基于半监督典型相关分析的多视图维数约简

为了有效地在半监督多视图情景下进行维数约简,提出了使用非负低秩图进行标签传播的半监督典型相关分析方法。非负低秩图捕获的全局线性近邻可以利用直接邻居和间接可达邻居的信息维持全局簇结构,同时低秩的性质可以保持图的压缩表示。当无标签样本通过标签传播算法获得估计的标签信息后,在每个视图上构建软标签矩阵和概率类内散度矩阵,然后通过最大化不同视图同类样本间相关性的同时最小化每个视图低维特征空间类内变化来提升特征鉴别能力。实验结果表明,所提方法比已有相关方法能够取得更好的识别性能且更鲁棒,是有效的多视图维数约简方法。

基于迁移学习的跨公司软件缺陷预测

为解决通常由公司内工程数据训练构建软件缺陷预测模型,而实际较缺乏本地缺陷数据的问题,借助迁移学习技术,提出使用不同公司工程数据构建缺陷预测模型的算法,实现跨公司软件缺陷预测。通过比较源工程训练数据和目标工程测试数据集的多种统计量,设置训练数据的权重,基于加权的训练数据构建加权迁移朴素贝叶斯分类器。实验结果表明,该方法有效提高了跨公司软件缺陷预测模型的性能,为项目管理者合理分配软件工程资源提供了依据。

基于虚拟样本图像集的多流形鉴别学习算法

为了丰富训练样本的类内变化信息,提出了基于通用训练样本集的虚拟样本生成方法。为了利用生成的虚拟样本中的类内变化信息有效地完成单样本人脸识别任务,提出了基于虚拟样本图像集的多流形鉴别学习算法。该算法将每类仅有的单个训练样本图像和该类的虚拟样本图像划分为互不重叠的局部块并构建流形,然后为每个流形学习一个投影矩阵,使得相同流形内的局部块在投影后的低维特征空间间隔最小化,不同流形中的局部块在投影后的低维特征空间中间隔最大化。实验结果表明,所提算法能够准确地预测测试样本中的类内变化,是一种有效的单样本人脸识别算法。

鲁棒多视图协同完整鉴别子空间学习算法

为了有效地融合多视图信息并使有利于多视图完整子空间学习的视图主导多视图学习,提出了多视图协同完整子空间学习策略。进一步,为了使对象在潜在完整子空间中的完整特征表示具有更好的鉴别能力,将Fisher鉴别分析引入到了多视图完整子空间学习中。Fisher鉴别分析可以在最小化对象的完整特征表示的类内散度的同时最大化对象的完整特征表示的类间散度。将多视图协同完整空间学习策略和Fisher鉴别分析融合在一起,提出了鲁棒多视图协同完整鉴别子空间学习算法。实验结果表明,所提算法能够有效地融合多视图信息并挖掘鉴别信息,是一种有效的多视图完整子空间学习算法。

混淆技术在软件水印保护中的应用研究

伴随Internet的飞速发展，软件版权面临着巨大挑战。软件水印是保护软件版权的有效手段之一。因此，软件水印也就成为盗版者攻击的主要目标。如何对软件水印实施有效保护成为亟待解决的问题。混淆技术可以降低程序的可分析性、增强软件水印的隐蔽性能，从而起到保护软件水印的作用。编排变换、控制流程变换、数据变换是混淆技术的主要方式。

基于局部流形重构的半监督多视图图像分类

为了在半监督情境下利用多视图特征中的信息提升分类性能,通过最小化输入特征向量的局部重构误差为以输入特征向量为顶点构建的图学习合适的边权重,将其用于半监督学习。通过将最小化输入特征向量的局部重构误差捕获到的输入数据的流形结构应用于半监督学习,有利于提升半监督学习中标签预测的准确性。对于训练样本图像的多视图特征的使用问题,借助于改进的典型相关分析技术学习更具鉴别性的多视图特征,将其有效融合并用于图像分类任务。实验结果表明,该方法能够在半监督情境下充分地挖掘训练样本的多视图特征表示的鉴别信息,有效地完成鉴别任务。

一种信息伪装技术在机密公文处理中的应用

随着电子政务建设的深入,电子公文传输正逐渐成为政府间函件往来的主要传输手段。但是,公文的安全传送问题面临着极大挑战、亟待解决。我们利用信息伪装技术给出一种对机密公文进行处理的方法。

一种基于小波变换的图像压缩的应用

对信号进行准确的分析、编码、压缩、快速传递或存储、精确重构是当今信号处理的目的。在数字图像信号处理领域,小波分析以时域和频域联合表示信号的特征,使得它在图形、图像、通信、计算机视觉领域都有很好的应用。我们结合数字图像的频谱特性给出一种基于小波变换的图像压缩方法。

基于稀疏表示的多模态生物特征识别算法

传统的生物特征识别系统依靠单一来源的生物特征信息完成对象鉴别,但是光照变化、噪声和遮挡等因素对生物特征信息的污染会使其识别性能降低。为此,提出一种多模态稀疏表示算法。在使测试对象不同模态的观测值共享稀疏表示的情况下,用训练数据的稀疏线性组合表示测试数据。算法的优化问题通过一种高效的交替方向方法求解。实验结果表明,该算法的识别性能优于基于信息融合的对比方法。

基于Web的运动生物力学教学实验系统的设计与实现

运用ASP、JavaScript等Web技术设计出B/S结构的运动生物力学教学实验系统。B/S结构的实验系统使进行运动生物力学实验的实验地点、实验时间变得更为灵活,在一定程度上提高了学生学习的自主性。

联合混合范数约束和增量非负矩阵分解的目标跟踪

针对当前目标跟踪算法因光照变化、部分遮挡、姿态变化以及背景杂乱等因素引起的跟踪漂移问题,联合混合范数约束和增量非负矩阵分解,提出一种目标跟踪算法。通过对目标的非负矩阵分解获得其局部结构信息,有效应对局部遮挡,同时达到降维目的。通过稀疏描述下的混合范数约束进一步抑制外界环境的干扰,并利用加速近似梯度算法迭代求解优化问题。为更好地满足实时精准跟踪的需求,应用遮挡检测及在线更新策略读取跟踪目标位置。在粒子滤波跟踪框架中的实验结果显示,相比IVT、多示例学习、Frag和L1APG跟踪算法,该算法的鲁棒性更好。

Pemu模拟器在防火墙实验教学中的应用探索

介绍了Cisco Pix防火墙模拟器Pemu在防火墙实验教学中的应用,设计了一系列实验教学项目并对教学效果进行了简要分析。实践证明这对提高学生的自主学习能力和培养创新能力、激发学生学习兴趣、提高教学质量都具有十分重要的意义。

自适应蝙蝠算法优化的模糊聚类及其应用

随着信息网络技术的飞速发展,如何对规模庞大的网络数据准确高效聚类并合理应用显得尤为重要。虽然模糊C均值聚类算法(FCM)已具有良好的聚类效果,但其对初始化敏感,在处理高维大规模网络数据时易陷入局部极值问题还未被完全克服。为了解决这两个问题,提出一种分布熵和平均位距改进的自适应蝙蝠算法,利用该算法对模糊C均值的参数进行优化。在此之上,将自适应蝙蝠算法优化的模糊聚类应用于异常检测领域,提出了一种自适应蝙蝠算法优化的模糊聚类异常检测算法。理论分析和仿真实验表明,与前沿的粒子群优化FCM异常检测算法和FCM异常检测算法相比,该算法具有更好的聚类效果和检测性能。

基于小波变换的图像消噪的应用

小波分析是当前应用数学和工程学科中一个迅速发展的新领域,小波分析是时间—尺度分析和多分辨分析的一种新技术,尤其在数字图像处理领域,基于小波变换的图像压缩、图像增强、图像消噪可以取得很好的实际效果,我们结合数字图像内容和人类视觉特性给出了一种基于小波变换的图像消噪的实现方案。

基于Skip-gram的CNNs文本邮件分类模型

随着互联网广告技术的发展和电子邮件的普及,越来越多的垃圾广告邮件充斥生活,而对如何高效区分垃圾邮件的研究也逐渐成为了热门课题。自然语言在结构上具有很强的前后相关性,而且对于中文邮件直接转化成向量会有过高的维度产生,影响最后分类的准确性。对此,首先对邮件文本进行分词,再利用skip-gram模型训练出数据集中每个词的wordembedding,引入的词嵌入(wordembedding)是为了将邮件文本转化成低维度特征向量;然后将每个词的wordembedding组合为二维特征矩阵作为网络的输入,此外在每一次的迭代过程中,输入特征也作为参数进行更新;最后送入提出的CNN-HIGHWAY混合模型中进行邮件分类。将该混合模型在CCERT中文邮件样本集上进行实验,并与传统的机器学习方法和标准的卷积神经网络模型进行对比,结果表明该模型不仅解决了维度过高的问题,而且提高了邮件分类的准确率。

有监督鉴别哈希跨模态检索

随着大数据时代的到来,利用哈希方法实现对异质多模态数据的快速跨模态检索受到越来越多的关注。为了获取更好的跨模态检索性能,提出有监督鉴别跨模态哈希算法。利用对象的标签信息对所要生成的哈希码进行约束。算法中的线性分类项和图拉普拉斯算子项分别用于提升哈希码鉴别能力和保留模态间相似性。对算法的目标函数利用迭代法进行求解。该算法在两个基准数据集的实验结果展现出优于目前最前沿的跨模态哈希检索方法。

基于加权RFE-Bayes方法的软件缺陷预测模型

近年来,软件缺陷预测逐渐成为软件工程领域的重要内容。很多典型的机器学习方法已经被应用到软件缺陷预测中,包括SVM、随机森林、决策树和朴素贝叶斯等。早期的研究工作对所有软件产品采取相同的特征提取方式,分类效果并不理想。后来一些特征选择方法被提出,比如基于启发试的回归特征消除方法已经成功与SVM方法结合起来,取得了较好的效果。文中在现有工作基础上借鉴了RFE(回归特征消除)的思想,考虑到朴素贝叶斯方法在处理小样本分类问题时的优越性,首次将RFE与朴素贝叶斯方法结合起来,利用贝叶斯模型的特性在特征选择后将特征权值应用到对分类决策的改进中,进一步提高了分类器性能。实验采用NASA的软件缺陷数据集,并对比了其他效果较好的分类算法,体现了该算法的优越性和有效性。

基于局部稀疏重构度量学习的软件缺陷预测

随着计算机技术的不断发展,如何准确地预测出软件中潜在的缺陷显得至关重要。近年来,研究者们尝试把一些机器学习方法应用到软件缺陷预测领域中,但是这些方法在分类过程中大多使用了传统的欧氏距离。距离度量学习方法通过挖掘训练样本集的特征信息和标记信息,学习得到有效的距离度量,让样本在基于度量矩阵的新特征空间中具有更好的鉴别可分性。将距离度量学习方法引入到软件缺陷预测中,同时融入了局部稀疏重构信息,提出一种新的软件缺陷预测方法,即局部稀疏重构度量学习方法(LSRML)。该方法学习得到的距离度量具有很好的鉴别性,并有效地解决了噪声敏感问题。在软件工程NASA数据库上的实验结果表明,提出的方法具有较好的缺陷预测效果。

基于代价敏感学习的软件缺陷预测方法

软件缺陷预测是改善软件开发质量、提高测试效率的重要途径。文中分析了软件缺陷预测的特点,同时针对当前软件缺陷预测中存在特征冗余问题和类不平衡问题进行了深入研究。首先为了解决软件模块中的特征冗余问题给软件缺陷预测造成困难,提高对软件缺陷预测的准确率,采用基于代价敏感的拉普拉斯特征映射方法(CSLE)对原样本空间进行降维,改进拉普拉斯算法(LE)中的距离度量方式,提高降维映射精度;然后通过基于代价敏感的神经网络的方法(CSBPNN)对软件模块进行分类,调整BP神经网络的权值和偏置参数,使BP神经网络对有缺陷软件模块的误分更加敏感,进一步提高分类效果。在NASA软件缺陷标准数据集上与最新的几种软件缺陷预测方法相比,文中提出的方法能够有效提高有缺陷样本的召回率和F-measure值。

基于优化字典设计的MOD字典学习算法

在模式识别研究领域,有关人脸识别的研究一直备受关注,并且已经成功地应用于诸多社会公共安全防护领域。近年来,随着压缩感知理论的发展,稀疏表示因其出色的分类性能以及对噪声因素的鲁棒性而受到众多研究者的关注,并且被成功地应用于人脸识别当中。基于稀疏表示的分类算法的性能优劣与学习到的字典息息相关,因此字典的优化设计非常值得深入研究。文中在经典的MOD算法中加入聚类算法,提出一种增强型MOD字典学习算法(E-MOD)。该算法在字典学习阶段使用聚类算法来优化字典的设计,去除冗余的字典原子数,得到性能优秀的字典;接着为了使学习到的字典具有判别性能,进一步使用MOD算法继续学习,最终得到分类效果更佳的字典。在AR和CAS-PEAL人脸数据库上的对比实验有效地验证了E-MOD算法的性能。