基于向量机的数字图像鉴别技术研究

真实图像和计算机图像的鉴别是数字图像盲取证研究的重要问题之一.分析、研究了真实图像和计算机图像的成像原理,并发展了对这两类图像鉴别的数字方法.该方法从两类图像的高频信息及噪声形成的区别进行特征提取,并利用LIBSVM进行分类识别,实验表明此方法在鉴别图像类型中可以取得较好的分辨效果.     

基于梅尔频率倒谱系数和支持向量机的汽车鸣喇叭声识别

使用违法鸣笛辅助执法设备监测城市交通中汽车鸣喇叭事件的发生,可以有效地治理扰民的喇叭噪声,汽车鸣喇叭声的识别方法是其关键.为了准确高效地在交通噪声里识别出汽车鸣喇叭声,采用支持向量机(support vector machine,SVM)作为喇叭声和交通噪声的二分类器,针对汽车喇叭声的谐波特征分布特点,提取其梅尔频率倒谱系数(Mel frequency cepstrum coefficient,MFCC)作为特征向量,并分析MFCC的梅尔滤波器个数及特征维数对识别效果的影响.实验结果表明,通过增加MFCC特征中梅尔滤波器个数及特征维数可以改善识别效果,信噪比越低越明显.     

基于改进学习矢量量化神经网络输电线路故障识别技术

针对输电线路距离长、覆盖范围广,易受到自然环境和人为因素的影响,对输电线路故障分类和识别非常困难.在输电线路故障分类中将经验小波变换与改进的学习矢量量化神经网络相结合,使用经验小波变换提取输电线路的故障特征,并使用改进的学习矢量量化神经网络识别故障特征.通过对不同故障类型、故障位置、过渡电阻和初始故障角度进行仿真,验证该模型的准确性和有效性.仿真结果表明,该方法在故障分类中具有一定的优势,不受上述因素的影响,具有良好的鲁棒性和故障分类性能.该研究为中国输电线故障识别技术的发展提供一定的参考.     

MANET中基于能量的改进型AODV协议

针对移动Ad Hoc网络(MANET)中数据传输的稳定性问题,提出一种基于能量的改进型按需距离矢量(AODV)路由协议(AODV-E).在源节点广播的请求路由报文(RREQ)和回复报文(RREP)中增加了节点能量信息,使源节点能够掌握路径中各中间节点的能量,选择一条综合考虑路径长度和能量均衡的最优路径来传输数据,避免节点由于能量消耗过大导致链路断裂,从而影响数据传输的稳定性和时延.通过仿真实验,在不同节点数量和不同节点移动速度场景下,通过投递率(PRD)和整体时延来评估AODV-E和传统AODV协议的性能     

采用节点流守恒求取多状态网络d-最小路集的改进算法

针对多状态网络可靠度的计算问题,给出一种求解多状态网络d-最小路集的改进算法.引入可行流向量,并将网络中的双向边等效为单向边,使算法对网络中边的容量取值无特殊要求,且可用于含双向边的网络,适用性更强.通过引入边的容量下确界,并将网络中的反向边等效为单向边,减少求取d-最小路集可行解时需枚举的解数目,降低算法复杂度.以多状态网络为例,进行分析验证.结果表明:该算法可以准确得到多状态网络所有d-最小路集.     

相空间中基于El-Nabulsi模型的Lie对称性与守恒量（英文）

研究相空间中基于El-Nabulsi非保守动力学模型的Lie对称性与守恒量.首先,建立系统的运动方程.其次,在一般无限小变换下,建立确定方程,从而给出相空间中基于El-Nabulsi模型的Lie对称性的定义和判据,同时,给出相空间中Lie对称性直接导致的广义Hojman守恒量,Hojman守恒量为广义Hojman守恒量一特例.然后,给出基于El-Nabulsi模型的Lie对称性导致的Noether守恒量.最后,给出2个特例说明结果的应用.     

基于支持向量机的多特征选择目标跟踪

目标判别跟踪方法一般以单一跟踪结果(正样本)和部分负样本训练分类器,并只用单一的特征描述目标,因此在目标发生遮挡、光照变化、形变等情况下很容易导致跟踪的失败. 为了克服单一正样本和单一特征训练的分类器导致跟踪不稳定的问题,提出一种基于支持向量机的多特征描述、多个正负样本进行分类器训练的目标跟踪方法,用训练分类器对所有候选粒子的不同特征进行判别和选择,并将具有最大置信概率的粒子确定为跟踪结果. 在跟踪过程中,利用子空间学习的方法实现正样本的更新,并以更新后的正负样本训练分类器. 实验结果表明,该方法在目标存在遮挡、光照变化、形变等情况下均可以取得较好的跟踪效果.     

基于多码本矢量量化的图像篡改恢复

提出一种用于数字图像篡改检测与内容恢复的自嵌入脆弱图像水印算法.对原始图像每个不重叠分块进行基于边缘复杂度的内容分析,选择不同大小的矢量量化码本进行分块压缩,可获得相应的标识符和表示图像分块主要内容的索引值以构成压缩码.将其复制多份后作为参考比特,通过密钥嵌入至其他多个分块中.用于篡改定位的认证比特则被嵌入每个分块本身.由于在多码本矢量量化协同下生成的参考比特具有较高的内容表示效率,该算法在篡改率相同的条件下可取得更理想的内容恢复性能,这一结论得到了实验结果的验证.     

基于k近邻和最小二乘支持向量机的Android恶意行为识别

针对单一k近邻算法(KNN)和最小二乘支持向量机(LSSVM)存在的缺陷, 提出一种基于KNN LSSVM的Android恶意行为识别模型. 先采集Android用户行为样本, 并提取相应特征组成特征向量; 再将训练集输入LSSVM中进行学习, 计算测试样本与最优分类平面间的距离, 如果该距离小于阈值, 则直接采用LSSVM恶意行为识别, 否则采用KNN算法进行恶意行为识别; 最后采用仿真实验测试KNN LSSVM的性能. 实验结果表明, 相对于单一KNN算法和LSSVM, KNN LSSVM提高了Android恶意行为的识别正确率,可以满足Android[KG*6]恶意行为的在线识别要求.