基于遗传算法的点云注册技术研究

提出了一种基于遗传算法的点云配准技术,将点云数据与3D模型进行配准,对模型建立KD树,进行最近邻搜索,获取点云到3D模型中最近的点,根据各点到模型的距离来作为适应度判断依据.仿真结果表明:该算法达到一定的配准精度,具有全局收敛、配准时间短、对初始位置要求不高的特点.     

基于物联网的智能家居安防监控系统软件开发

针对高科技盗窃、煤气泄漏等事件时有发生的情况,从家居安全防护的角度出发,提出了基于物联网智能家居安防监控系统软件开发方案.该系统采用模块化的设计思想对家居安防系统的软件进行总体设计,分别从主控中心、服务端、客户端等得以将该系统的各个功能予以实现.并对系统功能进行了测试,测试结果表明:该系统软件能够满足普通家居环境的安防监控要求.     

基于完全互补码与量子进化算法的数字水印方案

提出了一种基于完全互补码(CCC)和量子进化算法(QEA)相结合的数字水印方案,该方案在借鉴量子理论保证收敛较快的同时兼顾了种群多样性,从而克服早熟的发生.经实验结果验证可知:该方案具有快速、灵敏、健壮性以及计算复杂度低等优点,同时在收敛性和种群多样性之间求得平衡,达到了全局优化的效果.     

基于模糊集的时序关联规则的度量准则

指出了时序关联规则在支持度度量上的不足,存在处理高密度海量数据时往往要耗费大量的时间处理规模巨大的频繁候选集,同时需要多次重复扫描数据库,执行效率低等问题,提出了重新定义支持度度量方法的时序关联规则.针对时序关联规则在解决项分类时涉及到的分层不确定、不准确情形,引入了基于隶属度的模糊层次分类结构,定义了项间距离、项集间距离,最终得到一种新的关联规则间距离的度量方法.实现了模糊层次分类,将时序关联规则结果进行聚类分析,得到规则和规则之间相似性,实验验证了该方法的有效性.     

Roman控制数的一些结果

利用图论的方法研究了图G同其补图G的Roman控制数,得到了完全图和完全多部图的补图的Roman控制数及图G同其补图G的Roman控制数的关系;还研究了图G的生成子图H同G的Roman控制数的关系和极大无完美匹配的简单图G的Roman控制数.     

一种基于分簇优化的VNDN数据转发方法

车辆命名数据网络（VNDN）是一种架构于NDN上的车辆自组织网络（VANET）,是基于信息中心网络体系的未来车联网典型代表之一.在VNDN中,车辆的移动性会导致基于耦合路由的NDN数据交互出现通信链路断裂问题.鉴于此,提出了一种基于分簇的车辆移动预测及数据转发方法 .利用卡尔曼滤波预测机制,对具有相似移动特征的车辆进行分簇,同时引入网关节点来合理控制簇的大小并保证相邻簇之间的通信.仿真结果表明：所提方法能够有效降低数据传输时延,提高数据交付成功率.     

基于Half-UNet的乳腺肿块分割方法

乳腺癌是常见的高发病率肿瘤疾病,乳腺肿块分割是乳腺肿瘤分析的重要步骤.为了在保证乳腺肿瘤分割精度的同时提高分割效率,提出了一种基于Half-UNet的乳腺X线摄片图像分割方法 .该方法保留了U-Net中分而治之的部分,简化了特征融合的方式.固定U-Net编码器各步骤的特征图通道数以减少网络复杂度的同时有利于解码器的特征融合,并对编码器中的卷积操作增加了he＿normal和L2正则化,提升网络性能且缓解网络的过拟合现象.对U-Net解码器的网络结构进行简化,减少网络模型的参数量和训练时间.在DDSM数据集上的实验结果表明：Half-UNet在获得与U-Net、UNet3+模型相近的分割精度的情况下,训练时间相对于U-Net和UNet3+缩短了41.66%和83.33%,显著提升了分割效率.     

基于I/R/D协议的光命名数据网络性能分析

光命名数据网络（ONDN）是近年来提出的一种架构于光传输网上的命名数据网络（NDN）架构方案,是NDN面向未来高速宽带互联网发展的重要举措.基于I/R/D协议的ONDN数据交互思想未从实验量化分析角度给出性能结果,针对此问题,给出了基于光电转换（O/E）的I/R/D协议包转发过程.以I/R/D协议为基础,充分考虑基于光波分复用（WDM）技术的光传输技术,对波长数量、偏置时间、Interest包请求速率及Data包大小等因素入手,综合分析了在可能发生信道竞争而冲突的情况下ONDN的性能,为ONDN的未来具体架构提供一定参考.     

一种具有策略隐藏的策略控制签名方案

策略控制签名可以通过访问策略对签名验证权限进行管理,然而由于公开的访问策略极可能包含隐私信息,导致用户隐私泄露.为此,提出了一种具有策略隐藏的策略控制签名方案,该方案使用线性秘密共享方案作为访问结构,通过以基于3素数合数阶双线性群为基础,将可能暴露隐私的属性值进行隐藏,并公开属性名策略.基于CDH假设和安全模型,证明了该方案的不可伪造性.最后对方案进行实验分析对比,结果表明：在签名验证阶段提出的方案效率高.     

基于DenseNet的人脸图像情绪识别研究

针对人脸情绪识别类内差异大,类间差异小的特点,结合学生人脸图像的线上课堂情绪识别的场景,提出多尺度空洞卷积模块提取不同空间尺度特征的稠密深度神经网络模型,实现自然场景下学生人脸图像识别.该模型主要由多尺度空洞卷积和DenseNet神经网络两个子网络组成,其中多尺度空洞卷积由不同空洞率的四分支网络提取不同尺度特征,空洞卷积减小特征图尺寸,减少DenseNet内存资源占用;最后在DenseNet网络中结合Adam优化器和中心损失函数.使用稠密网络的旁路连接,加强情绪特征传递和复用.研究结果表明：基于稠密深度神经网络的情绪识别网络模型能够有效提高情绪分类的准确率,模型对预处理后的FER2013+数据集识别准确率达到93.99%,可为线上教学反馈提供技术支持.