结合方向纹理熵的Haar-like特征在线boosting跟踪算法

针对传统基于Haar-like特征的on-line boosting跟踪算法（HBT）需要产生大规模随机特征、占用大量计算资源和存储空间的缺点,提出结合方向纹理熵的Haar-like特征在线boosting跟踪算法（HBTT）。HBTT算法利用灰度共生矩阵的熵获得目标纹理的方向信息,在此基础上有针对性地产生具有方向纹理信息的Haar-like特征,从而可有效避免无效随机特征的产生,减小特征池容量;更进一步,可根据目标纹理的复杂程度自动调整特征数量,使得算法更灵活。在跟踪过程中,在线学习模块可以使错误率较高的特征被结合了目标纹理方向信息的Haar-like特征所替换。与HBT算法比较,HBTT算法的跟踪误差降低了10%以上;在相同特征池容量下,置信度提高了2%以上。实验结果表明,该算法不仅具有较高的鲁棒性,而且在跟踪效率和性能上都有所提高。     

加权条件熵在异常检测中的应用

通过分析信息熵在异常检测中的应用和条件熵的固有特性, 提出了一种基于条件熵和加权熵理论的异常检测方法。分析网络流量特征, 选取具有内在相关性的网络特征属性, 给出了加权系数矩阵的公式和异常检测的具体实现方法。通过实验验证了该方法的有效性和实用性, 根据不同属性特征在加权条件熵理论中的应用效果, 分析了不同特征属性选择造成检测效果差异的原因。     

Web软件可信性的模糊评价方法

在对ISO/IEC 9126模型及Web软件属性图进行改进和扩充后,应用因子分析法构建了Web软件可信性评价指标体系,运用结构熵值法确定了各个可信指标的权重,并运用改进的证据合成方法构造专家评价信息的模糊评价矩阵;最后,运用置信度识别准则对软件可信性进行等级评价和得分计算,对应可信性决策规则集得出相应的策略。结合对Web软件中网上银行项目的实例分析说明了该方法的实用性和有效性。     

云数据库中基于极大熵差分进化的负载评估算法

由于分布式关系型数据库基于两阶段提交协议的设计方式,使得系统如出现单节点瓶颈问题,数据库事务将全部回滚,从而造成巨大的系统开销,影响数据库在大数据环境下的应用。针对这一现状,提出一种基于极大熵差分进化的负载评估算法,利用评价函数法,将多目标优化问题转化为不可微的单目标优化问题,再利用极大熵函数,将不可微优化问题转化为一个带有参数的无约束优化问题,最后用差分进化算法对其进行求解,找出节点资源最优集,从而为过载节点的数据迁移提供了理论依据,也进一步实现了对云数据库的设计。实验结果表明,该算法能够提高系统的整体性能,有效避免单节点瓶颈问题。     

相空间重构在语音情感识别中的研究

为了更为全面地表征语音情感状态,弥补线性情感特征参数在刻画不同情感类型上的不足,将相空间重构理论引入语音情感识别中来,通过分析不同情感状态下的混沌特征,提取Kolmogorov熵和关联维作为新的情感特征参数,并结合传统语音特征使用支持向量机（SVM）进行语音情感识别。实验结果表明,通过引入混沌参数,与传统物理特征进行识别的方案相比,准确率有了一定的提高,为语音情感的识别提供了一个新的研究途径。     

基于EMD和互信息熵的微震信号自适应去噪

针对强干扰背景下的微震信号提取,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）和互信息熵的自适应提取算法。通过EMD对微震信号进行分解,得到高频和低频两部分信号,并对分解得到的各阶固有模态分量求出能量和能量熵值。根据互信息准则,通过依次计算相邻分量能量熵之间的互信息值来区分高频和低频信号。将经过自适应阈值滤波后的高频信号和低频信号一起进行信号重构,得到新的微震信号。仿真结果表明,在对微震信号去噪时,该方法可以有效地去除噪声信号,信噪比均提升了10 dB以上。工程上的微震信号通过该方法处理后,也取得了较好的效果。     

基于乘法偏好关系的群一致性偏差熵多属性群决策方法研究

在多属性群决策中, 针对每一个属性下决策者都有一个关于决策方案的乘法偏好关系的决策问题, 提出一种基于乘法偏好关系的群一致性偏差熵多属性群决策方法. 此方法考虑到不同属性下的决策者具有不同的权重, 并通过迭代运算可以达到群一致性水平, 从而得出最终的不同属性下决策者的权重; 同时, 可以利用偏差熵模型来求解属性权重, 利用这两个权重最终获得一个综合各方意见的群一致性乘法偏好关系. 最后通过算例分析验证了所提出方法的有效性.     

用于文本分类的特征项权重算法改进

TF-IDF算法是文本分类中一种常用的权重计算方法,但是TF-IDF仅仅考虑了特征项在文本中出现的次数以及该特征项在训练集中的出现频率,没有考虑特征项在各个类间的分布情况及特征项的语义信息。因此针对TF-IDF的不足提出了一种改进的TF-IDF算法,此算法既考虑了特征项在类内的分布情况又考虑了特征项的位置及长度等语义因素,能更好地反映特征项的重要性。用朴素贝叶斯分类器验证其有效性,实验结果表明该算法优于TF-IDF算法,能较好地提高文本分类的准确率。     

自适应二进制算术编码的动态可重构实现研究

针对H.266/VVC视频编码标准下的上下文自适应二进制算术编码器编码速度慢、资源开销大的问题,面向可重构结构依据算法的内在并行特性优化了编码架构,并基于动态可重构阵列处理器设计实现了CABAC编码器常规编码模式下的并行映射方法,阵列结构能够根据编码输入对优化后的算法进行动态重构,在避免专用硬件编码器较高的资源开销情况下利用软件重构的方法实现熵编码过程,保证编码准确性的同时提高了视频数据流编码效率,为此类运算密集型算法的硬件实现提供了更为灵活高效的参考途径。仿真结果表明,映射实现的编码过程中每个编码周期完成5个二进制序列的编码,平均编码效率达到384.13Mbin/s。基于FPGA的测试结果表明,软件重构方法与专用硬件实现的编码器相比,资源开销降低且编码效率提升5.47%,与同类型可重构视频编码结构相比,编码效率提升7.03%。     

基于排列熵和支持向量机的癫痫发作预测研究

针对癫痫发作给病人带来的巨大伤害,为临床治疗留下足够空余时间,提出一个可以预测癫痫发作的系统模型。对21名癫痫病人进行研究,提取具有较低算法复杂度的排列熵构成特征向量,将其输入支持向量机（support vector machine,SVM）训练出学习模型,用来识别发作期样本,利用投票机制充分考虑病人差异来判断所处状态,最终实现癫痫的实时预测。结果表明,其中81%的发作可以提前平均50多分钟预测到,且具有较低的误报率。为癫痫发作预测系统的理论研究打下坚实基础。