、库函数识别等问题,并给出了对这些问题的解决方法。这些方法在实际的静态库的识别中得到很好的应用。     

ARM静态库函数识别技术研究

深入地分析了"dcc"对库函数的研究,针对运行在ARM处理器上的应用程序,对静态库函数识别提出在二进制级别上动态提取库函数特征文件的方法.该方法利用ARM处理器汇编特征提取函数模块,并在此基础上根据汇编代码的寻址方式编码特征提取模式文件并进行动态签名的生成,结合哈希算法对生成的待识别应用程序函数签名和已有签名文件进行特征匹配,识别库函数相关信息.该方案能准确的识别库函数,并有效地解决识别过程中库文件过多和匹配效率之间的矛盾.     

C++逆编译中库函数识别研究

逆编译系统中库函数识别是最基本的功能之一,而针对C++语言的逆编译研究相当少见。文章在库函数识别方面分析了C++语言与C语言的异同之处,归纳了C++库函数识别的要点,提出并实现了一个基于特征识别的算法,在部分库函数上进行实验并取得了成功。     

可识别载波的红外遥控自学习模块研究与设计

介绍了一种红外遥控自学习模块,采用波形复制方法来实现红外遥控信号的载波识别与波形学习。该模块以STC12C5410AD单片机为核心设计,通过单片机的外部中断与定时器的配合使用,实现红外遥控信号的载波识别与波形学习。经过实际测试,该模块能准确学习红外遥控信号的波形,并能准确控制红外设备,具有良好的通用性和宽载波学习范围,可适用于万能遥控和智能家居系统。     

结合自监督学习和生成对抗网络的小样本人脸属性识别

目的 人脸属性识别是计算机视觉和情感感知等领域一个重要的研究课题。随着深度学习的不断发展,人脸属性识别取得了巨大的进步。目前基于深度学习的人脸属性识别方法大多依赖于包含完整属性标签信息的大规模数据集。然而,对于小样本数据集的属性标签缺失问题,人脸属性识别方法的准确率依然较低。针对上述问题,本文提出了一种结合自监督学习和生成对抗网络的方法来提高在小样本数据集上的人脸属性识别准确率。方法 使用基于旋转的自监督学习技术进行预训练得到初始的属性识别网络;使用基于注意力机制的生成对抗网络得到人脸属性合成模型,对人脸图像进行属性编辑从而扩充训练数据集;使用扩充后的训练数据集对属性识别网络进行训练得到最终模型。结果 本文在小样本数据集UMD-AED（University of Maryland attribute evaluation dataset）上进行了实验并与传统的有监督学习方法进行了比较。传统的有监督学习方法达到了63.24%的平均准确率,而所提方法达到了69.01%的平均准确率,提高了5.77%。同时,本文在CelebA（CelebFaces attributes dataset）、LFWA（labeled faces in the wild attributes dataset）和UMD-AED数据集上进行了使用自监督学习和未使用自监督学习的对比实验,验证了自监督学习在小样本数据集上的有效性。结论 本文所提出的结合自监督学习和生成对抗网络的人脸属性识别方法有效提高了小样本数据集上属性识别的准确率。     

基于深度自编码器子域自适应的跨库语音情感识别

针对不同语料库之间数据分布差异问题,提出一种基于深度自编码器子域自适应的跨库语音情感识别算法.首先,该算法采用两个深度自编码器分别获取源域和目标域表征性强的低维情感特征;然后,利用基于LMMD(local maximum mean discrepancy)的子域自适应模块,实现源域和目标域在不同低维情感类别空间中的特征分布对齐;最后,使用带标签的源域数据进行有监督地训练该模型.在eNTERFACE库为源域、Berlin库为目标域的跨库识别方案中,所提算法的跨库识别准确率相比于其他算法提升了5.26％～19.73％;在Berlin库为源域、eNTERFACE库为目标域的跨库识别方案中,所提算法的跨库识别准确率相比于其他算法提升了7.34％～8.18％.因此,所提方法可以有效地提取不同语料库的共有情感特征并提升了跨库语音情感识别的性能.     

一种基于自学习阈值的快速匹配方法

运算量极大是模板匹配运算的一个关键问题。本文在分析前人工作的基础上提出一种新的匹配算法－基于自学习阈值的快速匹配。本算法从图象本身特征出发，用学习的方法获得了序列阈值，使匹配运算得以加速；同时完全消除了图形匹配测并曲面呈现多峰时出现失配的的可能，而且使我峰状太忧为匹配加速的动力之一。在此基础上，利用随机走动的方法进一步加快了匹配的速度。     

模式识别的最大熵方法

本文提出了模式识别的最大熵方法,其基本思 想是求出最大熵概率分布,再求出条件概率分布,进而作出二值分类．它的特点是能最大限 度的利用已有信息作出最合理的推测．和其它方法相比较,该方法的突出优点是在小样本情 况下仍能保持很好的识别率．     

自动产生一个图书馆的快速原型

AutoPA1.0是一套基于形式化方法的应用程序.它是一个基于需求规范而自动生成软件快速原型的Java代码的软件, 有着坚实、可靠的理论基础.给出一个图书馆管理系统的例子, 阐述如何用UML建立需求模型,然后用AutoPA1.0生成该需求模型对应的软件快速原型的Java代码. 采用的需求模型主要包括一个用况模型和一个概念类模型, 分别用UML中的用况图和类图描述.生成的软件快速原型将包括用况图中每个用例的执行,用一个系统数据库来描述当前系统状态, 该系统数据库保存了当前系统中存在的所有对象以及对象之间的关系.     

统计模式识别技术在刀具判别中的应用

采用模式识别方法,从切削过程的动态切削力和振动信号中抽取特征,对刀具的磨损状态进行了判别。通过时间序列分析建立反映切削状态的数学模型,从动态数据中凝聚信息,构成用于判别的特征向量。在分类器的设计方面,采用了在近邻分类法基础上的三种改进算法:编辑技术、边界抽取和边界补缀。采用上述方法处理的浓缩样本集,其识别率接近大样本集的 1-NNR 的结果,分类速度约提高了6倍。可望用子对刀具磨损的在线监控。     

形象（直感）思维与人机结合的模式识别

本文首先从启发性的论据等几个方面加以引伸，对形象（直感）思维进行探讨，并从传统的中医诊断来说明形象（直感）思维与人识别模式的思维方式，然后以人的模式识别为借鉴，讨论机器的模式识别，以综合集成为着眼点，扼要地介绍了作者所提出的“基于人工神经网络的语义句法模式识别方法”、以手写汉字识别中的子结构检测为例，阐述了有教师的学习及人机结构的模式识别的重要意义。     

基于小波神经网络的组合故障模式识别

提出了一种基于小波神经网络的组合故障模式识别方法.针对以歼击机为代表的非线 性系统中存在的多重并发故障,构造了一个多层的小波神经网络,在输入层对残差信号进行二进 离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,并将其输入到神经网络分类器 进行相应的模式分类.仿真结果表明,本文方法为多重并发故障的诊断提供了有效的方法和途径.     

技术综合集成在模式识别中的应用

本文介绍了采用综合技术集成的方法，解决印刷汉字识别系统误识率太高的重大难题，并通过集成系统的实践，证实了其技术集成优势，由于识别方法的互补效应，不仅提高了识别的正确率，而且使误识率得到大幅度的降低，采用该集成办法研制的系统，经过１００万字的实际文章的测试，系统的识别率超过９８％，误识率小于０．２％，尤其是汉字的误识率小于０．１％。     

联机手写体汉字联想识别系统

本文提出一种联机手写体汉字联想识别系统.在单字识别的基础上,有分词信息的前提下,利用汉语词的前后约束及字的特征信息对识别结果进行后处理.从而提高了联机识别系统的识别率.     

矢量汉字库生成算法的研究

本文发展了文献「１」的矢量汉字库生成算法，它可以解决原算法不能解决的孤立点以及仅由两点构成的直线段的处理问题。     

模式识别在过程控制系统中的应用

模式识别方法本质上是一种分类方法,它不需要过程的数学模型就可做出高级决策。模式识别方法已在过程控制中的许多领域得到了应用,如非线性和分布参数系统的结构辨识、在未知环境下运行系统的控制、自适应控制、智能控制、动态建模、状态估计、优化控制、故障诊断等。本文将概述模式识别方法在以上各方面(?)情况,并指出今后可能的研究方向。