基于PHP实现数据安全性的方法及比较

讨论了多种在LAMP(Linux+Apache+Mysqi+PHP)平台下,使用PHP(超文本预处理器)实现对待下载的文件进行加密并在下载后解密的方法,介绍了PHP以及LAMP平台的应用情况;研究和介绍了在LAMP平台下,通过调用PHP内置函数、扩展/类库以及GnuPG(GNU privacy guard)软件实现数据加密解密的方法,并比较分析了不同方法之间的优缺点,给出了相应的示例代码,以及针对各种方法的比较分析和实验结果;讨论了如何选择不同的加密方法来适用于不同的具体环境,并指出了PHP加密的局限性.     

一种新的覆盖粗糙集及其模糊性度量

在覆盖近似空间中定义了一类新的模糊集,给出了该类模糊集的模糊性度量,讨论模糊集及其模糊度量的性质,最后通过实例给出直观解释.     

基于压缩域互补分割的视频多描述编码研究

鉴于数字视频在空间域及时间域上的信息相关性,提出在视频压缩过程中实现多描述编码的方法.算法以H.263为参考标准,在图块及运动估计的DCT域上进行系数划分,通过对少量重要信号的重复分配来保证单个描述的接收质量.同时,系数域的对角分割又使各个描述间具有较强的信号互补性.实验结果表明,算法具有描述冗余率低、编/解码直接快速、压缩率高等良好的MDC特性,是保障视频传输业务可靠性和实时性的有效方法.     

Active XML文档安全重写判定算法

研究了AXML文档安全重写判定问题,即判定给定AXML文档通过触发其包含的服务调用生成的文档集合是否能够全部重写为符合目标模式的文档实例.基于树自动机理论,定义了用于抽象AXML文档的树自动机--ATA机(AXML treeautomata),ATA机等价于给定AXML文档通过触发其包含的服务调用所能生成的文档集合.基于ATA机,提出一个AXML文档安全重写判定算法,表明了该算法的正确性及有效性.     

一类不稳定时滞过程的最优控制

本文对控制能量存在约束条件下一类不稳定时滞过程的最优控制问题进行了探讨. 首先基于不稳定过程的互质分解, 由敏感度函数和控制敏感度函数定义了一个包含跟踪误差和控制能量在内的性能指标, 然后应用谱分解最小化该性能指标, 从而为一类不稳定时滞过程导出了一种最优的控制器设计方法, 可使系统在控制能量存在约束时获得最优的控制性能. 仿真研究进一步说明了该方法的有效性.     

基于特征倾向性的网页特征提取方法研究

网页包含的信息很丰富,传统的TFIDF公式很难满足内容过滤系统的要求.针对网页过滤技术中的特征选择方法存在的问题,加入语义信息,改进TFIDF公式,提出了一种比较适合网页过滤的特征选择方法.该方法综合考虑特征的长度、在网页中的位置信息,并且将情感色彩这种语义信息附加到特征上.实验结果表明,该方法在网页过滤系统中取得了较好的效果,尤其是实时内容过滤系统中,具有一定的实用价值.     

双积分系统阶跃响应快速无超调控制: 一种增益切换非线性PD控制

采用标准PD或PID控制器镇定双积分对象时,系统的阶跃响应必然存在超调:为此,设计了一种可以切换增益的非线性PD控制器,给出了系统阶跃响应无超调的充要条件,以及减小调节时间的方法.采用的切换规律是:当误差的幅值大于设定门限时,设计好的快速PD控制器投入工作,以加快误差的收敛:当误差的幅值小于设定门限时,设计好的强阻尼PD控制器投入工作,以抑制可能出现的超调.通过这两个控制器的配合作用,既能实现阶跃响应无超调,又能有效减小调节时间.仿真验证了该结论.     

N×M容灾系统信息模型研究

对基于通用信息模型(CIM)面向N×M结构的容灾系统进行了扩展与裁剪,建立了容灾系统信息模型DTCIM.在分析CIM基础之上,详细说明了该模型的体系结构和模型内容,在Linux下基于Pegasus实现了这个信息模型,并验证了其可行性,为容灾系统的资源信息表示与管理提供了一种统一的方式,给出了容灾系统的信息模型表示方法,为进一步深入研究容灾系统打下了良好基础.     

基于近似高斯金字塔的视觉注意模型快速算法

利用输入图像的近似高斯金字塔,将经典的基于显著性的视觉注意模型改造为时空开销更小的版本,从而使其更加适合在嵌入式实时系统中实现.首先采用矩形窗口近似圆形窗口,矩形平均算子近似高斯卷积核;然后采用“先做行累加,再做列累加”的方法来实现矩形平均算子,并直接采样计算出各个特征通道的显著性分布图,该算法关于输入图像像素点个数具有线性时间复杂度;最后,还给出了在显著性分布图中抑制已提取区域显著性的快速算法.在Berkeley分割图像库上的实验结果表明,该方法极大地减小了系统实现的时空开销,且输出结果的误差在可接受范围内.提出的用矩形窗口近似圆形窗口,用矩形平均算子近似高斯卷积核的方法,还适用于其他需要在嵌入式实时系统中实现的图像处理问题.     

贝叶斯网参数学习中连续变量离散化方法研究

连续变量离散化是贝叶斯网络参数学习中面临的一个重要问题,它的好坏将直接影响到贝叶斯网络的推理效果。目前缺少一种有效的手段用于评价连续变量离散化的好坏,通过研究,提出了推理信息量的概念,并采用作为衡量连续变量离散化好坏的标准。在连续变量离散化的过程中,采用遗传算法通过迭代的方式寻求最优解,其中,推理信息量作为衡量个体适应度的标准。实例分析证明,推理信息量大的推理效果好要优于推理信息量小的推理效果。