针对当前小目标图像阈值分割研究工作面临的难题,提出了快速核密度估计图像阈值分割新方法.首先给出了基于加权核密度估计器的概率计算模型,通过引入二阶Renyi熵作为阈值选取准则,提出了基于核密度估计的图像阈值分割算法(Kernel densit...针对当前小目标图像阈值分割研究工作面临的难题,提出了快速核密度估计图像阈值分割新方法.首先给出了基于加权核密度估计器的概率计算模型,通过引入二阶Renyi熵作为阈值选取准则,提出了基于核密度估计的图像阈值分割算法(Kernel density estimator based image thresholding algorithm,KDET),然后通过引入快速压缩集密度估计(Fastreduced set density estimator,FRSDE)技术,得到核密度估计的稀疏权系数表示形式,提出快速核密度估计图像阈值分割算法fastKDET,并从理论上对相关性质进行了深入探讨.实验表明,本文算法对小目标图像阈值分割问题具有更广泛的适应性,并且对参数变化不敏感.展开更多
针对当前移动终端使用中存在的安全隐患,研究了一种新的面向Android移动终端的入侵检测算法。首先是在Android平台上收集移动终端内核信息并进行预处理,通过引入快速核密度估计(fast kernel density estimation,Fast KDE)算法对收集到...针对当前移动终端使用中存在的安全隐患,研究了一种新的面向Android移动终端的入侵检测算法。首先是在Android平台上收集移动终端内核信息并进行预处理,通过引入快速核密度估计(fast kernel density estimation,Fast KDE)算法对收集到的大规模样本进行压缩,得到数量合理的训练样本,然后结合在线增量学习算法,利用支持向量机(SVM)算法对处理后的数据进行判别以识别出入侵。实验结果表明,该方法极大缩短了训练时间,检测性能逐步达到最佳,具有较好的可扩展性和自提升能力。展开更多
文摘针对当前小目标图像阈值分割研究工作面临的难题,提出了快速核密度估计图像阈值分割新方法.首先给出了基于加权核密度估计器的概率计算模型,通过引入二阶Renyi熵作为阈值选取准则,提出了基于核密度估计的图像阈值分割算法(Kernel density estimator based image thresholding algorithm,KDET),然后通过引入快速压缩集密度估计(Fastreduced set density estimator,FRSDE)技术,得到核密度估计的稀疏权系数表示形式,提出快速核密度估计图像阈值分割算法fastKDET,并从理论上对相关性质进行了深入探讨.实验表明,本文算法对小目标图像阈值分割问题具有更广泛的适应性,并且对参数变化不敏感.
基金国家自然科学基金(the National Natural Science Foundation of Chinaunder Grant No.10471045)国家新世纪优秀人才计划(the Pro-gram for New Century Excellent Talentsin University+4 种基金NCET)教育部霍英东青年教师基金(the Excellent Young Teachers Program of Ministry of Education of Chinaunder Grant No.91005)教育部人文社科基金(the Social Science Research Foundation of MO Eunder Grant No.2005-241)广东省科技攻关项目(the Key Technology Researchand Development Program of Guangdong ProvinceChinaun-der Grant No.2005B10101010)
文摘针对辅助粒子滤波算法计算量大,滤波效率较低的问题,提出了一种基于快速高斯变换(Fast Gaussian transform,FGT)的辅助边缘粒子滤波算法。该算法假设状态噪声是加性的,并且是高斯的,这样非线性滤波的Chapman-Kolmogorov方程的求解近似于执行了核密度估计(Kerner density estimation,KDE),从而可将KDE中的快速算法FGT引入,以提高算法的计算效率和实时性。仿真结果表明,该算法利用少数粒子就可以获得与常规粒子滤波相似的误差,大大提高了计算效率。
文摘针对当前移动终端使用中存在的安全隐患,研究了一种新的面向Android移动终端的入侵检测算法。首先是在Android平台上收集移动终端内核信息并进行预处理,通过引入快速核密度估计(fast kernel density estimation,Fast KDE)算法对收集到的大规模样本进行压缩,得到数量合理的训练样本,然后结合在线增量学习算法,利用支持向量机(SVM)算法对处理后的数据进行判别以识别出入侵。实验结果表明,该方法极大缩短了训练时间,检测性能逐步达到最佳,具有较好的可扩展性和自提升能力。