基于免疫肯定算法的进程拦截代理架构及实现

提出了一种新的基于进程拦截的安全代理架构,讨论了进程拦截安全代理的组成及其原理,给出了实现的关键技术和工作流程．经过实际测试表明：利用自免疫肯定算法的进程过滤方式从操作系统核心层上保护了计算机系统的安全,在恶意行为发生之前予以拦截,进而消除潜在的已知和未知安全风险．由于采用了识别“自我”而不是威胁代码特征匹配的方法,因而该安全系统能够以较低的运营成本提供较强的保护功能．     

基于ARM和μC/OS-Ⅱ的LCD驱动设计

介绍了基于ARM和μC/OS-Ⅱ的嵌入式系统中实现对LCD显示屏驱动的方法,研究了S3C2440a的LCD控制寄存器的参数设置和LCD屏的接口电路,结合μC/OS-Ⅱ实时操作系统下应用程序的开发,实现了在LCD屏上的字符显示.     

基于整数小波变换和差值扩展的可逆数据隐藏

针对传统差值扩展嵌入算法存在过分修改像素值、须嵌入溢出定位图等缺点,提出了一种基于整数CDF(2,2)双正交小波变换和差值扩展的彩色图像可逆数据隐藏算法.该算法用较小的差值扩展量扩展1个色彩分量的像素值,扩展方向由溢出像素的数量决定,采用调整像素值的方法避免像素溢出,并用少量的调整信息代替定位图,从而提高嵌入容量.提取端根据临界像素值的顺序定位调整的像素,用调整信息恢复调整像素的值,提取信息的同时可无损地恢复原始图像.实验结果表明:算法的整体性能优于预测误差差值扩展和传统差值扩展算法.     

基于压缩感知的数字图像认证算法研究

基于压缩感知相关理论,提出一种新的算法.将图像分成许多小块,观测这些小块图像得到压缩感知观测值,然后引入消息认证码算法,利用观测值得到图像摘要,把图像摘要通过量化索引调制法作为水印进行图像小波区域的嵌入,之后对于水印进行提取,将图片恢复.利用压缩感知理论将图像进行随机投影,再把水印和图像摘要进行比较,这样就实现了图像的篡改检测与图像认证.根据实验研究证实,此算法对局部篡改的检测功能较强,算法的隐蔽性很好,图像在经过图像认证后,能够进行无损恢复.     

含奇异项的退缩抛物型方程解的猝灭现象

考虑含奇异项的退缩抛物型方程的初边值问题,给出了解的局部存在性与惟一性.当区域适当大时,即当所考虑区域上的Laplace算子在Dirichlet边界条件下的第一特征值小于1时,对于奇异项的两种不同情形,分别证明解会在有限时刻发生猝灭现象.     

基于Open vSwitch的SDN网络平台构建方法

针对软件定义网络实验环境问题,对SDN网络及其工作原理进行了分析,提出了一种在x86架构上基于Open v Switch的SDN网络平台的构建方法,降低了网络平台搭建的成本,测试了此网络架构下主机间、主机与因特网的连通性.测试结果表明:使用这种方法搭建SDN网络正确有效,为后续研究奠定了基础.     

管理信息系统中数据库安全措施

在管理信息系统（MIS）安全措施体系结构的基础上，系统地探讨了MIS系统的权限管理，身份鉴别机制，跟踪监视，数据加密和MIS环境的安全措施，在不同安全层次上提出了相应的安全处理技术，这些技术都已在一个实用MIS中得到验证和应用，简单实用，安全可靠。     

基于深度学习的政务表格单元格结构检测

当前政务领域中涵盖大量复杂异构表格,其结构检测困难,识别准确率较低并且单元格边缘拟合效果较差.针对该问题,在掩膜区域卷积神经网络（Mask R-CNN）的基础上,以政务表格单元格结构为对象,提出一种改进的政务表格单元格结构检测方法 .首先,在Mask R-CNN算法的主干网络及特征金字塔中加入通道注意力机制,增强有效特征通道权重;然后,对分割产生的掩膜结果使用基于规则和形态学方法进行优化以提升单元格分割边缘拟合度.实验结果表明：改进后的表格单元格结构检测模型在此数据集G-Tab及公开表格数据集ICDAR2013上的精确率和召回率都有明显提升,能够验证改进模型的有效性.     

基于BERT与主题模型联合增强的长文档检索模型

尽管将BERT运用在Ad-hoc文档检索领域能够提升任务精确度,但也存在两个显著缺陷：第一,由于BERT存在输入限制,对长文档进行截断会导致文档信息丢失;第二,Ad-hoc文档检索任务的数据集中存在相当数量的领域特定词,而BERT不能较好地学习这些特定词的特征.而利用LDA主题模型不存在输入限制,可以表示完整的语义信息的优点,将其引入联合增强模型,且对文档中的领域特定词及语义内涵进行学习表征,弥补了BERT模型的不足.为此提出RWT-BERT联合增强模型通过对BERT和LDA主题模型的表征构建交互网络,对查询语句和长文档进行更深层次的特征挖掘.实验结果表明：该模型在3个数据集的主要指标上都有不同程度的提升,尤其在Core17数据集上,与目前效果最好的句子级Ad-hoc文档检索模型Birch相比,nDCG@20指标提高了4.01%.     

基于无锚框检测网络的茶叶嫩芽识别方法研究

利用机器学习方法进行茶叶嫩芽识别有助于茶叶生产的全程智能化.目前的嫩芽识别方法依赖复杂的预处理,导致嫩芽识别效率普遍不高.基于无锚框检测网络CenterNet,提出了一种无需预处理的高速茶叶嫩芽识别方法.针对CenterNet特征提取网络规模过大、识别速度过低的问题,将其特征提取网络替换为ResNet-50.利用改进后的CenterNet模型识别茶叶的一芽、一芽一叶和一芽二叶部分,得到模型的精确度为83.1%,召回率为85.4%,mAP为87.7%,识别效果优于同类无预处理识别方法.