基于神经网络的静态台标识别系统设计与实现

台标是电视台的重要标志,是对电视节目来源、类型等属性的描述,因此台标识别是实现电视视频自动收录、检索的重要技术基础.针对静态台标的特点和识别中存在的问题,在台标提取和特征识别的基础上,提出了一种基于BP神经网络的台标识别方法,并设计实现了一个静态台标识别系统,对系统的神经网络参数经过反复试验调整,最后得到令人满意的结果.实验结果表明,通过训练和识别分开,对包括半透明台标在内的电视视频,系统具有识别效率高、结果准确等优点.     

一种基于RIAS公平的带宽分配方案*

主要提出了一种基于RPR 环网中的带宽公平分配方案。该方案以RIAS 公平为原则,首先为环网中的每个数据流确定一条瓶颈链路,然后根据瓶颈链路的约束条件得出各数据流速率的取值范围,并最终为环网上所有的数据流确定一个可行的速率分配。给出了该方案具体的运作机制,并通过实例进一步验证了该方案能达到RIAS公平的要求,实现环网上链路带宽的公平分配与充分利用。     

一种改进的分层路网的路径规划算法应用

为了提高路径规划效率,提出一种改进的分层路网的路径规划算法。首先,城市路网进行分层处理,以经典A*算法为核心,在高层路网上使用改进机制,评估函数做相应调整,然后,对其权值设置上下限阈值,提高算法的搜索精度及搜索效率。实验结果表明,规划的路径并非Dijkstra算法的最短,但是改进的算法使快速路段所占比例达90%以上,实际运行最优。     

基于3D CNN的肺结节假阳性筛查模型

通过肺部CT影像进行肺结节检测是肺癌早期筛查的重要手段,而候选结节的假阳性筛查是结节检测的关键部分.传统的结节检测方法严重依赖先验知识,流程繁琐,性能并不理想.在深度学习中,卷积神经网络可以在通用的学习过程中提取图像的特征.该文以密集神经网络为基础设计了一个三维结节假阳性筛查模型—三维卷积神经网络模型(TDN-CNN)...     

IP/DWDM光Internet中的一种公平智能QoS组播路由机制

QoS（Quality of Service）与组播是IP/DWDM光Internet中应该具备的基本能力.本文研究了IP/DWDM光Internet中的公平智能QoS组播路由机制.在所提出的机制中,QoS需求的区间表示形式体现了对柔性与异构QoS的支持;根据微观经济学理论,建立基于Kelly/PSP模型的定价策略,体现组间公平性;使用下游链路均分方法在组成员之间分摊费用,体现组内公平性;基于点火耦合神经网络,建立智能QoS组播路由算法.以上各方面有机结合,构成IP/DWDM光Internet中的公平智能QoS组播路由机制.仿真结果表明,该机制是可行和有效的.     

基于移动目标防御的内网防渗透技术研究

内网安全是当前计算机网络安全中的一个重要研究领域。本文提出了一种基于移动目标防御（Moving Target Defense）思想的内网防渗透技术,在通信过程中将主机的真实地址修改为动态变化的虚拟地址,使得攻击者的扫描探测失效,从而难以获取内网主机地址并开展网络渗透,提升内网的安全性。正常用户可通过主机域名查询虚拟地址,开展正常通信。该技术最后实现为网络接入设备形态,已在内网环境中测试。     

动态概率卷积神经网络在雷达回波外推中的应用

雷达回波外推方法已广泛应用于短时强降水临近预报中.针对传统雷达回波外推方法未充分利用海量历史气象数据从而导致预报准确度不高的问题,提出了一个基于动态概率卷积神经网络(dynamic probability convolutional neural network,DPCNN)的雷达回波外推模型.该模型在卷积神经网络的基础上增加动态概率计算层,对不同的雷达回波输入序列计算对应的概率卷积核,并用于后续的外推计算中,使得网络在预测阶段仍然能够根据不同的输入序列作出相应的概率调整,从而增强了外推结果与已知序列的关联.经某局部地区短时强降水外推实验,从外推图像、CSI指数、FAR指数、POD指数四个方面验证了该模型的有效性.     

一种基于椭圆曲线的WSN密钥管理方案

为在有限资源的无线传感器网络上进行安全的通信,根据路由算法思想和网络部署环境的特点,提出了一种基于椭圆曲线的节点存储邻居节点公钥动态变化的密钥管理方案。在方案中,每个节点使用公钥列表保存邻居节点的公钥,通过对公钥列表的查找决定通信密钥的协商过程,通过对公钥列表的大小进行分析,确定最佳列表长度。该方案基于椭圆曲线密钥体制,安全性得到了足够的保证,并且具有节点认证的功能,更符合无线传感器网络的要求。     

基于免疫克隆选择算法的神经网络规则抽取

神经网络的不可解释性一直是限制其发展的固有缺陷,该文从神经网络的功能性观点出发,提出基于免疫克隆选择算法的神经网络规则抽取方法。将免疫克隆策略用于神经网络的规则抽取中,对已经训练好的神经网络隐层神经元输出值进行聚类,缩小搜索空间,抽取出理解性好、简洁的符号规则。该方法不依赖于具体的网络结构和训练算法,可以方便地应用于各种分类器型神经网络。实验结果表明该方法的实用性和可行性。     

CNN-XGBoost混合模型在音频场景分类中的应用

在拥有海量数据和强大计算能力的人工智能时代,音频场景分类成为了场景理解的重要研究内容之一.针对音频场景分类建模困难和精确率不高的问题,本文提出一种基于卷积神经网络和极端梯度提升算法相结合的系统模型.首先,将预处理后的音频信号转换成梅尔声谱图,然后输入到卷积神经网络中完成抽象特征提取,最后利用极端梯度提升算法进行分类.为了评估模型的有效性,在城市音频场景UrbanSound8K数据集上进行分类性能测试,结果表明,该混合算法模型对音频场景的分类精确率可以达到89%,优于传统的神经网络算法模型,说明该混合模型对音频场景分类问题的有效性.