基于改进型贝叶斯分类器预测原子核电荷半径

近年来,机器学习方法(如神经网络、高斯过程等)被广泛用于描述原子核性质.本文基于改进型贝叶斯分类器(iNBP)方法,研究原子核电荷半径R_(C).已有的理论模型给出了电荷半径的全局变化规律,通过iNBP方法,分析数据集中R_(C)的理论结果和实验值的差异,对核结构模型的计算结果进行有效的修正.通过进一步讨论iNBP方法的全局优化能力和外推能力,表明iNBP方法能够用来预测未知原子核的电荷半径.

基于马尔可夫模型的JPEG图像隐写分析

论证了通用图像隐写分析是一个类间很聚合、类内很分散的2类模式识别的困难分类问题。提出一种基于JPEG图像量化DCT域的块内和块间2个马尔可夫链获得高维特征,给出2种高维特征的分类器,即改进贝叶斯分类器和CNPCA分类器,后者简单而性能略低,但仍略优于SVM分类器。针对4种公认的JPEG隐藏数据方法,即F5,Outguess,MB1和MB2进行隐写分析,在CorelDraw图像库上做实验,取得了较好的效果。