基于PSO-BF优化算法的关系数据库水印算法

借鉴群体智能优化算法,提出了一种基于粒子群优化的细菌觅食算法（PSO-BF）的关系数据库水印算法。运用混沌映射对水印序列加密生成水印信号,采用单向hash函数加密关系数据库中元组的次序,利用PSO-BF优化算法解决将水印信号的嵌入过程抽象为约束条件下的优化问题,阈值解码和择多表决法用于提取水印信号,并通过混沌映射解密为表征版权的水印序列。实验表明,该算法对元组删除、修改和添加等攻击具有较强的鲁棒性和良好的不可见性。     

基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型

为提高回采工作面绝对瓦斯涌出量预测的精度和效率,提出了将混沌免疫粒子群优化(CIPSO)算法与广义回归神经网络(GRNN)相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整,减少了人为因素对GRNN网络输出结果的影响,并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明:基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度,证明了该方法的有效性和可行性。     

一类离散混沌系统的传输受限同步问题

研究了一类离散混沌系统信息受限条件下的同步问题.将具有离散形式的混沌驱动系统和具有控制输入的响应系统通过一个有限容量信道的通讯网络进行连接.在这种情况下,设计了合适的编解码方法使得传输误差在一定的条件下达到渐近稳定.同时,在线性矩阵不等式条件下,获得了同步误差方程关于传输误差是输入状态稳定,从而实现了混沌系统在信道容量有限条件下的完全同步.最后,通过Fold混沌系统验证了本文方法的有效性.     

基于FTP的图像混沌加密传输技术的实现

为了提高混沌图像加密传输系统的传输速度并扩大应用范围,提出了一种实现混沌图像加密传输的新方法:利用VSFTPD软件在Mini 2440 ARM平台上构建FTP服务器,通过FTP实现混沌加密图像数据的传输。实验结果表明,该系统能够实现混沌加密图像的可靠快速传输。     

基于Contourlet域KPCA-Krawtchouk矩的印章图像配准

提出了一种基于Contourlet域KPCA-Krawtchouk矩的印章图像配准算法。首先对印章图像进行Contourlet分解并提取低频分量,然后利用KPCA提取低频分量的主成分,并计算其Krawtchouk矩不变量,构成描述关键点的特征向量,最后计算关键点特征向量之间的欧氏距离找出相匹配的关键点对。采用Logistic映射混沌粒子群算法寻找最优阈值,大大加快了算法运行速度。实验结果表明,该算法不仅配准结果精确,且运行时间明显减少。     

基于单片机的混沌信号发生器的Proteus仿真设计

混沌信号发生器在信息加密、保密通信、雷达系统等领域具有重大的应用价值。基于Proteus虚拟实验平台,以AT89C51单片机为核心,给出了一种混沌信号发生器的数字硬件实现方案。以R觟ssler系统方程作为数学模型,采用四阶Rung-Kutta算法离散化得到数字信号,再通过D/A转换、I/V转换及电压放大电路产生混沌信号。Proteus仿真结果与电路实验结果一致,验证了该方案的可行性。     

一种面向金融数据的基于ARIMA的模糊时间序列预测模型

时序分析方法在金融数据挖掘中扮演着越来越重要的角色,然而,历史数据的不完整、不确切性制约着传统金融时间序列预测方法的准确性。创新地定义ARIMA模型的相似性和模,并融合模糊时间序列方法,提出新的基于ARIMA的模糊时间序列预测模型。该模型能够高效处理不完整的、含糊的历史数据,并对未来走势进行有效预测。一方面, ARIMA模型的简约灵活性使得对高维金融时间序列的特征提取大为简化;另一方面,由于结合模糊逻辑的理论,该方法能够有效发现历史数据中的相似模式。以人民币兑美元汇率为例,通过对预测结果的分析,验证了的新模型的有效性。     

4K又有新花样,次像素技术解析

正屏幕的分辨率可谓突飞猛进,1080P的设备现在看来已经呈现落伍的状态,智能手机纷纷用上2K的屏幕,而电视则上到4K的屏幕,其幕后的功臣自然是驱动技术的发展。在描述一个显示屏幕时,我们会说它有多少像素,也就是通常所说的分辨率的本质意义,比如1080P的分辨率,就拥有1920×1080个像素,毫无疑问,像素的数量越多,画面也就越精细。对此,很多人并不陌生,但对于像素的组成和结构,恐怕很多朋友就了解得不是那么清楚了,     

多粒度时序特征在离网预测中的应用

电信运营商为了发现可能离网的客户,针对不同的场景研究开发了多种离网预测模型。目前的离网预测模型首先选择一种时间粒度抽取特征,之后使用机器学习算法对抽取的数据建模。这类方法只考虑了模型对分类性能的影响,没有充分考虑数据的作用。针对上述问题,提出一种使用多种时间粒度抽取特征的方法,并尝试在模型训练的不同阶段对不同粒度的特征进行融合。实验结果表明,使用多种粒度抽取特征训练出来的模型性能会明显优于使用单一粒度抽取特征的模型。     

有向动态网络中基于模体演化的链路预测方法

以往传统的链路预测方法大多数针对无向网络,而实际上大多数社交网络是有向的,并且没有考虑网络中同一节点对之间的重复边以及微观演化信息,因此不能较好地解决有向动态网络中的链路预测问题。针对有向网络,将节点对之间的重复边信息转换为该节点对之间连边的权值;接着采用了基于三元组模体的演化模型,对滑动窗口中相邻时间片的模体转换概率进行统计后,采用指数加权滑动平均法对其进行时序分析得到不同模体转换概率的预测矩阵,进而使用该矩阵对网络中的链边进行预测。这不仅充分利用了网络微观演化信息,而且解决了动态网络中重复边的问题。最后对实验结果进行分析发现,在高全局聚类系数高平均度的网络中AUC相比Triad Transition Matrix方法提高了近0.01,而相比Common Neighbor方法提高更多。因此,所提方法能够较好地应用网络微观演化信息进行链路预测。