快速核密度估计算法研究进展

作为当前最先进有效的密度估计算法,核密度估计(KDE)得到了广泛的研究。但是其二次的计算复杂度严重阻碍了KDE在具有海量高维数据的实际问题中的应用。为了排除算法计算性能上的障碍,研究者从不同角度提出了多种解决方案。在简要介绍KDE基本算法的基础上,简要分析了近年来提出的一些KDE的快速计算和逼近算法,以便为进一步的研究提供一定的支持与帮助。

基于稀疏表示的快速图像超分辨率算法

针对传统基于超完备字典的图像超分辨率重建算法训练样本庞大、训练时间长、稀疏度固定,且迭代时间长的问题,提出一种快速的图像超分辨率重建算法。该算法在字典训练阶段引入快速核密度估计算法对训练样本规模进行估计,得到数量合理的训练样本,在稀疏表示阶段使用改进的广义正交匹配追踪算法,克服稀疏表示算法中固定稀疏度的缺陷。实验结果表明,相比传统字典训练算法,该算法能提高超分辨率重构的精度,且平均迭代时间较少。

面向Android系统安全的在线学习算法研究

目前,移动终端使用过程中存在诸多安全隐患,影响着整个系统的安全。因此,在面向Android移动终端基础上,研究一种新的入侵检测算法显得尤为重要。首先,通过Android平台,收集移动终端内核信息,并进行及时有效的预处理,借助快速核密度,正确估计Fast Kernel Density Estimation(Fast KDE)算法压缩收集到的大规模样本,从而得到数量合理的训练样本,为后面工作打下基础。然后,以在线增量学习算法为基础,通过支持向量机算法判别经过处理的相关数据,从而识别出入侵数据。最后,通过试验以及相关的数据分析,得出该方法有利于缩减训练时间,使检测性能达到最佳效果,可扩展性较好,且具有较好的自我提升能力。

面向Android系统安全分析的在线学习算法研究

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。