基于AIS数据的船舶轨迹修复方法研究

针对当前海上AIS数据量持续增加并且存在较多异常点,导致基于AIS数据的船舶轨迹构建困难,提出一种基于单船自身AIS数据进行轨迹异常点识别与修复方法。此方法充分利用AIS数据中的经纬度、速度、加速度以及航向等参数,进行轨迹异常点判定与修复,与基于单一位置数据的异常点判定与修复方法相比,能有效减少异常点的漏判,提高AIS数据的可靠性;与基于航迹聚类的异常点判定方法相比,不需要历史航迹数据支撑,拓展了使用范围。而采用三次样条方法对轨迹间的断点进行插值处理,进一步提升了轨迹数据的连续性和完整性。实际海域船舶AIS数据处理与分析结果验证表明,所提出方法具有较高可行性和有效性。

一种基于混合特征的移动终端恶意软件检测方法

随着移动终端恶意软件的种类和数量不断增大,本文针对Android系统恶意软件单特征检测不全面、误报率高等技术问题,提出一种基于动静混合特征的移动终端恶意软件检测方法,以提高检测的覆盖率、准确率和效率。该方法首先采用基于改进的CHI方法和凝聚层次聚类算法优化的K-Means方法构建高危权限和敏感API库,然后分别从静态分析和动态分析两个方面提取移动终端系统混合特征。在静态分析中,首先反编译APK文件,分析得到权限申请特征和敏感API调用特征;在动态分析中,通过实时监控APP运行期间的动态行为特征,分别提取其在运行过程中的敏感API调用频次特征和系统状态等特征信息;接着分别使用离差标准化、TF-IDF权重分析法和优序图法对混合特征进行归一化和特征权重赋值处理。最后,通过构建测评指标对本文所提基于混合特征恶意软件检测方法进行对比测试验证和评价分析。实验结果表明:本方法针对Android系统恶意软件的检测具有好的准确率和效率,可有效提高移动终端恶意软件检测的精确度。

一种基于异质模型融合的Android终端恶意软件检测方法

针对单一分类模型检测精度有限的问题,提出了一种基于异质模型融合的Android恶意软件检测方法。首先识别和采集恶意软件混合特征信息,采用基于CART决策树的随机森林算法和基于MLP的Adaboost算法分别构造集成学习模型,然后通过Blending算法对这两个分类器进行模型融合,最后得到一种异质模型融合分类器,在此基础上实施移动终端恶意软件检测。实验结果表明所提方法能够有效克服单一分类模型检测精度不足的问题。

融合语句-实体特征与Bert的中文实体关系抽取模型

关系抽取是信息抽取技术的重要环节,旨在从无结构的文本中抽取出实体之间的关系.目前基于深度学习的实体关系抽取已经取得了一定的成果,但其特征提取不够全面,在各项实验指标方面仍有较大的提升空间.实体关系抽取不同于其他自然语言分类和实体识别等任务,它主要依赖于句子和两个目标实体的信息.本文根据实体关系抽取的特点,提出了SEF-BERT关系抽取模型(Fusion Sentence-Entity Features and Bert Model).该模型以预训练BERT模型为基础,文本在经过BERT模型预训练之后,进一步提取语句特征和实体特征.然后对语句特征和实体特征进行融合处理,使融合特征向量能够同时具有语句和两个实体的特征,增强了模型对特征向量的处理能力.最后,分别使用通用领域数据集和医学领域数据集对该模型进行了训练和测试.实验结果表明,与其他已有模型相比,SEF-BERT模型在两个数据集上都有更好的表现.

基于LabVIEW的色彩匹配应用

图像的模式匹配在机器视觉领域处于基础部分,是很多功能实现的前提。现有的很多机器视觉研发需要开发人员具备一定的编程语言功底,大大延长了开发周期提高开发成本,而NI的LabVIEW编程采用框图和数据流的方式,结合大量子VI能够大大提高开发效率,减少开发周期,适合开发的设计和调试。本文利用LabVIEW实现实时场景的监控与目标物体的颜色匹配,达到准确、快速的匹配效果,以及高效的实现方式,从而为很多更高层次功能提供基础。

基于TransModeler路径优化仿真模型的研究

在城市交通路网中诱导车辆规划较优出行路线,来提高人们的出行质量。本文分别研究了蚁群算法和粒子群算法,并根据其优缺点进行了算法融合。同时学习和分析了Transmodeler4.0软件,建立城市路网,加入仿真数据,并模拟了融合算法下的路径优化模型。结合实例,通过路径对比,提出优化方案。

分级分类的多元综合诚信评价指标体系

为了保证企业在招投标活动中的公平公正,需要一套完整的评判机制去评价企业诚信度,本文提出了一种能够全面评测企业诚信的分级分类多元诚信评估系统,灵活可变、多方位衡量一个企业的诚信水平。