STL模型布尔运算的实现

首先建立STL模型的拓扑结构从而获得三角面片间的相邻关系．通过两个实体间的棱面相交性测试获得交点和交线,进而提取交线环．利用约束Delaunay方法对相交的三角形进行二次三角形划分,将相交表面沿交线环剖分为多个面域,利用射线法判断各个面域相对于另一实体的位置关系．通过提取相交环来决定有效的相交线降低了位置关系判断的复杂性,提高了布尔运算的稳定性．     

高斯-拉普拉斯边缘检测算子的扩展研究

针对经典的高斯-拉普拉斯（LOG）边缘检测算子是各向同性的,对各个角度方向的图像边缘检测的力度是相同的特性,对经典LOG边缘检测算子引入了角度信息参量进行推导,使以圆为对称的经典的LOG边缘检测算子变成为以椭圆对称,并且可以在坐标轴旋转任意角度的边缘检测算子,增强了其边缘检测的功能,使之能对不同角度方向的边缘更加有效地进行检测．经过在Matlab里对同一幅图像进行比较实验,对于图像中不同角度的边缘均能相应地进行提取．扩展后的LOG算子,不仅增强了边缘检测算法功能,而且完全保留了经典LOG算子原有的优点．     

基于动态部分缓存共享机制的改进RED算法

为了解决Internet中网络业务流量不断增长而引发的网络拥塞问题,采用部分缓存共享机制对随机早期检测算法进行改进。根据网络节点缓存资源实时使用情况模糊动态调整丢弃阈值,结合采用比例调度算法,提高了网络共享资源的使用效率,保证了不同网络业务的服务质量。仿真试验结果表明,改进RED算法可以提高网络节点的成功转发率,改善关键业务的延迟指标,具有更好的拥塞控制性能。     

城市干道无信号控制人行横道行人过街特性分析

对城市干道无信号控制人行横道行人过街特性进行了分析,在对行人过街定性分析的基础上总结出反映行人过街效率的6个具体指标,以某市典型无信号控制人行横道为实例进行了交通调查,测算了行人过街效率指标的实际值.通过对指标值的分析,找出了观测路段交通秩序混乱的原因,提出了具体的改进建议.     

实时交通数据的噪声识别和消噪方法

以常用的交通数据———交通量时间序列的实测数据为例,给出多个噪声识别及消噪预处理的实验结果.为提高建模的准确度,采用模糊减法聚类对交叉口实测交通量进行噪声识别.对实测交通量采用奇异值分解的滤波方法进行除噪预处理,并通过训练径向基函数网络进行预测.与数据未经滤波直接训练网络相比,预测结果的平均绝对相对误差降低了3.31%.用小波变换对交通量数据进行消噪处理,即通过多分辨率的小波分解和重构来实现消噪.实验表明,若对原始交通量时间序列消噪后再建立预测模型,将获得更好的预测结果,这说明研究的噪声识别和消噪方法的可行性和有效性.     

基于nested-loop的大数据集快速离群点检测算法

针对已有的多数离群点检测算法存在扩展性差,不能有效应用于大数据集的问题,在已有的基于距离的离群点检测算法的基础上,设计模信息表存储结构,利用向量内积不等式关系以及合理的存储分配和调度策略,提出一种高效离群点检测算法DBoda.该算法通过在预处理中存储每个点的模信息,减少点间距离的计算量,并对嵌套循环方法进行优化,进一步减少I/O的开销.理论分析和试验结果表明,所提算法具有时间消耗小和适用于处理大数据集的特点,可以有效地解决离群点检测中的算法时间复杂性和算法扩展性问题.     

基于跟踪信息的多帧联合检测方法

传统多帧联合检测方法针对搜索阶段进行设计, 由于无任何目标信息, 需要采用较高的检测门限以降低虚警数量。然而, 一旦成功建航, 目标存在性已确定, 可利用目标跟踪信息调整多帧联合检测策略, 以提升微弱目标检测能力。基于上述考虑, 本文提出了一种基于跟踪信息的多帧联合检测方法。首先利用当前时刻跟踪信息建立预测波门, 然后设定较低的单帧检测门限保障微弱目标信号的高概率检测, 最后在航迹恒虚警约束下调整多帧联合检测门限, 从而完成航迹维持和撤销。仿真实验表明所提方法可有效提高目标检测概率和跟踪维持概率。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

基于特征选取与树状Parzen估计的入侵检测

针对目前网络空间安全形势快速变化带来的新风险和新挑战, 提出一种基于相关性分析的特征选取和树状Parzen估计优化的入侵检测方法。首先, 通过基于相关性分析的数据特征选取方法对数据维度进行压缩。其次, 对原始数据集进行特征筛选, 生成新的特征子集。最终, 使用序列模型优化算法中的树状Parzen估计算法对随机森林算法进行模型优化。实验结果表明, 相比其他应用机器学习算法的入侵检测方法, 所提方法在提升综合性能的同时拥有更高的检测效率, 有效地提升了入侵检测技术的实用性。     

联合变化检测与子带对消技术的SAR图像干扰抑制方法

子带对消(subband spectral cancellation, SSC)法是一种有效的合成孔径雷达(synthetic aperture radar, SAR)射频干扰(radio frequency interference, RFI)抑制方法, 但其在消除干扰的同时容易损失图像细节信息, 影响后续图像解译。为此, 在SSC方法的基础上, 联合变化检测技术, 提出一种改进的SAR图像干扰抑制方法。根据改进的对数比变化检测算子, 所提方法实现了干扰二次检测, 消除了干扰图像中的虚警信息, 避免了图像中有用信号的损失。基于欧空局Sentinel-1A卫星干涉宽幅模式受干扰SAR图像, 开展了干扰抑制与效果评估。实验结果表明, 所提方法能够在有效抑制干扰的同时尽可能保留SAR图像细节信息, 证明了所提方法的有效性。