改进的RBAC模型在信息服务平台上的应用

针对RBAC模型的不足,在研究传统的RBAC基本原理基础上,结合信息服务平台权限众多、用户和角色数目庞大的特点,提出一种改进的RBAC模型。该模型引入了组织结构、用户组的概念,扩展了资源的类型和资源权限授权形式,给出了模型的形式化定义,并将其运用在信息服务平台上。平台已成功与某高校科研管理系统进行了整合,实践表明,改进的RBAC模型不仅简化了权限管理、减少了角色数量,并且提高了系统的安全性和权限管理的灵活性。     

改进的精英遗传算法及其在特征选择中的应用

结合精英遗传算法"优胜"和稳态遗传算法"劣汰"的优点,提出一种先全局大范围搜索后局部重点搜索的分级遗传算法并用于心电信号的特征选择。针对传统遗传算法易陷入局部极小的问题,提出新的存优去劣扩空间选择算子,使种群中的优良个体保持到下一代,且能淘汰劣质个体,加入新的个体,保证算法可以在全空间搜索;引入拼接算子和切断算子在局部空间搜索,解决了遗传算法收敛速度慢的问题。以朴素贝叶斯分类器分类性能作为特征子集评价标准,在MIT-BIH数据库上的实验结果表明,算法得到的特征子集具有良好的分类性能。     

基于作者偏好的学术投稿刊物推荐算法

针对投稿刊物推荐算法总是单独考虑文本主题或者作者历史发刊记录,导致投稿刊物推荐结果准确率低的问题,提出了一种基于作者偏好的学术刊物投稿推荐算法.该算法不仅协调使用了文本主题和作者历史发刊记录,还挖掘了投稿刊物的学术焦点与时间的潜在联系.首先,使用潜在狄利克雷(LDA)主题模型对文章标题进行主题提取;其次,建立主题-刊物...     

一种新的基于RFID的室内移动机器人自定位方法研究

针对室内移动机器人自定位算法定位精度不高、定位误差存在波动的问题,提出了一种RTFL(RFID tag floor based localization)定位算法与RSSI定位算法相结合的室内移动机器人自定位方法。由RTFL定位算法给定机器人位置估算初值和机器人所在的范围,然后通过基于RSSI的机器人自定位系统进行机器人位置的进一步精确定位。求解过程中,通过遗传算法求解极大似然方程组,并且提出了染色体的筛选和剔除策略。仿真实验结果表明：该方法在有效的时间内完成定位,平均定位误差为0.1572m,与传统的改进方法0.33214m的定位误差相比,降低了近一倍。并且新方法受环境影响较小,鲁棒性较好,能够很好的满足室内移动机器人的定位要求。     

基于dynFWA-SVM的WiFi室内定位算法

针对实际定位应用中室内环境复杂,传统的WiFi室内定位算法精度低、稳定性差、代价较高以及不同移动终端之间采集信号强度存在差异等问题,提出了基于dynFWA-SVM的WiFi室内定位模型.定位过程中,利用高斯滤波对信号进行除奇异值操作,同时采用信号强度差(SSD)位置指纹替代传统的接收信号强度(RSS)位置指纹;采用动态搜索烟花算法(dynFWA)优化支持向量机(SVM)参数,从而建立了dynFWA-SVM室内定位模型.实验结果表明:经高斯滤波处理后的SSD指纹可以有效提高定位的稳定性和可靠性,减小因不同终端采集信号强度存在差异对定位结果造成的影响,相较于粒子群优化(PSO)算法和烟花算法(FWA),dynFWA算法的优化效率更高,提出的dynFWA-SVM定位模型的定位误差更低.     

遗传算法的FPGA硬件实现

针对遗传算法软件实现速度慢、效率低的缺点,提出了便于算法实现的串行和流水线两种硬件实现方案。详细描述了设计方案,选择算子、交叉变异算子结构,种群以及适应度的存储和流水线结构,并在流水线中引入并行机制。利用函数极值和旅行商问题分别对方案的资源耗费、运行速度的有效性进行了验证。实验结果显示,这两种硬件实现方法结构简单,资源耗费少,运算速度和运行效率较软件实现大大提高,运行速度平均提升2~3个数量级,为算法在一些实时性要求较高的场合得到应用提供了良好基础。     

分布式异构数据库同步集成的研究与应用

企事业单位拥有众多不同系统,形成信息孤岛,为了更好地利用数据资源,实现数据共享,提出一种基于XML/JAVA的分布式异构数据库同步集成方案,该方案屏蔽了各个异构数据源的操作系统、数据库平台、数据结构等方面的异构性,为系统提供了灵活多变的集成方案.     

基于RFID的虚拟参考标签三维室内定位算法

针对目前三维室内定位算法不稳定及定位误差较大等问题,提出一种基于RFID技术的三维室内定位算法。通过参考标签与待定位标签的欧氏距离,选择邻近参考标签,将待定位标签划定到一个六面体内;通过这几个邻近参考标签的欧氏距离值大小,划分空间,动态插入虚拟参考标签;经过两次缩减空间,使参考标签和动态插入的虚拟标签逐步逼近待定位标签。实验结果表明,该算法的定位误差较低,有效提高了室内定位的精度。     

基于高阶阈值算子与张量全变分的前景检测

基于鲁棒主成分分析（RPCA）的方法有一个潜在的假设,即场景中移动物体的像素是稀疏离群值,其往往忽略了物体的时间和空间结构,导致这些方法在动态背景、遮挡、光照变化等场景下检测效果降低。针对这一问题,提出了一种基于张量鲁棒主成分分析（TRPCA）的张量非凸稀疏模型。首先,利用三种常见收缩算子的优点,引入了二阶广义收缩阈值算子（GSTO）,探索适用于高阶张量数据的高阶广义阈值收缩算子（HoGSTO）,进而提升背景建模的鲁棒性;然后,为了表征视频前景中移动目标像素之间的相关性,在视频前景建模的过程中,利用张量全变分正则化（TTV）增强前景的时空连续性;接着,通过自适应l1范数对视频中的动态成分建模,避免了对前景建模产生干扰。多个视频帧的实验结果表明,该方法在移动目标检测任务中优于现有的方法,能够更好地分离前景和背景。     

基于深度学习的人体动作识别方法

对基于机器视觉的人体动作识别的成果进行研究,为提高视频数据集中人体动作的识别率,提出一种改进的深度网络模型。采用稠密光流方法处理数据,结合二维卷积神经网络(2DCNN)、三维卷积神经网络(3DCNN)和长短期记忆神经网络(LSTM)对动作特征进行提取,利用Softmax分类器识别分类。通过KTH数据集进行实验对比验证,分析结果表明,改进模型相比其它已有模型具有更高的识别率,动作识别效果更优。