基于Q学习的DDoS攻防博弈模型研究

新形势下的DDoS攻防博弈过程和以往不同,因此利用现有的方法无法有效地评估量化攻防双方的收益以及动态调整博弈策略以实现收益最大化。针对这一问题,设计了一种基于Q学习的DDoS攻防博弈模型,并在此基础上提出了模型算法。首先,通过网络熵评估量化方法计算攻防双方收益;其次,利用矩阵博弈研究单个DDoS攻击阶段的攻防博弈过程;最后,将Q学习引入博弈过程,提出了模型算法,用以根据学习效果动态调整攻防策略从而实现收益最大化。实验结果表明,采用模型算法的防御方能够获得更高的收益,从而证明了算法的可用性和有效性。     

代数约简的条件信息熵表示及其高效约简算法

给出如何保持正区域不变的语义分析,提出一种修正条件信息熵计算公式,证明保持修正条件信息熵不变与保持正区域不变相互等价。在此基础上,给出代数约简概念的修正条件信息熵表示。给出反例说明修正条件信息熵不具有单调性,导致没法给出自底向上的启发式约简算法,证明了代数协调集中不可删除属性的不可逆性质,提出一种自顶向下直接删除属性的高效约简算法。它从所有条件属性集出发,逐步删除不必要的属性,只需遍历各属性一次,即可保证得到原始决策表的一个代数约简。数值算例和实验验证了该算法的正确性和高效性。     

最大熵和条件随机场模型相融合的藏文人名识别

藏文人名识别是藏文信息处理领域研究的难点之一,其识别效果直接影响到藏文自动分词的精度和相关应用系统的性能,包括藏汉翻译、藏文信息检索、文本分类等。该文在分析藏文人名构成规律和特点的基础上,提出了一种最大熵和条件随机场相融合的藏文人名识别方法。实验表明,该方法可以获取较好的识别效果,在我们的测试集上F-测度值到达了93.08%。     

联合 LTP 和 LPQ 的人脸识别方法

提出一种联合局部三值模式（LTP）和局部相位量化（LPQ）的人脸识别方法,该方法首先对预处理后的人脸分别采用LTP算子、LPQ算子提取各自的直方图,然后,通过特征选择将两者联合为LTP＿LPQ直方图,最后通过最近邻分类器进行分类识别。在ORL和YALE标准人脸数据库上的实验表明,该方法能有效地提高人脸的识别率。     

改进的局域均值分解在机械故障诊断中的应用

为了准确地提取出故障特征,把局域均值分解算法应用于机械故障振动信号的特征提取中.然而在对信号进行局域均值分解时,由于端点的趋势无法预知,在分解时会污染到整个信号序列,而且滑动平均造成了信号的过平滑处理,导致故障特征不能准确地提取.采用波形匹配解决端点处信号的走势,之后再利用线性插值求得信号的局域均值函数与包络函数,通过在Matlab环境下仿真调幅信号验证了该算法在端点处能很好的保持原有信号的特征;并采用实际的机械振动信号进行实验验证,引入端点效应评价指标,根据分解后的生产函数与原信号的相关系数验证了改进的局域均值分解更能准确地提取故障特征.     

基于熵值模糊评判法的地域通信网脆弱性评估磁

地域通信网作为一种复杂网络系统,具有复杂性、模糊性和多变性等特性,对其脆弱性评估指标赋权时,如果主观性较强,就容易出现与实际数据不相符的现象。针对这一情况,提出将熵值模糊综合评判法应用于地域通信网脆弱性评估。依据地域通信网的实际情况,建立层次化的脆弱性指标体系,在此基础上建立模糊集合及隶属度矩阵。运用熵值法对评价指标进行赋权,依次得到各层指标模糊评价,求得评估结果的数值。该方法充分保证了评估指标权重的客观性,能够更准确、方便地描述地域通信网的脆弱性。     

基于传播模拟的消息流行度预测

社交网络中的消息流行度预测问题对于信息推荐和病毒式营销等应用具有重要意义。该文提出了一种基于传播模拟的消息流行度预测方法,首先使用最大熵模型学习并预测用户转发消息的概率,然后使用独立级联传播模型在真实的社会网络上模拟消息的传播过程,从而完成消息流行度的预测。该方法的优点在于更充分的利用了社会网络的结构和用户特征信息。该文在Twitter数据集上的实验结果表明,相对于基准方法,该文提出的方法具有更高的准确率和稳定性。     

基于内容重要性的Storyline可视化局部变形框架

针对Storyline可视化局部放大问题,提出一种基于内容重要性的局部变形框架.首先对可视化领域中局部变形技术进行对比和分析;然后给出了Storyline可视化可视元素及其重要性计算方法,并对重要性较大的实体元素进行放大显示,在高斯函数的指导下对重要会话元素进行局部放大和过渡平滑处理,根据不同位置的权重对线条进行重新定位;最后以Inception交互会话数据为实验数据,将该方法应用到Storyline可视化视图中.实验结果表明,文中方法能够在有限的显示空间中对Storyline可视化视图的整体结构和局部详细信息同时进行协调、友好的可视化.     

自适应改进和声—单纯形进化算法研究

针对和声搜索算法的不足,提出了一种自适应改进和声—单纯形进化算法(AIHSEA)。通过在新算法中加入变异策略对和声微调进行改进来增强算法的鲁棒性;适时执行单纯形算子增加群体搜索的方向性来加快搜索;采用自适应参数HMCR、PAR和BW调节全局和局部搜索。采用六个标准的优化算法测试函数对AIHSEA进行测试,并与HS、IHS和GHS算法进行对比,仿真结果表明AIHSEA算法具有较强的精确寻优和跳出局部最优的能力。     

一种基于聚类加权的文本特征生成算法

目前的文本特征生成算法一般采用加权的文本向量空间模型,该模型使用TF-IDF评价函数来计算单个特征的权值,这种算法生成的文本特征冗余度往往都比较高。针对这一问题,采用了一种基于聚类加权的文本特征生成算法,首先对特征候选集进行初始加权处理;然后通过语义和信息熵对特征进行进一步加权处理;最后使用特征聚类对冗余特征进行剔除。实验表明该算法比传统的TF-IDF算法的平均分类准确率高出5%左右。