基于谱聚类波段选择的高光谱图像分类

高光谱图像在地物观测领域得到了广泛的应用。由于高光谱图像具有数据量大、波段间相关度高等特性,波段选择技术成为降低地物识别计算复杂度的重要方法。根据不同波段数据之间的非线性关系,提出了基于谱聚类(SC)的波段选择技术。该方法首先以波段图像为样本点生成近邻图和相似度矩阵,然后借助谱聚类方法将所有数据样本分成 k类,从中选择 k个代表波段参与后继的分类识别任务。实验数据表明,新方法减小了计算复杂度,提高了地物识别的精度。     

分层准则调控的服务协同保障机制

为了提高服务协同的可靠性和简化异常处理设计过程的复杂性,在基于服务协同的虚拟组织中引入分层准则调控的服务协同保障机制,在功能准则层通过各业务间依赖关系生成异常依赖关联,从而在异常处理中通过异常依赖关联指导保障准则层的运作,并结合高效可行的运行机制,保障服务的一致性和可靠性。首先给出准则的定义,然后给出了异常依赖关联的自动生成算法,以及分层准则调控的服务协同保障机制,阐述了异常处理步骤,最后结合详细实例进行了情景分析。     

基于改进灰狼优化算法的网络流量预测模型

针对传统网络流量预测模型泛化能力弱和准确度低的缺点,提出一种组合小波包分解(WPD)和灰狼横纵多维混沌寻优算法(CCGWO)优化Elman神经网络的短期网络流量预测模型(WPD-CCGWO-ELMAN)。网络流量在小波包的作用下分解成多个频段序列,各子序列通过CCGWO-ELMAN神经网络优化模型进行单步或多步预测处理,然后重构并叠加各预测值,得到未来短时间段内的网络流量值。实验结果表明,该模型具有较好的预测精度和鲁棒性,并能掌握网络流量时间序列的变化规律。     

基于半监督对手协商偏好学习的协商模型

针对自动化协商问题,提出一种基于协同训练的半监督对手协商偏好学习方法。在该方法中,将协商过程映射到出价轨迹特征空间和交互轨迹特征空间两个新的特征空间。在两个特征空间中分别训练支持向量回归机,两个学习机迭代,互相提供可靠的有标记训练样本,以扩大训练样本规模。由两个学习机共同学习,得到对手的协商偏好。协商决策模型以双方协商偏好为基础提出双赢的协商反建议。实验数据表明,所提方法可以提高协商总体效用,减少协商回合数,节省协商时间。     

基于直推式支持向量机的协商决策模型

为了解决在电子商务活动中由于信息的保密性协商参与者无法获得对手效用函数,进而影响双方协商性能的问题,提出一种基于直推式支持向量机(TSVM)算法的双边多议题协商决策模型.该模型利用协商历史中隐含的信息,分析协商过程中产生的建议是否落在对手效用可接受区间内,构造有标记和无标记的训练样本,并通过直推式支持向量机来学习这些训练样本,得到协商对手效用函数的估计,然后与己方效用函数相结合构成一个约束优化问题,利用粒子群算法求解此优化问题得到己方的最优反建议.实验结果表明:此模型在信息保密和缺乏先验知识的情况下,能够兼顾对手效用做出协商决策,增加了双方的协商成功率和联合效用值,并能够有效减少协商时间.     

空间访问控制研究综述

空间数据在数据类型、拓扑关系、操作模式等方面的诸多特性导致传统访问控制模型难以直接使用在以空间数据为核心的地理信息系统之中。近年来,将空间数据作为一种新的客体类型,对其实施有效的访问控制已成为信息安全和地理信息系统两个领域共同关注的热点问题。致力于从空间访问控制模型、空间访问控制授权方法、空间访问控制策略管理和空间访问控制的实现方法四个方面,对该领域的研究进展进行综述性研究。将空间访问控制模型分为基于DAC、MAC、RBAC模型的空间扩展模型及其他模型;将空间数据授权方法分为基于SAR、基于安全标签和基于角色的几种不同技术;将空间访问控制策略管理分为授权策略存储管理、授权查询和判定、授权策略的冲突检测与消解和授权策略管理模型等方面。同时分析对比了各种不同模型、授权方法、策略管理技术的使用场景、实现原理、技术优势、特点与局限性,总结其发展演化过程、研究现状及存在的问题,进而展望了今后可能的研究趋势。     

基于离散粒子群算法的织物疵点特征选择

为提高识别织物疵点的准确率,提出基于离散粒子群算法(Bpso)进行织物疵点特征选择的方法.首先收集织物疵点图像并进行预处理,提取常用的纹理特征构成候选特征.然后采用BPSO对这些候选特征进行选择,得到优选特征和冗余特征.最后分别在这3类特征下训练支持向量机并进行织物疵点识别测试.结果表明,优选特征的疵点识别准确率大大高...     

对手偏好主动学习驱动的协商框架

针对自动化协商问题,提出一种基于主动学习算法的对手协商偏好学习方法. 在该方法中,协商过程表示为建议序列,将建议序列映射到出价轨迹特征空间,建立训练样本集. 在激烈竞争的电子商务环境中,样本标记的成本较高,引入主动学习算法后,在预算范围内,提高了对手协商偏好预测的精度. 实验数据表明,该方法能在少量有标记训练样本下获得良好的预测能力,减少了协商回合数,提高了协商总效用.     

Android恶意软件的多特征协作决策检测方法

由于智能手机使用率持续上升促使移动恶意软件在规模和复杂性方面发展更加迅速。作为免费和开源的系统,目前Android已经超越其他移动平台成为最流行的操作系统,使得针对Android平台的恶意软件数量也显著增加。针对Android平台应用软件安全问题,提出了一种基于多特征协作决策的Android恶意软件检测方法,该方法主要通过对Android 应用程序进行分析、提取特征属性以及根据机器学习模型和分类算法判断其是否为恶意软件。通过实验表明,使用该方法对Android应用软件数据集进行分类后,相比其他分类器或算法分类的结果,其各项评估指标均大幅提高。因此,提出的基于多特征协作决策的方式来对Android恶意软件进行检测的方法可以有效地用于对未知应用的恶意性进行检测,避免恶意应用对用户所造成的损害等。