排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
传统的警情时间序列预测以实际的发案数量为目标,且仅能实现短期的预测,但由于警情时间序列本身固有的强随机性使预测很难达到理想的效果。根据警情时间序列数据的特点,从公安工作的实际需求出发,提出了一种基于时间序列分解与全连接神经网络的(STL-FNN)预测模型,该模型以预测警情的单日发案的风险等级为主要目标,能够实现警情风险等级的长周期预测。利用该模型对B市侵财类警情数据进行了时间序列长周期预测的实证分析,结果表明:STL-FNN模型能够实现一年的警情单日发案风险的预测,平均准确率为0.624 7,预测性能优于Holt-Winters、LSTM、Prophet和ARIMA等模型。 相似文献
2.
通过融合指纹、人脸、口令等用户身份信息来进行多模态认证可以提高身份认证系统的安全性.而利用信息隐藏技术,可以将几种身份信息嵌入到某一种生物模板中实现安全存储.本文介绍了一种以指纹模板为隐藏载体的多模态认证技术,该技术的关键问题是要保证嵌入信息后的指纹图片的质量,以确保匹配的精度.为此,提出了一种将二元信息稀疏化的数据嵌入编码方法,利用这种编码可以有效降低数据嵌入过程中对指纹图片的修改,从而改善载密图片的质量,以达到提高匹配精度的目的.该方法嵌入脆弱水印,用于指纹模板的完整性认证. 相似文献
1