HOT和BOT研究及改进

为提高数据包分类的速度，通过trie数据结构，分析了数据包分类问题中两个重要的动态数据包分类算法HOT和BOT，在此基础上针对某些常用的情形，改进了HOT和BOT算法，加快了数据包分类的速度，同时降低了时间和空间复杂度，提高了网络速度．     

基于定位代码和多分支Trie的快速多维数据包分类

通过对前缀过滤器特点的分析和观察，依据定位代码结合空间分解技术，设计了基于四分支trie的快速多维数据包分类算法，将数据包和过滤器的匹配通过多维空间中点的定位过程来实现，具有较好的时间和空间复杂度，便于硬件实现。     

一种基于C4.5算法的广告数据包分类方法

针对网页广告中存在的安全问题,提出了一种基于C4.5算法的广告数据包分类方法。通过对用户访问网页时产生的数据包进行收集,从中提取有用信息来构建分类模型实现广告数据包的分类。在对数据包进行处理时根据数据包中包含的信息生成网络关系图,之后在对关系图进行分析时将图论中的量作为属性选取的依据。本方法将数据包的时间属性作为分类的主要属性之一,针对时间属性的处理方法提出了新定义。实验结果表明,本文提出的分类方法能够快速构建具有较高的分类准确率的分类模型,研究结果可为类似问题的研究提供参考借鉴。     

基于深度增强学习的网络数据包分类算法研究

提出一种深度增强学习方法来解决网络数据包分类问题。本方法DeepCut使用简洁的表示形式来编码状态和动作空间,并有效地探索候选决策树以针对全局目标进行优化。DeepCut能构建针对特定规则集和性能优化目标的决策树。实验结果表明,与现有的方法相比,DeepCut能有效地减少数据包的分类时间,同时减少了算法运行的内存占用。     

基于流中前 5 个包的在线流量分类特征

针对在线流量分类所面临的特征计算复杂和分类性能不稳定问题,利用流开始的前 5 个数据包（排除三次握手数据包）,计算数据包大小、负载大小和到达间隔时间等网络流量的统计特征,通过分析 3 种机器学习算法（C4. 5、BayesNet 和NBTree）分类的结果,研究可用于在线流量分类的特征以及这些特征应该满足的条件。实验结果表明,所提特征计算简单,能快速有效地区分不同的流量,对于不同的机器学习算法,均取得了较高的分类准确率（92%以上）,适用于在线流量分类。     

一种高效的多维数据包分类算法

介绍了数据包分类算法的基本思想及一种包分类算法解决方案的评价原则，在现有的ABV算法的基础上，对该算法进行了分析，提出了一种新的改进方案，并对该改进方案进行了性能分析。     

一种高效的多维数据包分类算法

介绍了数据包分类算法的基本思想及一种包分类算法解决方案的评价原则，在现有的ABV算法的基础上，对该算法进行了分析，提出了一种新的改进方案，并对该改进方案进行了性能分析。     

一种新型带宽公平分配算法

为了有效地解决个别大流量数据流所造成的不合理带宽占用问题，提出了一种用于路由器的对带宽进行公平分配的流量标记缓冲管理(TMBM)算法．该算法由流量分类标记算法和缓冲管理算法组成，它将每一个数据包归属到数据流，根据每种数据流发送的累计数据包进行数据流分类，按照分类的结果和该类数据流对先进先出(FIFO)缓冲区的利用情况，由缓冲管理算法来确定对该数据流的带宽分配．在不同流量组合的情况下对该算法进行了仿真，结果表明：在各种情况下它都可以达到公平的带宽分配效果，性能比Drop—Tail、RED和DRR等算法优异．     

一种基于朴素贝叶斯分类法的空间分类算法

 空间分类是空间数据挖掘的重要分支,寻找高效的空间分类算法是空间分类研究的重要方向.在空间对象的邻接图及朴素贝叶斯分类法的基础上提出一个新的空间分类算法,该算法对空间对象进行分类时,既考虑了待分类对象的属性对分类的影响,又考虑了其空间邻接对象对它分类的影响.该算法的计算复杂度不高,分类的正确性好.     

用于TCAM的元组快速包分类

通过引入元组概念组织分类器，对TCAM上路由查寻算法CAO—OPT进行改进，实现了多维数据包的快速分类和更新。     

基于解空间划分的PSO改进算法

 提出一种基于解空间划分的粒子群优化算法, 该算法在保持粒子群搜索能力的前提下对解空间进行预处理, 寻找最佳搜索区间, 提高了粒子群搜索效率; 在粒子群搜索过程中设置检查点, 动态更新解空间区间划分. 实验结果表明, 该算法有效提高了粒子群的搜索效率, 并使粒子群算法不易陷入局部极值. 同时, 在自适应状态下, 该算法能搜寻到指定精度下粒子群所需的最小迭代次数, 并得到较满意的最优值.     

基于遗传和粒子群结合的文化算法

针对粒子群优化(PSO)算法的"早熟"现象,给出了基于遗传和粒子群结合的文化演化算法.该算法将PSO/GA纳入文化算法框架,形成PSO的主群体空间和GA的信仰群体空间,两群体空间可以独立并行演化,并在适当的时机实现信仰群体空间对主群体空间的引导,达到改善粒子群优化算法全局搜索能力、提高计算精度的目的.仿真表明,该算法的优化性能和效率优于PSO算法、GA算法和GA-PSO混合算法.     

视频桩考系统中基于阴影抑制的车辆跟踪

针对视频桩考中由于汽车的阴影随同汽车一同运动而被误检测的问题,提出一种物体分割方法,可以有效地抑制汽车的阴影。在RGB空间检测到运动部分后,将此运动部分分别在RGB空间利用边缘信息和HSV空间利用颜色信息检测阴影。通过两部分阴影信息相结合,在RGB空间将阴影部分剔除,从而得到正确的运动汽车部分。实验结果表明该方法能够有效地去除阴影的影响,得到正确的运动汽车部分,从而绘制合理的运动轨迹。     

基于RGB比例空间的立体匹配算法

实际场景中, 由于光照条件不同, 使从不同角度获得的、对应同一场景的图像像素对的RGB 值不同,从而导致匹配错误, 为了改善此问题, 根据RGB 色彩模型, 形成RGB 比例空间, 提出基于RGB 比例空间的自适应权值算法。实验结果表明, 在光照条件不同时, 与传统的基于RGB 空间的匹配算法进行比较, 该算法可以得到更准确的视差图。     

最优家族遗传算法

从种群规模和个体空间的角度分析了影响遗传算子性能的因素，在遗传算法(GA)的基础上设计了一种搜索区域可变、群体规模可变的最优家族遗传算法(OFGA)，该算法提出了在优良解附近构造最优家族，最优解搜索将在这个微型空间中进行，在有限的时间内搜索到更优基因的家族将获得生存的权利．由于每一个家族的搜索区域大幅度减缩，伴随着种群规模的减缩，因此提高了算法的收敛速度，家族个体空间大小不变提高了解的精度．最后，给出了3个典型函数的模拟例子，通过与GA的对比结果看到，OFGA在数量级上提高了收敛速度，使最优解的精度也有很大提高，说明新的算法具有应用的潜力。     

基于压缩决策表的乐观多粒度粗糙集粒度约简算法

粒度约简是多粒度粗糙集研究的一个关键问题。为了从乐观多粒度粗糙集的角度研究粒度约简问题,消除冗余数据,提高粒度约简的效率,提出基于压缩决策表的乐观多粒度粗糙集粒度约简算法。针对乐观多粒度粗糙集模型,引入下近似分布粒度约简的概念;利用线性时间排序算法进行等价类划分,为决策表的压缩和下近似集的计算打下基础;以冗余的决策表为研究对象,以核粒度为初始粒度约简集,以粒度重要性为启发式信息,运用粒度约简算法进行粒度约简,并通过实例分析和实验验证了该算法的有效性。结果表明,算法降低了计算下近似集的时间复杂度,具有较高的粒度约简效率。     

Lab空间的改进k-means算法彩色图像分割

为减弱经典k-means 算法中ＲGB( Ｒed Green Blue) 空间各个颜色分量高度线性相关以及欧氏距离的尺度相关性对图像分割结果产生的影响,并克服ＲGB 空间色彩分布不匀的缺陷,提出了一种基于Lab 颜色空间的改进k-means 聚类彩色图像分割方法。首先,将颜色空间从ＲGB 转换为Lab 空间,每个像素点都可以由L、a、b 3 分量组合进行表示。其次,用马氏距离替换欧氏距离进行改进,应用改进后的k-means 算法对图像像素点进行聚类,从而实现分割目的。通过实验证明该改进算法比经典k-means 算法具有更好的分割效果和准确度。     

T-S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点,提出基于输出空间模式聚类的快速学习算法,以满足多变量系统实时性要求．仿真结果表明该快速学习算法不仅可以达到要求的辨识精度,而且可有效地提高运算速度     

免疫遗传算法学习贝叶斯网等价类

针对遗传算法学习贝叶斯网存在的问题, 提出一种基于骨架搜索的免疫遗传算法学习贝叶斯网等价类, 该方法综合了基于约束和打分搜索的方法, 可以在遗传过程中避免产生非法结构, 并从骨架空间映射到等价类空间进行搜索. 实验数据表明, 免疫算子的使用可有效缩小搜索空间规模, 加快收敛速度, 提高执行效率.     

空间信息网络的改进路由算法研究

研究了空间信息网络的拓扑结构和路由特点,对网络的星间链路长度和覆盖性能进行了分析。针对空间信息网络的特点对现有算法进行了改进,并加入一些优化措施,从而形成一种新的适用于空间信息网络应用的动态路由算法,该算法能够找出任意两颗卫星间通信的最佳路径集合,同时能够在链路质量容许的情况下,尽量避免通信链路切换的发生,从而较大地提高了系统性能。通过仿真和分析表明该算法提高了系统性能,降低了切换概率,增加了链路的可靠性,且相对付出的链路代价较小。