大数据时代公民个人信息可识别性认定模式的转型

数据是个人信息的载体,大数据、云计算与人工智能技术融合的叠加效应使两者界限日益模糊化。目前对各类法律中公民个人信息广义可识别性标准的理解,仍囿于信息分级清单的点对点匹配方式,强调静态可识别性认定模式。公民个人信息的可识别性虽应坚守,但是应明确其相对性。个人信息的性质不仅取决于数据类型,也与数据挖掘的应用场景高度相关,建议行政执法和司法层面对公民个人信息可识别性标准的适用引入场景化思维,实现从静态到动态可识别性认定模式的转型。动态可识别性认定模式以行为人控制的个人数据文件作为判断资料,并以行为人掌握的数据资源与利用能力作为数据场景,完成公民个人信息关联程度的认定,从而实现法律与技术规则的深度融合。

动态特征空间和三维运动目标的智能递推识别方法

在实际成像条件下,运动中的三维目标,其投影形状(silhouette)是变化的,因而其可识别性也处于变动中.为了应对这类困难情况,本文定义了模式的动态特征空间和模式的动态可识别性等概念.提出了处理三维目标运动图像序列的多尺度智能递推识别方法(MUSIRR).构造了一种混合神经网络和逻辑决策模块的智能识别器,BP神经网和RBF网用作识别器的基本构成单元.在训练阶段,该识别器使用目标的多尺度二值特性视图模型的规则矩不变量为样本特征向量.在识别阶段,算法在递推识别序列目标图像过程中,充分利用了目标姿态不会突变以及有关成像过程的合理约束,达到了提高识别率目的.

三维运动目标的多尺度智能递推识别新方法

在实际成像条件下,运动中的三维目标,其投影形状(Silhouette)是变化的,因而其可识别性也处于变动中．为了应对这类困难情况,本文定义了模式的动态特征空间和模式的动态可识别性等概念．讨论了建立多尺度三维目标特性视图特征模型的必要性,以及将目标运动特性一般约束用于目标序列图像识别的合理性．据此,提出了处理三维目标运动图像序列的多尺度智能递推识别方法(MUSIRR)．构造了一种混合神经网络和逻辑决策模块的智能识别器,BP神经网和RBF网用作识别器的基本构成单元．在训练阶段,该识别器使用目标的多尺度二值特性视图模型的规则矩不变量为样本特征向量．在识别阶段,算法在递推识别序列目标图像过程中,充分利用了目标姿态不会突变以及有关成像过程的合理约束,达到了提高识别率目的．与文献中的基于单尺度特性视图的三维目标识别方法相比,本文的方法训练过程简单,只需较少的目标特性视图模型样本,不仅能处理单帧图像,更能有效处理序列图像．对几类飞机目标的大规模模拟实验结果证实了本文方法的合理性和有效性．