保护隐私的分布式朴素贝叶斯挖掘

目前,分布式隐私保护朴素贝叶斯挖掘算法仅考虑分布式参与方的局部数据隐私而忽略全局的数据隐私,故难以有效抵抗合谋攻击.为此,基于差分隐私、秘密共享、安全多方计算等技术,提出一种分布式隐私保护朴素贝叶斯新算法.该算法采用安全求和协议构建保护隐私的朴素贝叶斯协议,对参与方的局部数据进行隐私保护.利用差分隐私保护机制对全局学习得到的朴素贝叶斯分类模型进行隐私保护.针对可能存在的合谋攻击,基于秘密共享设计了随机选择协议,将添加Laplace噪声的参与者随机化,有效防御安全多方计算中的相邻节点合谋及多数节点合谋攻击,并在此基础上优化保护隐私的朴素贝叶斯挖掘算法.实验表明,该隐私保护算法具有良好的分类性能和扩展性.     

一种改进的朴素贝叶斯不平衡数据集分类算法

当训练集中各个类别的样本分布不均匀且存在数据稀疏问题时,朴素贝叶斯算法分类不够准确。针对此问题,提出了一种基于数据平滑与加权补集的朴素贝叶斯文本分类算法,该算法引入数据平滑算法计算贝叶斯模型中缺失特征的补偿概率,克服数据稀疏问题;利用当前类别补集的特征来表示当前类别的特征,解决训练集中各个类别的样本分布不均匀时,分类器容易倾向于大类别而忽略小类别的问题。实验结果表明,在样本集分布不均衡时,该算法比传统的朴素贝叶斯分类算法分类效果更好。     

一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法

为了增强图像分割技术的准确性并优化图像分割技术的细节分割效果，提出了一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法。将OTSU算法中依据图像灰度特征选取的图像中的前景和背景通过属性加权朴素贝叶斯算法进行分类处理，计算图像中前景和背景的概率，训练该模型以获得最佳阈值进行图像分割处理，优化图像分割的效果。利用无人机航拍采集的图像数据进行实验，结果显示基于属性加权朴素贝叶斯算法的OTSU图像分割方法优化了图像的分割效果，较完整地展示了分割后的图像细节，具有较好的应用价值。     

一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法

为了增强图像分割技术的准确性并优化图像分割技术的细节分割效果,提出了一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法.将OTSU算法中依据图像灰度特征选取的图像中的前景和背景通过属性加权朴素贝叶斯算法进行分类处理,计算图像中前景和背景的概率,训练该模型以获得最佳阈值进行图像分割处理,优化图像分割的效果.利用无人机航...     

解决Ad Hoc网络广播冗余竞争冲突的高效广播算法

针对盲目广播带来的广播风暴问题,提出了一种适用于Ad Hoc网络的跨层模糊逻辑广播算法(cross-layer fuzzy logic broadcasting algorithm,CLFBA).该算法应用跨层设计的方法,在保持原有介质访问控制层(medium access control,MAC)和路由层严格分离的基础上,允许路由层共享MAC的接收信号强度信息.采用模糊控制获得节点重播分组的概率,赋予增加通信面积大的节点和剩余能量高的节点较高的转发概率.CLFBA减少了广播过程中产生的冗余、竞争和冲突,均衡了网络中节点的能量消耗.仿真结果表明,与路由层应用泛洪和概率泛洪算法、MAC层应用IEEE802.11协议相比,CLFBA提高了转播节省率,延长了网络生命周期,降低了平均节点丢包率和平均端对端延迟.     

基于无标度性和资源分配的网络链路预测算法

链路预测是指根据网络结构中的已知信息来推测网络产生新链接的可能性．资源分配算法（RA）是一种简单高效的基于网络局部信息的链路预测算法，但RA算法中并未考虑被预测两节点自身的信息．在RA算法基础上考虑被预测节点间的链接偏好（PA），提出基于网络结构的资源分配RSF和RSW算法．在14个实际网络中进行链路预测实验，验证了所给算法的有效性和鲁棒性，并分析了网络结构的无标度性对算法预测性能的影响．     

多模型贝叶斯概率决策融合的遥感影像水体提取

针对使用单个深度网络提取不同类型水体时存在泛化能力弱的问题,提出一种多模型贝叶斯概率决策融合方法。选取3个不同的深度网络U-net、ResUnet和Deeplab v3+作为基础分类器进行训练并输出遥感影像上每个像素所属水体的类别概率,基于贝叶斯构建概率自适应融合模块,得到最终的水体提取结果。实验结果表明所提出的多模型贝叶斯概率决策融合方法在水体测试集上的精确率、召回率和F₁值分别达到94.21%、95.49%和94.85%,对不同类型水体的融合结果比平均法和多数投票法更准确。     

基于脉冲耦合的TPSN时间同步协议

针对传统TPSN协议的不足,提出了一种基于脉冲耦合的时间同步协议,称为P TPSN协议.该协议是一种脉冲耦合的、非交互的分布式无线网络时间同步方法.首先建立网络层次拓扑结构以确保下一层网络节点能接收上一层网络节点的时间信息.层拓扑建立后,上一层网络节点将时间信息在物理层编码为脉冲波后广播出去,下一层网络节点接收这些时间信息后计算其加权平均来调节本地时钟.此方法不仅能提高分布式无线网络时间同步协议的鲁棒性,而且具有良好的可扩展性及快速收敛性.理论分析和计算机仿真均表明此方法是有效可行的.     

多层记忆增强生成对抗网络二次预测的视频异常检测方法

为了提高视频异常检测的准确率,提出了一种基于多层记忆增强生成对抗网络二次预测的视频异常检测方法。首先利用目标检测提取时空立方体,并将其输入自编码器中得到预测帧;其次将预测帧的表观特征和对应真实帧的光流特征进行融合,形成融合特征;最后利用多层记忆增强生成对抗网络二次预测未来帧,以便学习不同层次特征的正常模式并捕获上下文的语义信息。在UCSD Ped2和CUHK Avenue数据集上进行的实验结果表明：所提出的方法与其他视频异常检测方法相比,可有效提高视频异常检测的性能,使帧级别AUC分别达到99.57%和91.59%。     

基于TW-ToA与TDoA的无线传感器网络多目标协同定位算法

针对高斯噪声环境下无线传感器网络(Wireless sensor networks,WSNs)中目标节点位置估计问题,提出了一种基于双向到达时间(Two way-time of arrival,TW-To A)与到达时间差(Time difference of arrival,TDoA)的多目标协同定位算法。该方法利用了TW-To A高精度和无需同步的特性,并通过混合TDoA测量,在提高整体定位精度的同时,有效地降低了TW-To A的信息传输量。所提出算法将待测目标节点扩展为伪辅助参考节点,协同参与定位过程,从而进一步减少了网络中锚节点的数量。仿真结果表明,该算法在相同节点数量的网络环境中可以以较低的代价实现较高精度的定位目标,为无线传感器网络中的目标定位提供了新的思路和方法。     

四元分组测量模型:一种测量网络瓶颈带宽的新机制

针对分组对测量模型的不足,提出了四元分组测量模型.该模型利用一个测量四元组内两个分组对的差值关系,抵消了数据链路层和物理层对测量分组长度的影响,具有较高的测量精度.实测和ns-2仿真结果表明,该测量模型具有更高的测量精度和更强的稳健性.     

考虑输入饱和的直接自适应神经网络跟踪控制

基于Lyapunov稳定性定理和backstepping方法,针对一类受输入饱和限制的单输入单输出非线性不确定系统,提出了一种考虑输入饱和的直接自适应神经网络控制算法. 采用动态面控制方法和直接自适应神经网络控制方法,避免了传统控制设计中的“计算量膨胀”问题和潜在的控制器奇异值问题. 借助一种饱和内补偿辅助系统处理系统中的输入饱和限制问题,以保证系统的稳定性和控制性能. 该算法不但保证了闭环系统信号一致最终有界,而且使系统输出能收敛到零的一个较小邻域. 以大连海事大学远洋实习船“育龙”轮为例进行仿真,验证了所提控制器的有效性.     

基于生成对抗网络的异质信息网络表征学习

鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型——基于生成对抗网络的异质网络表征学习（heterogeneous network representation learning based on generative adversarialnetwork,HNRL-GAN）模型;然后分析HNRL-GAN模型中的不足之处,进一步提出改进后的基于生成对抗网络的增强版异质网络表征学习（heterogeneous network representationlearning based on generative adversarial network plus plus,HNRL-GAN++）模型;最后分别在DBLP、Yelp、Aminer等数据集中使用HNRL-GAN模型和HNRL-GAN++模型进行节点分类和节点聚类等实验以测试模型的有效性。实验结果表明：1）HNRL-GAN模型和HNRL-GAN++模型都实现了将异质信息网络中的高维稀疏节点表示为低维稠密向量这一目标;2）相较于HNRL-GAN模型,HNRL-GAN++模型在保留高维空间中网络结构信息和语义信息等方面拥有更好的性能。     

利用概念知识的文本分类

针对统计方法不能从语义理解的角度进行文本分类的问题,提出了利用概念层次网络概念知识进行文本分类的方法,包括两部分：依据概念进行特征选取以及根据类别关联度分类. 在特征选取时,通过计算概念与类别的区分度挖掘出类别核心概念,并采用类别核心概念对特征项进行精选. 依据类别核心概念相关的类别语义信息,提出了文档与类别关联度的计算方法,并根据类别关联度来判断文本类别. 实验表明,该方法可有效降低特征空间维数,在提高分类效率的同时保证了分类效果,F1值略有提高. 与SVM、KNN和Bayes分类器对比,当特征项数目较少时,该方法的F1值明显高于其他3种方法,综合分类效果与SVM相当,优于KNN和Bayes.     

基于用户数量的园区网络设计

为了便于因区网络的设计和管理,本文通过对美国FCC相关Internet带宽标准、IPTV流量测量与分析,以及经典排队理论等三种方法进行综合研究,提出了一种新的基于用户数量的因区网络设计方法．计算出网络或链路的用户的中值和下限值,并将此值与以太网链路类型直接映射,能快速计算园区网络所需的核心层、汇聚层和接入层带宽．     

一种新型自适应粒子群优化粒子滤波算法及应用

基于粒子群优化的粒子滤波算法精度不高,运算复杂度大,难以在实际工程中应用. 为此,文中提出一种新型邻域自适应调整的动态粒子群优化粒子滤波算法. 该算法考虑了粒子的邻域信息,利用多样性因子、邻域扩展因子和邻域限制因子共同对粒子的邻域粒子数量进行自适应调整,控制粒子对邻域的影响,减轻局部最优现象,达到收敛速度和寻优能力的最佳平衡. 利用UNGM模型、目标跟踪模型以及故障检测模型对算法的性能进行仿真测试,结果表明：该算法与PSO-PF相比提高了精度和运算速度,具有实际工程应用价值.     

放大转发协作通信中继位置对SER性能的影响

针对放大转发协作网络多跳中继节点位置对系统性能的影响,分析了端到端链路的误码率. 根据误码率并通过设定不同节点间距离来确定最优中继位置. 针对多跳中继网络,提出了基于信道状态信息的节点选择算法,在不同的选取准则下以最小值最大化为目标. 为了考虑中继位置,进而提出基于节点位置信息的中继节点选择算法,确保选择一个最低误码率的节点为协作节点. 仿真结果表明,多跳中继最优位置处于源节点和目的节点的中点处. 与已有放大转发模式下的单跳中继相比,多跳中继在系统具有较低的总传输功率时具有更好的性能.     

基于混沌的模拟电路故障诊断方法

针对模拟电路故障诊断的神经网络方法中,网络易陷入局部极小、收敛速度慢等缺点,网络结构、权值难以确定等难题,提出一种利用混沌优化神经网络的模拟电路故障诊断新方法.该方法中,将混沌变量引入神经网络结构的优化搜索,使得神经网络的隐层节点数以及所有权参数处于混沌状态中,从而整个网络结构呈现为动态变化.然后从动态的神经网络结构中,根据性能指标来寻找一个全局最优或近似于全局最优的网络结构.最后利用优化的神经网络对模拟电路进行故障定位.利用该方法对模拟电路进行实例仿真,结果表明该算法可以有效、可靠地运用于模拟电路故障诊断中.     

实现节点负载均衡的无线传感网能量高效分簇方法

分析了分簇无线传感网中的负载不均衡问题,提出了一种实现节点负载均衡的无线传感网能量高效分簇算法. 根据网络模型计算出最优网络分簇数量,通过调整节点的通信半径来控制网络分簇的大小,以分布式周期性迭代的方法竞争选举簇头,形成合理的网络拓扑结构. 不同网络条件下的仿真实验证明,该算法能有效地均衡网络节点负载,从而降低节点能耗,延长网络生存时间,其性能优于典型的无线传感网分簇算法LEACH和HEED.