基于博弈论-VIKOR法的科研项目立项评审研究

针对科研项目立项评审的特点,建立了基于博弈论-VIKOR法的科研项目立项评审模型。目的在于提高定性指标定量化处理的科学性,并通过具体科研项目评审实例描述该方法的运用过程。表明了该方法具有科学性、有效性与可操作性。     

基于Matlab的加权随机点名提问系统设计

该文从教学需求出发,设计一套具有权重的随机点名课堂提问系统,其目的是提高课堂教学质量与学生参与的积极性。该系统具有两个方面的功能,第一,可以避免教师在课堂教学中的带有个人感情色彩的提问偏重,给予每个学生相对均等的回答课堂提问的机会;第二,可以根据学生知识掌握情况以及课堂问题难易程度,适度调节随机点名的权重分配,提高学生问题回答质量与课堂效率,将课堂提问在教学环节中发挥到最大的作用。     

融合了K近邻与密度峰值算法的K-means算法

初始聚类中心的随机选择,根据主观经验确定类簇数等问题时常伴随着原始K-means算法。为了攻克以上问题,改进算法采用峰值法以及融合了K近邻算法的密度峰值算法逐一调整。通过在UCI数据集上测试及与原始K-means算法、最大最小距离距离算法在准确率、稳定性和处理数据速率方面的比较,其中最为突出的是,改进算法的准确率达到了96%以上。     

汽车轮胎胎面磨损程度检测系统

汽车轮胎的安全性直接关乎交通安全和乘客的出行安全, 轮胎异常磨损容易导致爆胎, 严重磨损的轮胎时刻威胁着乘客的生命安全, 汽车在道路上飞驰的过程中主要磨损的是轮胎的胎面, 因此实现自动化的轮胎磨损检测很有必要. 本研究借助Visual Studio 2017开发平台, 采用C++编程, 使用OpenCV计算机视觉库的API接口结合自主编程的处理顺序, 实现了对轮胎图像的自动采集传输和处理分析, 该系统能精准提取轮胎胎面图像, 并通过分析胎面图像的灰度共生矩阵的特征值判定轮胎的磨损程度, 实现了针对轮胎胎面磨损的自动化检测系统.     

一种属性不一致性加权的K近邻分类方法

针对传统的K近邻算法在计算样本之间相似度时将每个属性视为同等重要的问题,提出了一种基于推土机距离的方法来计算每个条件属性的权重。首先根据近邻关系划分用于比较一致性的两个分布;之后根据推土机距离设计不一致性评价函数,用于衡量每个属性下各个样本的近邻样本集与这一集合由决策属性细化的等价划分之间的不一致性程度;最后将近邻的不一致性程度转换为相应属性的重要性,用于实现属性加权K近邻分类器。通过在多个数据集上进行实验,该方法对参数的敏感程度低,在多个参数下可以显著提高K近邻的分类精度,并且在多个指标下的表现优于现有的一些分类方法。结果表明,该方法可以通过属性加权选择出更加准确的近邻样本,可广泛应用于基于近邻的机器学习方法中。     

IETCAM:基于信息熵的低功耗TCAM分类器

目前,三态内容寻址器被广泛应用于数据平面的高速转发,但现有的索引式TCAM在降低功耗和运行时间等方面仍存在问题.针对这些不足,提出了一种基于信息熵的低功耗索引式TCAM分类器,利用了信息熵技术,有效地解决了规则集在TCAM子块中分布不均、功耗较大的问题.实验表明,在2k大小的规则集下,该算法相较于经典的SmartPC算法平均可以提高63％的功耗降低率,运算时间更新速度缩小了97％,存储开销仅增加了10％.     

基于双重权重偏差建模的无监督域适应

无监督域适应(Unsupervised Domain Adaptation,UDA)是一类新兴的机器学习范式,其通过对源域知识在无标记目标域上的迁移利用,来促进目标域模型的训练。为建模源域与目标域之间的域分布差异,最大均值差异(Maximum Mean Discrepancy,MMD)建模被广泛应用,其对UDA的性能提升起到了有效的促进作用。然而,这些方法通常忽视了领域之间对应类规模与类分布等结构信息,因为目标域与源域的数据类规模与数据分布通常并非一致。为此,文中提出了一种基于跨域类和数据样本双重加权的无监督域适应模型(Sample weighted and Class weighted based Unsupervised Domain Adaptation Network,SCUDAN)。具体而言,一方面,通过源域类层面的适应性加权来调整源域类权重,以实现源域与目标域之间的类分布对齐;另一方面,通过目标域样本层面的适应性加权来调整目标域样本权重,以实现目标域与源域类中心的对齐。此外,文中还提出了一种CEM(Classification Expectation Maximization)优化算法,以实现对SCUDAN的优化求解。最后,通过对比实验和分析,验证了所提模型和算法的有效性。     

信息熵角度下的深度学习旁路安全评估框架

基于深度学习的建模类旁路密码分析（Deep Learning Side Channel Analysis/Attack,DLSCA）对于各种旁路攻击场景的密码破解效果都十分显著,但是DLSCA仍存有安全评估问题。基于AES对称加密算法的能量分析,通过信息熵角度分析准确率等传统机器学习性能指标无法评估DLSCA深度神经网络（Deep Neural Network,DNN）模型训练程度的原因。定义密钥信息量,分别阐释密钥信息量与旁路安全评估、DNN模型训练阶段性能评估的关系,建立深度学习模型与旁路分析二者的联系,提出以密钥信息量为核心的DLSCA安全评估框架。     

融合黄金正弦混合变异的自适应樽海鞘群算法

针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点,提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用,提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式,增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动,提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力,实验结果表明,改进算法能显著提升寻优速度和精度,并且具备较强的跳出局部最优的能力。     

基于生成对抗网络的图像清晰度提升方法

视频监控、军事目标识别以及消费型摄影等众多领域对图像清晰度有很高的要求.近年来,深度神经网络在视觉和定量评估的应用研究中取得较大进展,但是其结果一般缺乏图像纹理的细节,边缘过度平滑,给人一种模糊的视觉体验.本文提出了一种基于生成对抗网络的图像清晰度提升方法.为了更好的传递图像的细节信息,采用改进的残差块和跳跃连接作为生成网络的主体架构,生成器损失函数除了对抗损失,还包括内容损失、感知损失和纹理损失.在DIV2K数据集上的实验表明,该方法在提升图像清晰度方面有较好的视觉体验和定量评估.