一种可信任的大容量无载体信息隐藏方案

提出一种以线性码原理和混沌映射理论为基础的无载体信息隐藏方案。通过提取图像的像素矩阵,利用线性码原理和混沌映射理论先后对矩阵信息作可验证处理和加密处理,最后通过一系列变换建立图像与密文信息的对应关系,从而实现无载体信息隐藏。实验和分析表明,该方案保证了信息的安全性,增强了随机性,同时具有可验证性,这使得提出的信息隐藏方案是可信任的。另外相比于其他方案,该方案的隐藏容量有了很大的提升,并且大大减少了信息库的存储资源消耗。

基于改进BBO算法优化KELM的短期风电功率预测

针对短期风电功率预测,文章提出了一种改进的生物地理学优化算法优化核极限学习机的BBO-KELM-2预测模型。生物地理学优化算法(BBO)以生物的地理分布规律为基础通过栖息地中的物种迁入、迁出和突变的信息交换机制来寻求全局最优解,其优点为计算简单、收敛速度快、设置参数少和稳定性好。传统的BBO算法存在线性迁移模型容易陷入局部最优的问题,因此文章在采用余弦迁移模型的基础上,引入混沌映射理论,并将改进的BBO优化算法应用于KELM网络以优化输入结构,核函数的参数以及Tikhonov正则化系数,对KELM的建模方法做出改进。为验证该方法的有效性,将BBO-KELM-2方法应用于某地区的短期风电功率预测研究中,在同等条件下与采用线性迁移模型的原始BBO-KELM-1等现有方法进行比较,实验结果表明,BBO-KELM-2方法具有很好的预测性能,建模精度最高。

基于改进BBO算法优化KELM的短期风电功率预测

针对短期风电功率预测,文章提出了一种改进的生物地理学优化算法优化核极限学习机的BBO-KELM-2预测模型。生物地理学优化算法(BBO)以生物的地理分布规律为基础,通过栖息地中的物种迁入、迁出和突变的信息交换机制来寻求全局最优解,其优点为计算简单、收敛速度快、设置参数少和稳定性好。传统的BBO算法存在线性迁移模型容易陷入局部最优的问题,因此文章在采用余弦迁移模型的基础上,引入混沌映射理论,并将改进的BBO优化算法应用于KELM网络以优化输入结构,核函数的参数以及Tikhonov正则化系数,对KELM的建模方法做出改进。为验证该方法的有效性,将BBO-KELM-2方法应用于某地区的短期风电功率预测研究中,在同等条件下与采用线性迁移模型的原始BBO-KELM-1等现有方法进行比较,实验结果表明,BBO-KELM-2方法具有很好的预测性能,建模精度最高。