基于几何原理的多边形消隐算法

在分析直线与平面、平面与平面相对位置的基础上,利用重影点的概念,提出了重影点度数、广义多边形的概念和空间多个多边形平面边界投影后交的可见性偶边性理论,只需判别多边形投影交环上一个重影点的可见性,即可根据投影交环的偶边性依次判别出所有多边形边的可见性,并提出了基于几何原理的多边形消隐算法,与传统的消隐算法相比,具有算法简单可靠、占据空间小、计算速度快等优点     

基于小波域隐马尔可夫模型多尺度图像分割

提出了一种基于小波域自适应上下文结构的多尺度图像分割算法（JACMS）．该算法为了减小计算复杂度,采用隐马尔可夫半树模型和参数加权训练算法,得到了可靠的初始分割．为了获得较好的区域一致性和边缘准确性,在进行尺度间融合时,采用自适应的上下文结构分别应用于图像纹理均质区域和图像纹理边缘,保证了图像大致轮廓的准确性和可靠性,提高了分割后图像纹理边缘的精确度．对合成图像与航摄像片的实验结果表明,该方法的分割错误概率低于传统的基于小波域隐马尔可夫树模型的图像分割方法,且对真实图像得到了理想的分割效果．     

基于Gabor特征和EHMM的人脸识别方法

针对传统人脸识别方法在受到表情、姿态和光照等影响时存在鲁棒性差的问题,提出了一种改进的人脸识别方法.在特征提取上,该方法首先提取人脸的Gabor特征,接着利用DCT(discrete cosinetransform)压缩使得相似特征得到聚合,最后利用PCA(principal component analysis)分别...     

基于Arnold变换的图像置乱及其恢复

在利用Arnold变换的周期性来恢复置乱图像中,针对变换周期与图像大小不成比例的问题,通过对Arnold正变换进行推导证明,得出一种Arnold反变换的求解算法.算法能够随时从置乱图像中快速恢复出原始图像,而且无需计算该图像的周期.最后通过实验证明了算法的可靠性.     

一种双隐层RBF神经网络的算法研究

针对RBF神经网络的结构和学习算法的缺点,提出了一种双隐层RBF神经网络(DRBF)模型,并结合网络结构的动态更新策略对网络结构进行实时更新,以梯度下降法对网络参数进行修正,即确保了网络结构的最简化,提高了网络的逼近精度和泛化能力,同时也加快了网络的训练速度.将本算法和传统RBF神经网络算法应用于非线性逼近和电信企业客户流失分类进行性能比较,实验仿真结果证明了本算法的有效性和高效性.     

基于三维Arnold变换的数字图像置乱改进算法

以图像信息安全问题为背景,从Arnold变换出发,首先讨论了二维Arnold变换.接着讨论了三维Arnold变换及其在n维上的推广.最后,提出一种基于RGB色彩空间的图像置乱改进算法.实验证明,该算法加密效果较好,应用于数字水印技术中能提高数字水印的鲁棒性.     

基于局部保持映射和隐马尔科夫模型的模拟电路故障诊断方法

针对模拟电路信号的非线性特征,提出一种基于局部保持映射和隐马尔科夫模型的故障模式识别新方法. 首先提取模拟电路的信号特征构成原始高维特征样本空间;然后采用LPP算法将原始高维故障数据映射至低维空间,提取数据的内在流形特征作为特征矢量;最后通过构建混合HMM反映系统的真实状态,并作为分类器实现对各状态的分类识别. 通过仿真分析,将该方法与其他方法进行对比,结果表明,LPP-HMM方法可以有效识别早期故障特征,具有较高的故障识别率.      

认知无线电中基于HMM的动态频谱接入技术

为了降低基于CSMA的频谱接入技术在利用频谱空洞时授权用户和认知用户之间发生冲突的概率,提出了一种基于HMM的动态频谱接入方法。利用HMM预测频谱的状态信息,使认知用户在发现授权用户开始传送数据前退出所占用的频带,避免与授权用户产生冲突,根据预测的信息并利用NC-OFDM调制技术传送数据。仿真结果表明,采用该方法的动态频谱接入系统可以大大地降低用户冲突发生的概率,具有比CSMA系统更好的误码性能。     

基于多源信息融合与HMM的剩余寿命预测

针对设备剩余使用寿命预测问题, 提出一种基于多源信息融合与隐马尔可夫模型的预测方法。首先, 针对发动机结构复杂、监控数据参数多等问题, 提出一种基于传感器信噪比和主成分分析(principal component analysis, PCA)降维的多源传感器数据融合方法。在此基础上, 利用样本数据训练高斯混合隐马尔可夫模型, 同时为降低模型偏差并避免过拟合风险, 提出一种“定制”策略训练方法, 训练后的模型可用于系统健康状态识别和剩余使用寿命预测。最后, 通过美国国家航空航天局公开的航空发动机仿真数据集对所提方法进行了验证, 并与几种具有代表性且预测精度较高的文献方法进行了比较分析, 验证了方法的有效性。     

基于隐马尔可夫模型的电力信息系统动态威胁定量分析

针对典型电力信息系统的网络威胁定量评估问题，提出了基于网络入侵检测系统（network intrusion detection syetem，NIDS）报警信息和隐马尔可夫模型的网络威胁动态分析方法HMM-NIDS。该方法充分利用NIDS报警信息，从优先级、严重度、资产值和可信度4个方面分析NIDS报警信息，给出了报警威胁定量描述和分类方法，优化了隐马尔可夫模型中的观测矩阵；基于贝叶斯网络分析攻击成功的可信度，避免NIDS误警信息干扰；基于改进的隐马尔可夫模型，融合得到系统的动态风险量化值。基于Darpa2000实验场景模拟DDoS攻击，通过对比实验，验证了所提方法的有效性和优越性。