H.264视频编码在数码监控系统中的应用研究

目前数码视频监控系统大多采用MPEG1、MPEG2的编码标准,导致视频存储成本高,网络负载重.H.264比以前的视频编码标准可以节省50%以上的码率,因此在视频监控中具有很大的应用前景,但其编解码器也很复杂.为了达到实时压缩的目标,文章从三个方面来提高其运算速度:①优化帧间模式的选择;②调整内插算法的运行结构;③采用MMX、SSE汇编优化.     

基于数据挖掘的入侵检测技术精确度研究

入侵检测系统一直以来都是多层安全体系架构不可或缺的一部分,与传统的防御解决方案相比,基于数据挖掘的入侵检测有着较高的精确度,并能有效地识别未知的入侵模式.然而,伪肯定率的存在也一直影响着基于数据挖掘的入侵检测系统的深入研究.笔者分析影响入侵检测精确度的因素,提出了一种基于数据挖掘的有效提高精确度和降低伪肯定率的入侵检测方法.     

基于成像算子优化的微震逆时定位方法

针对目前微震逆时定位成像存在的问题,提出一种优化后的成像算子,对模型数据进行抗噪性、误差速度以及检波器分布和数量进行测试,并提出采用峰度值作为定位成像结果的评价标准.结果表明,优化后的成像条件在定位能量聚焦程度和成像分辨率上都得到了提升,对含速度误差和含噪微震数据都有较好的成像结果,并且对检波器的分布和数量有较好的适应...     

基于四元数图神经网络的知识图谱嵌入

针对当前大多数知识图谱嵌入方法对实体和关系的表示能力低、难以处理复杂关系的问题,提出一种基于四元数图神经网络的知识图谱嵌入方法,用于解决知识图谱的链路预测问题。该方法为了包含更丰富的关系信息,将四元数引入到知识图谱嵌入中对实体和关系建模,并考虑两者之间的共现关系。模型利用勒维图变换将知识图谱中的实体和关系转换为图网络中的节点,采用两者的共现关系构建图中的边;将四元数图神经网络(quaternion graph neural networks, QGNN)作为编码器模块,学习图节点的四元数嵌入;利用四元数空间内的哈密顿乘积构造评分函数对生成三元组进行排序。实验结果表明,所提模型能够很好地捕捉到实体与关系之间潜在的相互依赖关系,在知识图谱嵌入方面优于现有的嵌入模型。     

运用属性论方法加强供应链牛鞭效应防范

提高预测的准确性是缓解供应链牛鞭效应的关键。目前预测的方法往往很难适应订购量历史数据的变动,导致预测结果的偏差。运用属性论方法,就制造商—零售商—客户三级供应链,提出了一个需求信息预测的方法,由此来提高对这种波动性的适应能力,增强预测的准确性,帮助供应链上各节点企业优化决策过程,最终防范了牛鞭效应,并且还提供了此预测方法的算法流程。     

ECOC多分类算法在慕课数据挖掘中的应用

收集并整合多所高校学生的慕课学习行为数据,设计基于数据复杂度的纠错输出编码(ECOC)多分类算法.该算法利用数据复杂度降低多类之间的分类难度,从而提高算法的预测准确度.实验结果表明,在不同高校的慕课数据集的测试中,所设计基于数据复杂度的ECOC分类算法比传统的ECOC算法具有更高的分类准确度和鲁棒性,实现了学生学习成绩...     

动态滤波反投影图像重建算法研究

图像重建算法是过程层析成像(Process Tomography,PT)中的关键技术之一.本文提出了一种动态滤波反投影算法(Active Filter Linear Back Projection,AFLBP),并进行了实验仿真.结果表明,采用AFLBP对ECT系统中图像进行重建,可使系统在保持快速成像的同时,较好地解决了敏感场的非均匀分布和固定灰度阈值造成的成像精度问题,大大提高了系统的成像精度.     

达巴松凸起石炭系火山岩油气勘探技术研究

准噶尔盆地下组合火山岩发育,受埋深大、构造运动活跃且持续时间长等客观因素影响.研究区深层断裂系统复杂,火山岩体的识别与刻画存在诸多困难.为此,运用GeoEast解释系统提供的构造导向滤波、基于特征结构的相干结合体曲率等技术对断层进行识别;通过已钻井资料与地震相属性结合的方法,明确不同火山岩性地震反射特征,建立研究区火山...     

基于遗传算法的水火弯板工艺参数预报方法研究

以钢板加工时间和铜板收缩率曲线拟合优度作为两个目标函数．建立水火弯板工艺参数优化问题数学模型,并应用权重系数变化法．将问题转化为单目标优化问题．基于分层遗传算法（HGA）,应用三次样条插值、误差分析等方法,将目标函数转化为群体中个体的适应度函数．由加热线条数、相邻加热线之闻距离（加热线间距）和加热线收缩量作为3个约束条件,构造分层遗传算法编码,并且内外层编码在遗传运算时分别采用不同的遗传算子,最终得到钢板水火弯板加工工艺参数预报结果．经算例验证,该方法可以对船体外板作出良好的水火弯板工艺参数预报．     

基于注意力机制的GRU神经网络安全态势预测方法

传统的网络安全态势预测方法依赖于历史态势值的准确性,并且各种网络安全因素之间存在相关性和重要程度差异性。针对以上问题,提出一种基于注意力机制的循环门控单元(recurrent gate unit, GRU)编码预测方法,该方法利用GRU神经网络挖掘网络安全态势数据之间的时间相关性;引入注意力机制计算安全指标的分配权重并将其编码为网络安全态势值;利用改进的粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优,以加速GRU神经网络的训练。仿真分析表明,所提方法具有更快的收敛速度和较低的复杂度,并且在不同的预测时长下具有较小的均方误差和平均绝对误差。