一个新颖的轮廓线跟踪算法

提出了一个新颖的基于隐马尔科夫模型与光流的轮廓线跟踪算法。曲线描绘由B样条形状空间向量来表达,能够捕捉全局和局部变形。提出应用沿曲线的光流计算来预测曲线在下一帧的位置,在预测曲线的基础上,提出应用隐马尔科夫模型来准确定位曲线的位置。隐马尔科夫模型提供了一种有效的概率手段来融合多种量测特征比如边缘,曲线平滑性,区域灰度或颜色统计信息等等,能够更准确的定位曲线位置。基于仿射形状空间的实验了表明本文所提出算法的有效性。     

基于深度学习的恶意文档可视化检测

为了更加准确、快速地检测恶意PDF与DOCX格式文档,提出一种基于深度学习的恶意文档可视化检测方法。该方法通过马尔可夫模型将文档的字节序列转化为三通道的彩色图,从而获取更能区分恶意文档和良性文档的视觉表征,并采用当前主流的EfficientNet-B0模型对提取的可视化特征进行分类。结合迁移学习领域中的微调技术,将ImageNet上的分类权重应用到EfficientNet-B0模型的训练中,加快检测模型的收敛速度,缩短模型的训练时间。实验证明,在两个数据集上,模型的收敛速度快于随机初始化权重的预训练,且模型对恶意PDF文档和恶意DOCX文档的检测准确率分别达到了99.80%和98.14%,优于ResNet34、MobileNetV2等模型。与主流的恶意文档检测工具Wepawet和PJScan相比,所提出的方法具有更优的综合检测性能,进一步验证了所提出方法对恶意文档检测的有效性。     

随机环境下的幂变换门限ARMA-ARCH模型的极限行为

提出了随机环境下的幂变换门限自回归滑动平均自回归条件异方差模型,得出了其以几何速率收敛的充分条件．     

优化SVR的加权马尔可夫链用电量预测

研究电力系统中用电量的准确预测问题.由于影响用电量的因素众多,并且用电量数据与相关因素之间呈现高度的非线性关系,传统的预测方法很难捕捉用电量的变化趋势,预测精度较低.为了提高预测的精度,提出了一种马尔可夫链优化的SVR模型.上述模型根据支持向量回归机原理,以网络搜索交叉验证的思想优化模型参数,通过加权马尔可夫链原理优化预测结果,将原来的数值预测转化为概率区间上的预测.同时,在利用加权马尔可夫链的预测信息之后,也提高了预测的精度.最后,将改进模型应用于江苏省全社会用电量的预测分析,实验结果表明优化的支持向量模型优于其它对比模型,有较高的泛化能力和预测精度.     

高阶马尔可夫链无线链路连通性建模

针对动态无线网络对高精度链路连通性建模的需求,结合无线电波传播特性和节点运动模式,基于高阶马尔可夫链建立链路连通性模型.采用统计方法获取模型参数转移概率矩阵,并利用模型评估链路生命时间等网络特性参数.通过仿真实验分析链路生命时间精度与马尔可夫链阶数的对应关系.研究表明,链路生命时间精度随着马尔可夫链阶数增加而提高,四阶以上马尔可夫模型生成的链路生命时间精度提升不明显.相比多状态一阶马尔可夫链路连通性模型,四阶马尔可夫模型在仿真链路生命时间时误差降低68%.     

启动子序列的非均衡检测识别算法研究

通过改进Hessian矩阵对角参数,调整支持向量机中超平面的位移,将数据量少的样本从两类非均衡样本中进行分离,结合隐马尔可夫随机迭代,实验发现,不能简单固定Hessian矩阵的对角参数,而必须加之以可调整的权系数才能控制错分的样本数.对启动子序列进行识别,平均识别率达到92.8%。     

移动自组网自私行为闭环惩罚模型设计

针对移动自组网MAC层开环模型缺乏自私行为惩罚机制的不足,设计一种包括报文信息统计、统计信息共享和判决惩罚模块的闭环改进协议PDCF。报文信息统计定义转发率、丢弃度等指标衡量节点行为,修改仿真软件内置函数实现节点行为信息的统计。统计信息共享定义行为量化等级,改进DCF预留字段和CSMA/CA机制,实现节点行为信息的全网覆盖。判决惩罚模块对节点行为建立一维马尔科夫链惩罚模型,限制节点自私行为。仿真结果表明,与DCF相比,PDCF时延、丢包率和控制开销基本不变,但稳态时自私节点比例得到有效控制,且吞吐量增加2.7Mbps,网络性能得到改善。     

SDN中基于负载均衡的最优路径选择算法研究

针对传统网络控制与转发的紧耦合,其路径分配算法的全局性差,实时性不足,根据软件定义网络的集中控制,提出一种基于马尔科夫链负载均衡(Markov Chain-Load Balancing ,MC-LB)算法。该算法使用马尔科夫链的转移概率计算链路重要性,并同时对业务流请求量和网络负载均衡率两个目标进行优化,获得多请求下的最优路径分配。通过大量实验对比表明该算法优于传统SPF（Shortest Path First）算法,最大可以增加网络负载均衡率30%,提升网络业务流请求接受率20%。达到了负载均衡效果,提高了网络的性能。     

隐马尔可夫模型下视频手写签名认证算法研究

为了提高视频手写签名认证的准确率,确保身份认证的严谨性,需要对隐马尔可夫(Hidden Markov Models,HMM)模型下视频手写签名认证算法进行改进设计;使用当前算法对视频手写签名进行认证时,存在认证判断误差大、效率低的问题;提出基于HMM模型下视频手写签名认证算法;该算法将使用Wacom手写板采集手写签名特征点及压力数据,对采集到的手写签名特征与压力数据进行预处理,消除采集过程中环境和手写板产生的影响,并且规范采集的视频手写签名特征位置、尺寸,提取手写签名特征与压力数据,再以HMM模型对已提取的视频手写签名特征点与压力数据进行认证与计算,确定签名的真实度;实验仿真证明,所提算法提高了视频签名认证的性能。