基于Web的密码体制完善保密性的实现

本文利用熵、互信息、概率统计等工具,从不同的侧面,研究了完善保密密码体制的实现.其结果将有助于推广保密系统的通信理论及基于Web的密码体制的设计和应用.     

密码学函数迭代原理信息论分析

在密码编码学中,经常利用密码学函数迭代技术来实现密码算法,其所依赖的理论基础包括相关免疫理论,扩散准则,雪崩原理等.本文利用信息论原理以及随机过程理论给出了密码学函数迭代原理分析,得到了经过密码学函数迭代之后,输出为均匀分布时,输入输出互信息极限为零的充分必要条件,以及在一定条件下输入输出互信息收敛速度的一个上界.     

信息传输矩阵在气-固流化床流型识别中的应用

在互信息理论和涨落复杂性理论的基础上,首次将ITM矩阵引入气-固流化床的流型识别中.将矩阵平均值(MITM)用于指示流型,实验结果表明了MITM对气泡行为敏感,能够较好的指示充分鼓泡态.此外,MITM随气速的变化趋势从另一个侧面反映了气固两相运动的混沌特性.     

大型数据集的多维变量关联性挖掘

为了探索多维数据集中各变量之间的关系,特别是非函数关系,对数据集所在的n维立方体的各个维度进行划分,在得到的n维网格中定义自然概率密度函数,以此得到数据集在特定划分下的互信息值。对所有的划分取互信息最大值,正态化后即为所定义的特征张量的一项,取特征张量在给定最大网格数下的最大项的值定义为MIC,它度量了多维变量间的关联程度。     

城市生活垃圾热值的特征变量选择方法及预测建模

在垃圾焚烧的过程中,垃圾热值的波动会影响垃圾焚烧的稳定性.为了实现城市生活垃圾热值的实时在线预测以及变化趋势预测,采用模糊神经网络软测量方法,利用焚烧发电厂在线运行数据作为输入,实现垃圾热值的实时预测功能.首先采用互信息方法从若干特征变量中剔除部分无关变量;然后将模糊神经网络和粒子群优化算法结合起来从上述选择出的特征变量中进一步剔除冗余变量,从而确定预测垃圾热值的输入变量,并从中训练出垃圾热值的模糊神经网络预测模型;最后通过采集的样本数据进行性能测试.结果表明该方法有较好的预测准确率和实时性,适用于垃圾热值的在线预测.     

一种新的基于梯度方向直方图的图像配准方法*

构建了一种新的局部梯度方向直方图,同时定义了特征点的主方向,从而提出了一种具有旋转不变性的图像配准算法.首先采用高斯加权求模技术对特征点邻域内的像素的梯度作直方图统计,确定出具有旋转不变性和抗噪性的特征点主方向;然后用主方向作角度直方图统计,确定待配准图像之间的旋转角度.根据得到的特征点信息及旋转角度定义了特征点对互信息匹配准则,这样使得新配准算法对于图像间旋转角度的范围没有限制,获得了良好的配准效果.     

基于空间加权互信息的非刚性医学图像配准

互信息作为相似性测度标准在医学图像配准领域应用广泛,尤其是在刚性配准研究中,能实现较高配准精度和非常稳健的配准效果。然而由于非线性形变的复杂性,在非刚性配准领域,对基于互信息的配准方法进行深入研究势在必行。提出的方案采用基于B样条的自由变换模型模拟医学图像中解剖结构的非线性形变,同时根据变换模型,考虑空间信息对配准效果的影响,以空间加权的方式对互信息方法进行改进。使用对大规模参数优化效果较好的LBFGS方法对配准参数进行优化,编程实现程序,并通过实验对效果进行验证和分析。实验结果显示,该方案配准精度明显优于传统的互信息方法。     

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。     

基于分布的中文词表示研究

针对基于分布的中文词表示构造过程中的参数选择问题进行了系统性的研究。选择了六种参数进行对比实验,在中文语义相似度任务上对不同参数设置下得到的中文词表示的质量进行了评估。实验结果表明,通过选择合适的参数,基于分布的词表示在中文语义相似度任务上能够得到较高的性能,而且,这种高维的词分布表示的质量甚至优于目前流行的基于神经网络（Skip-gram）或矩阵分解（GloVe）得到的低维的词表示。     

基于互信息的湖泊日水位预测——以西洞庭湖为例

鉴于传统的湖泊水位预测在输入因子选择时具有一定的盲目性,以西洞庭湖为例,利用基于互信息的输入因子选择法建立了日水位预测模型。按河流生态功能将水文年划分为枯水期、汛前涨水期、汛期、汛后退水期4个时期,然后分期计算影响湖泊日水位的自变量与日水位的互信息,并引入广义相关系数将互信息归一化,选出各时期互信息最大的自变量因子作为模型的输入变量。经过模型计算与数据分析可得:F检验结果显著,回归值与实测值的相关度高,剩余标准差小。由此证明用互信息筛选出的因子作为模型的输入变量能取得较好的精度并在实际中易于操作。