Learning Vector Quantization Neural Network Method for Network Intrusion Detection

A new intrusion detection method based on learning vector quantization （LVQ） with low overhead and high efficiency is presented. The computer vision system employs LVQ neural networks as classifier to recognize intrusion. The recognition process includes three stages： （1） feature selection and data normalization processing;（2） learning the training data selected from the feature data set; （3） identifying the intrusion and generating the result report of machine condition classification. Experimental results show that the proposed method is promising in terms of detection accuracy, computational expense and implementation for intrusion detection.     

采样目标统计特性与CCD探测系统设计

基于信息理论研究采样成像系统，寻求提高图像质量的新途径。建立了图像采集系统分析模型，计算机仿真分析图像系统端到端信息率与采样目标统计特性的关系。研究结果表明，当采样间隔接近采样目标的平均空间细节时，图像采集系统端到端信息率最大，图像质量最理想。     

蒙特卡洛法在油气储量估算中的应用

详细论述了蒙特卡洛法的数学原理及其在油气储量估算中的具体使用方法 ,并通过应用实例说明在油气田的不同勘探开发阶段 ,根据拥有资料的多少选用适当的数学模型 ,利用蒙特卡洛法都可以估算出一个具有一定可信度的比较合理的油气储量数值。当一个区块勘探程度较高 ,拥有资料较多时 ,用蒙特卡洛法估算的储量与用容积法估算的储量比较接近。     

岩爆预测的支持向量机

针对岩爆预测问题,提出了基于支持向量机的预测方法,通过对影响岩爆因素的分析,然后运用支持向量机理论建立岩爆预测的支持向量机模型·结果表明,基于支持向量机的岩爆预测方法具有较高的准确率,该方法是科学可行的,具有广泛的应用前景·     

非对称损失下的点预测问题

从统计判决理论角度考虑了非对称Linex损失下的点预测问题。定义了Linex无偏预测量并讨论了与之相关的一些结论。利用十分统计量给出了最优Linex无偏预测量。     

基于自举法小波变换的零树量化编码方法

随着信息技术的发展，探索有效的图像编码方法，进一步压缩信息的带宽，以便利用现有的网络实现更优质的信息传输是一个极富挑战性的课题，小波变换和传统的正交变换相比有很大的优越性，小波变换的多分辨率牧场生使变换后的图像数据能够保持原图像在各种分辨率下的精细结构。为进一步去除图像中的冗余信息提供了便利，提出了一种基于自举法小波变换的零树量化编码方法，通过自举法与整数滤波器的结合来实现快速的小波变换，在图像编码过程中充分利用了图像小波变换系数的分布特征，采用了嵌入式零树量化编码方法，实验结果表明，该算法实现简单，可以达到很好的压缩效果。     

地理信息系统在农业气候资料分析处理中的应用

介绍了地理信息系统及其作用，利用地理信息系统对与农业生产密切相关的光、温、水等气候资料进行处理的技术方法，以及在资料分析中的应用。     

一种基于小波变换的矢量量化算法

提出了一种基于波变换的矢量量化逄法，算法利用小波变换后各子带间的相关性，合理地构造矢量。采用最优矢量量化器设计原则，给出了小波域的误差竞争学习算法（DCL）。实验表明，这种算法获得的码本优于其它几种算法。     

乘性噪声中的谐波恢复

研究在乘性噪声均值先验知识未知情况下的谐波恢复问题.提出了基于一阶、二阶循环统计量的混合方法(FSCSH)和基于一阶、三阶统计量的混合方法(FTCSH),即先利用一阶循环统计量得到对应非零均值乘性噪声的谐波频率,再求出与谐波频率对应的乘性噪声均值,最后用二阶或三阶循环统计量来恢复谐波.仿真结果证实了该方法的有效性.     

用多观察序列训练隐马耳可夫模型的一种通用算法

隐马尔可夫模型（HMM：Hidden Markov Model）是一种具有学习能力的统计模型。HMM在许多领域特别是在语音识别领域得到成功的应用。经典HMM的Baum-Welch算法假设不同的观察序列之间是统计独立的。这与实际情况不符。本文在不附加任何假设的前提下，提出了一种用多观察序列训练HMM的算法，从理论上解决了上述问题，传统的Baum-Welch算法只不过是新算法在观察序列独立假设下的特例。