Local prediction of the chaotic fh-code based on LS-SVM

Support vector machine （SVM） is powerful to solve some problems such as nonlinear classification, function estimation and density estimation. To consider the chaotic fh （frequency hopping）-code＇s characters in chaotic dynamic system, the forecasting model of the support vector machine in combination with Takens＇ delay coordinate phase reconstruction of chaotic times is established and the least squares model for large-scale problems is used in local training for this model. Finally, a fh-code series generated by Logistic-Kent mapping is applied to verify the local prediction model. Simulation results show that the high accuracy and fault tolerant SVM model has an excellent performance in predicting the fh code, with a very low mean square error and a high relative coefficient.

孤独症者的预测编码缺陷:前馈联结异常还是反馈联结异常?

依据预测编码理论,研究者提出预测缺陷是孤独症谱系障碍(Autism Spectrum Disorder,ASD)个体感知运动、认知学习和社交言语等多领域缺陷的基础,即孤独症的预测缺陷假说(Predictive Impairment inAutism,PIA)。在PIA中,研究者基于贝叶斯和层级性推理分别提出“低先验”和“高且不灵活的预测误差精度”两个假说,然而上述假说并未得到一致证据支持。ASD个体在不同领域中不同先验的相对权重并非普遍降低,而是具有广泛的任务或情境敏感性。关于ASD个体是否具备基于环境波动调节预测误差精度的能力,也尚存分歧。此外,关于其潜在机制,是神经调节系统异常导致的自下而上前馈联结异常,还是预测脑区功能异常导致的自上而下反馈联结异常,尚无定论。由此可见,虽然该理论为ASD提供了统一的解释框架,但仍需更多研究证据进行修正和完善,以期为早期筛查和诊断、治疗和教育实践提供指导。

基于上下文词预测和窗口压缩编码的数字水印方法

针对已有自然语言数字水印方法可替换词数量有限以及水印提取效率低的问题,提出了一种基于上下文词预测和窗口压缩编码的数字水印方法。该方法通过神经网络语言模型自动学习原始文本中每个词的上下文语义特征,预测每个词的候选词列表,从而扩充可用于嵌入水印信息的可替换词数量。同时,考虑到不同位置的候选词的替换对句子语义的影响存在差异,该方法以由多个词组成的窗口为单位来嵌入水印信息,并通过词替换前后句子间的相似度来优化水印嵌入时候选词的选择。在此基础上,提出了一种语义无关的窗口压缩编码方法,其根据窗口中词的字符信息对窗口进行水印编码,解决了提取水印信息时对词替换位置的原始上下文的依赖。实验结果表明,所提方法在具有较高嵌入容量和文本质量的前提下,大大提高了水印的提取效率。

基于喷泉码信息差异分簇的V2V协作数据分发方案

新兴车联网应用需要分发的数据量不断增加,车辆难以在一个RSU通信范围内收到完整数据,跨RSU通信完成率低,时效性差。针对此问题,提出一种基于喷泉码信息差异分簇的V2V协作数据分发方案。经过喷泉编码的数据由RSU广播;车辆通过XGBoots预测车速,以此计算V2V链路生存时间;链路可靠性和车辆的喷泉码信息差异构建引力模型来分簇,在簇内以V2V传输共享编码包,在保证完成率的前提下大幅降低数据分发延迟。仿真结果表明,与已有方案ECDS相比,对于不同大小的数据,该方案在保证完成率的基础上,平均时延降低了38%。

HEVC视频加密技术综述

针对视频数据在传输和存储过程中存在被非法获取和恶意破坏的问题,从高效视频编码(HEVC)标准和加密技术出发,对HEVC视频编码标准下的加密技术进行综述。回顾了视频编码技术的发展历程,介绍了HEVC视频编码标准,讨论了视频加密技术常见攻击方法及性能评估指标,全面梳理与详细分析了不同视频加密技术性能及其优缺点,展望了视频加密技术的发展趋势,旨在为视频加密技术的研究和应用提供参考。

基于注意力机制和特征融合的股票预测方法

基于人工智能在金融数据中的应用,提出了一种新的股票预测方法,称为AFG。AFG使用位置编码和时间编码获取股票数据的位置信息和时间信息,然后通过门控循环单元和多头自注意力机制对股票数据分别进行特征提取。在将两类股票特征融合之后,由全连接层导出最终的股票预测曲线。

融合异构信息的自动国际疾病分类编码方法

针对自动国际疾病分类(ICD)编码中医学电子健康记录(EHR)的结构多样性以及编码间复杂的关联关系等特点,提出一种融合异构信息的自动ICD编码方法AIC-HI(Automatic ICD Coding integrating Heterogeneous Information)。首先,针对编码任务中结构化编码、半结构化描述、非结构化医学文本这3种异构数据的不同特性设计了多种特征提取器;其次,构建编码知识图谱拟合编码的层次结构关系,将不同分支间关联关系转化为包含头尾编码的三元组;再次,运用表征学习融合编码和描述信息计算标签特征;最后,通过注意力机制提取在非结构化文档中与编码标签最为相关的特征表示。实验结果表明,与次优的基线模型MARN(Multitask bAlanced and Recalibrated Network)相比,AIC-HI在真实临床数据集MIMIC-Ⅲ上所有编码的微观F1值提升了4.3个百分点。

用于FPGA平台上图像快速旋转的改进CORDIC算法

坐标旋转数字算法(CORDIC)被广泛应用于消旋、相机边框等系统中。在对传统CORDIC算法分析的基础上提出了重编码预测和多倍迭代优化的方法,并用MATLAB进行了仿真,又在VIVADO上进行了FPGA验证与对比。实验结果表明,上述优化相对传统CORDIC算法以及VIVADO自带的CORDIC IP核显著减少了迭代次数,消耗了更少的资源,计算的精度也有了一定的提升。

长链非编码RNA H19、CHAST在心房颤动患者血清中的表达水平及临床意义

目的 探讨心房颤动患者血清长链非编码RNA(lncRNA)H19、lncRNA CHAST的表达水平及临床意义。方法 选取心房颤动患者100例(阵发性心房颤动50例,非阵发性心房颤动50例)作为研究组,同期50例健康体检成年人作为对照组。收集所有受试者的一般临床资料及相关检查指标,采用实时荧光定量PCR法检测血清lncRNA H19、lncRNA CHAST的表达水平,评估心房颤动患者血清lncRNA H19、lncRNA CHAST表达水平与心肌重构相关指标的相关性;Logistic回归分析确定心房颤动的影响因素;分析血清lncRNA H19、lncRNA CHAST表达水平对心房颤动的预测价值。结果 研究组血清lncRNA H19和lncRNA CHAST表达水平高于对照组(1.64±0.48和1.58±0.40 vs.1.05±0.33和1.06±0.35,P<0.05)。非阵发性心房颤动组血清lncRNA H19和lncRNA CHAST表达水平高于阵发性心房颤动组(P<0.05)。lncRNA H19、lncRNA CHAST表达水平与左心房内径、左心室舒张末内径呈正相关,和左心室射血分数呈负相关(P<0.05)。Logistic回归分析结果显示,lncRNA H19表达水平(OR=5.115,95%CI:1.240~21.089)和lncRNA CHAST表达水平(OR=2.522,95%CI:1.172~5.426)是心房颤动的影响因素。ROC曲线显示,lncRNA H19、lncRNA CHAST的表达水平及其联合预测心房颤动的曲线下面积分别是0.860、0.833、0.932。结论 lncRNA H19、lncRNA CHAST为心房颤动的独立危险因素,两指标对预测心房颤动发生有一定的价值,且两者联合对预测心房颤动发生的价值更高。

针对VVC色度预测的注意力卷积神经网络算法

针对多功能视频编码(Versatile Video Coding,VVC)标准中跨通道线性预测模型(Cross-Component Linear Model,CCLM)无法很好地拟合色度与亮度之间的非线性对应关系这一不足,提出了一种基于注意力机制卷积神经网络的VVC色度预测算法。该算法主要思想是在进行色度预测时,使用对应亮度块的信息与待预测色度块上方与左方的信息作为参考信息输入进卷积神经网络,利用注意力机制对参考信息中的亮度与色度间的内在联系进行分配权重后输入预测网络。实验结果表明,相较于VVC标准算法U分量和V分量的平均码率节省分别为0.64%和0.68%,有效提升了VVC编码性能。

孤独症谱系障碍者的视觉感知:基于贝叶斯和预测编码视角

贝叶斯和预测编码理论为孤独症谱系障碍(autism spectrum disorder,ASD)者的感觉加工异常提供了争议性的解释。通过聚焦非社会视觉信息,可从贝叶斯推理、预测编码过程和预测编码精确度三个层面概述理论细节差异并归纳实证证据。基于贝叶斯推理的弱先验和精确似然假说对ASD者视觉加工异常的解释仅停留在描述性层面;关注预测编码过程的假说或观点进一步推动了对ASD者视觉加工特异性的细化,但仍不具备解释功能;聚焦预测编码精确度的假说提供了理论解释,但需进一步完善理论细节和更多精细化的实证研究加以检验。未来研究应通过先细化再整合的路径归纳ASD者预测加工特异性、从ASD者主观体验视角检验理论内容及从发展性视角考察预测功能在ASD者成长中的变化。

预期与时间注意对视觉感知的影响

使用注意瞬脱范式,通过2个实验探究时间注意与条件概率建立的预期如何互动性地作用于视觉感知。结果发现:当刺激处于注意瞬脱期时,与中性条件相比,符合预期刺激的视觉敏感性更高,且违反预期刺激的视觉敏感性更低;无论刺激是否处于注意瞬脱期,符合预期时的决策标准更低,违反预期时的主观可见性更高。研究结果为预测编码理论框架下预期与注意的协同作用模式提供了实证支持。

基于神经网络的HEVC帧内预测组合快速算法

为了提升高效视频编码(High Efficiency Video Coding,HEVC)帧内编码的实时性能,本文提出的方法利用了引入偶数边长与步长的卷积核以及自注意力机制的轻量级卷积网络来预测编码树单元(Coding Tree Unit,CTU)的帧内划分结构,从而减少了编码器对CTU进行四叉树递归遍历划分的编码时间。原始编码策略中粗模式决策通过基于残差经哈德曼变换的预测残差绝对值总和(Sum of Absolute Transformed Difference,SATD)的损失值来估计率失真优化过程中的率失真损失值来进行加速,但仍会耗费一定的编码时间。提出一种方法通过采样搜索的方式减少粗模式决策过程中计算的模式数,从35种模式降低到了18种模式,降低了粗模式决策过程中计算估计损失值的时间。由粗模式决策过程得到的较优的多个候选帧内模式来进行率失真优化,为了缩减粗模式决策需要计算的候选模式数,在候选模式列表中根据前后帧内预测角度模式的估计损失值的差距来筛选掉部分可能性较低的候选模式实现早停止决策,从而减少需要进行率失真优化的候选模式数量,进而减少率失真优化过程的计算时间。本文提出的算法在测试序列上平均实现78.15%的编码时间缩减,BD-PSNR为-0.168 d B,BD-RATE为3.49%。

基于长边稀疏采样的AV1参考像素选择算法

开放媒体联盟开发的第一代视频编码标准(Alliance for Open Media Video 1,AV1)作为新一代的开放式视频编码技术,以其高压缩效率和高质量视频输出等优势成为在线视频领域的主流编解码标准之一。旨在优化帧内预测编码技术以降低编码运行的计算复杂度,从而节约视频编码时间。为此,提出了长边采样(Long-side Sampling, LS)和长边稀疏采样(Long-side Sparse Sampling, LSS)的参考像素选择方法,根据块的划分方式规律地提取关键参考像素,以改进直流(Direct Current, DC)预测和亮度预测色度(Chroma from Luma, CfL)预测技术的性能。实验结果表明,LSS可以规避运算中的除法操作且减少大量加法计算量,在全I帧(All Intra, AI)和随机接入(Random Access, RA)配置下,相较原始算法平均编码时间减少11%和13%,同时节省0.03%和0.04%的Bj?ntegaard Delta Bit Rate(BDBR)。

基于序列判定的多维网络双向链路稳定性预测

为了确保多维网络双向链路的稳定运行,提出一种多维网络双向链路稳定性预测算法。根据多维网络维数定义和小世界网络特性分析结果,获取多维双向网络的主要特征,通过提取的特征建立多维网络模型,采用稀疏编码网络方法对模型降维处理。以结构相似性为基础,计算降维处理后多维网络双向链路中不同节点之间的相似度,通过相似度排序结果获取一个连边序列,以连边序列为判定依据实现多维网络双向链路稳定性预测。实验结果表明,采用所提算法可以获取高精度、高效率的预测结果,有利于提升网络链路的稳定性。

基于运动向量修改的保持块间扰动最小的HEVC信息隐藏算法

高效视频编码(High Efficiency Video Coding, HEVC)标准能够大幅度提升压缩效率,正被广泛应用中。为提高基于运动向量修改的HEVC视频隐写算法的安全性,本文结合了HEVC标准中帧间预测编码的新技术,并利用在运动向量域进行信息嵌入扰动较小的优点,提出了一种基于运动向量修改的保持块间扰动最小的HEVC信息隐藏算法。首先,该算法量化了修改运动向量后对当前高级运动向量预测(Advanced Motion Vector Prediction, AMVP)单元和其相邻融合(Merge)模式预测单元产生的扰动代价,将运动向量垂直分量和水平分量之和作为原始载体元素。其次,结合校验网格码(Syndrome Trellis Codes, STC),寻找扰动代价最小的嵌入路径,通过修改运动向量中绝对值较大的分量将信息嵌入在AMVP模式的预测单元运动向量上。此外,为减小对视频质量的影响,利用修改后的运动向量更新运动向量差值。实验结果表明,所提方法对视频序列进行信息嵌入后,由于本文引入的扰动代价判断可以有效控制视频质量变化,对视频序列的峰值信噪比、码率影响较小,所以该方法对视频的扰动很小。而且本文算法不仅在视频质量保护上有良好的性能,还对运动向量域专用隐写分析具有良好的抗检测能力,有利于基于HEVC视频码流的隐蔽通信的进一步发展。

基于LSTM的北斗三号卫星差分码偏差分析及预测

当卫星差分码偏差(differential code bias,DCB)约束条件和基准发生变化时,其值会出现比较大的差异,影响导航定位的精度.本文分析了2021年的北斗三号(BeiDou-3 Navigation Satellite System,BDS-3) DCB的时序变化,综合太阳辐射通量和地磁指数,利用长短期记忆网络(long short-term memory,LSTM)神经网络对卫星DCB进行预测和精度分析.实验结果表明,LSTM神经网络模型预测效果优于多项式拟合法的预测结果,其平均绝对误差(mean absolute deviation,MAE)小于0.2 ns,均方根误差(root mean squared error,RMSE)小于0.5 ns;其未来多天的预测结果各项误差也均小于0.2 ns,LSTM神经网络可以有效对卫星DCB进行预报,为缺失的DCB产品提供参考.

基于多通道时空编码器的交通流量预测模型

传统的交通流量预测模型对历史数据进行时空建模,忽略了交通数据的时间周期性内部潜在关系和交通路网间节点的距离特征和相似性空间特征。据此,提出面向交通流量预测的多通道时空编码器模型MC-STGNN,用于提高交通流量预测的准确率。首先将交通数据处理成三通道的周期性时间序列,并对整体的序列数据进行时间位置编码和自适应的空间位置编码,提取路网节点间的动态相关性;其次引入具有卷积结构的多头自我注意力机制,更大程度地捕获周期数据不同程度的时间相关性;最后提出一种图生成器生成新的时空图,提取路网节点间的相似性和距离特征,并利用门控图卷积网络整合原始图和新时空图的空间信息。在高速公路数据集PEMS03和PEMS08上进行一小时的交通流量综合预测实验,结果表明,MC-STGNN模型与其他的基线模型相比,具有更佳的性能指标,说明MC-STGNN模型具有更优的建模能力。

基于信道状态智能预测的星地自适应调制编码技术研究

在手机直连低轨卫星场景中,针对自适应调制编码技术依赖的信道质量指示信息非实时反馈的问题,提出一种基于深层回声状态网络的信道状态预测模型,并根据该预测模型提出一种调制编码方式智能选择机制,即发送端基于信道预测结果选择适应当前信道的调制编码方式。仿真验证表明,基于信道预测的自适应调制编码可以在一定程度上提升链路的误码性能。

基于深度和子树约束最小树形图的高编码效率图像删除

图像删除是指从一个压缩图像集中去除一个或多个图像,生成一个新的压缩图像集。针对当前图像删除方法存在搜寻的预测参考图像不佳,导致编码效率不足的问题,提出一种基于深度和子树约束最小树形图的高编码效率图像删除方法。该方法充分考虑所有剩余图像之间的相关性,确定最佳的预测参考。首先,提出一种新的图像分类方法,将所有图像分成需编码图像、无需编码图像和待删除图像等三类;其次,设计一种新的深度和子树约束最小树形图法,深入探究需编码图像之间以及需编码图像和无需编码图像之间的关系,构建新压缩图像集的最小树形图;最后,根据得到的最小树形图对需编码图像进行压缩,生成新的压缩图像集,实现图像删除。实验结果表明,与现有先进方法相比,所提方法取得了更高的编码效率,同时却有着相近的计算复杂度。