基于改进PrefixSpan的序列模式挖掘算法

针对PrefixSpan算法构造投影数据库开销大的问题,提出一种基于改进PrefixSpan的序列模式挖掘算法SPMIP。该方法通过添加剪枝步和减少某些特定序列模式生成过程的扫描,来减少投影数据库的规模及扫描投影数据库的时间,提高算法效率,并最终得到需要的序列模式。实验结果证明在获得序列模式不受影响情况下,SPMIP算法比PrefixSpan算法效率更高。     

基于信息熵与动态区域分割的半脆弱数字水印算法

已有的半脆弱水印算法大多数采取了双步长的固定量化方法,对载体图像没有针对攻击特性给予考虑,只将载体图像分为平滑和纹理两个区域,使得水印的鲁棒性进入了一个瓶颈状态。为了进一步提高水印的鲁棒性,提出了一种基于图像动态分割技术和信息熵的半脆弱水印算法。图像动态分割技术将图像分为若干个嵌入区域,并且确定各个嵌入区域的嵌入强度;基于信息熵的步长量化算法将信息熵引入到步长量化的计算方法中,能够有效衡量不同嵌入区域所携带的敏感信息量。实验结果表明,提出的算法与已有半脆弱水印算法相比,视觉掩蔽性好,鲁棒性也有了较明显的提高。     

低复杂度部分传输序列算法及其现场可编程门阵列实现

在传统的部分传输序列(PTS)算法中,计算复杂度高,且需传送边带信息,不利于硬件实现。针对传统PTS算法的这些缺点,设计出一种基于导频信息传送相位旋转因子并结合m序列降低复杂度的PTS算法。其中,m序列作为相位旋转因子,可以降低序列产生硬件实现资源的消耗;导频传送相位旋转因子可以免除边带信息的发送。采用Matlab仿真验证了该算法的可行性,并设计出适合在现场可编程门阵列(FPGA)中实现的正交频分复用(OFDM)系统峰均比抑制模块。通过硬件测试,此模块在降低OFDM系统的复杂度的同时,也能够很好完成峰均比抑制功能。     

上“黑市”，精品Android软件“推”过来

Android系统的手机（以下简称Android）好玩,都是因为它那些海量新奇的软件。虽然Android自带了“电子市场”,但那玩意儿经常出现连接失败的情况,特别扫兴。早就听朋友说国内也有很多“应用市场”,经过一番挑选,俺果断爱上了《掌上应用汇》……     

基于新的超混沌系统的图像加密方案

提出了一个新的超混沌系统,分析了新系统的混沌吸引子相图、平衡点及其性质、工yapunov指数等非线性动力学特性,并用该超混沌系统对图像进行加密研究。给出了一种新的基于四维超混沌系统的图像加密算法。实验结果及安全性分析表明,该算法具有较强的抵御穷举攻击、统计攻击、已知明文攻击能力,因而具有较高的安全性。     

时间序列序列模式的相似性研究

时间序列序列模式相似性的度量是从时间序列中获取时序关联规则的重要环节。一般情况下,距离度量法只能度量相同长度序列模式的相似性。借用动态时间弯曲距离的思想,这种基于非线性弯曲技术的算法可以获得很高的识别、匹配精度。在定义元模式相似性的基础上,定义了序列模式的动态时间弯曲距离,最后用两个不同时间序列进行仿真实验,可以得到不同长度的序列的相似度。     

一种调和序列生成及其在故障定位中的应用

为了提高软件的可靠性,在软件运行发生故障时,快速、准确地定位故障点成为非常有意义的研究课题。与以往方法不同,在将故障运行序列和最部近运行序列进行差异对比前,为了避免选取第一条最近成功路径时引起的“盲区”使得后期搜索空间加大,引入了生物学基因序列比对原理,对最部近运行序列不是通过编辑距离比较进行选取,而是通过一条调和序列进行处理。实验表明,方法的故障定位效果较好。     

序列模糊概念格模型及其渐进式构造

传统的序列模式挖掘主要是挖掘满足最小支持度的频繁序列,没有考虑序列在实际中的重要度。为了能够有效地挖掘重要的序列模式,提出了一种序列模糊概念格模型,对所有序列的项目引入了重要度权值,定义了序列的重要度及可以动态调整最小支持度minsup的自适应系数;扩展了模糊形式背景,使其能够方便地表示序列,定义了概念的Galois闭包连接、序列模糊概念及序列模糊格结构,并给出了序列模糊概念格的渐进式构造算法 ScqFuzCL。实验表明,序列模糊概念格模型可以方便有效地组织自适应序列模式,在时间与空间上都具有良好的性能,并为进一步挖掘自适应序列模式提供了理论支持。     

自适应半监督边界费舍尔分析

基于图的半监督算法已经成功地应用于人脸识别中,算法不仅考虑带标签数据而且利用一致性的假设。传统的算法一致性约束是定义在原特征空间中,但是在原特征空间中定义的一致性不是最好的。提出了自适应半监督边界费舍尔分析算法,它将一致性约束定义在原特征空间和期望低维特征空间中。在CMU PIE和YALE-B数据库上进行了实验,结果表明自适应半监督边界费舍尔分析算法在人脸识别率上有显著的提高。     

半监督复杂结构数据降维方法

现有的一些典型半监督降维算法,往往在利用标记信息的同时却忽略了样本数据本身的流形特征,或者是对流形特征使用不当,导致算法性能表现不佳并且应用领域狭窄。针对上述问题提出了半监督复杂结构数据降维方法,同时保持样本数据的全局与局部的流形特征。通过设置适当的目标函数,使算法结果能有更广泛的应用场合,实验证明了算法的有效性。