具有隐藏状态的随机营养物质–浮游植物模型的长期行为

本文主要研究具有隐藏状态的营养物质–浮游植物模型的长期行为。首先,构造适当的李雅普诺夫函数,利用强马尔可夫性质,证明具有隐藏状态的随机营养物质–浮游植物模型解的存在唯一性和费勒过程;其次,讨论由非线性滤波器的遍历性和李雅普诺夫函数构造的阈值λ;最后,再运用弱收敛性和强大数定律等相关知识,证明了具有隐藏状态的随机营养物质–浮游植物模型解的灭绝性和持久性。

基于隐藏单元条件随机场的多知识源融合改进自动语音识别置信度

鉴于自动语音识别(ASR)中置信度估计困难的问题,该文提出一种基于多知识源融合的策略来提高置信度的鉴别能力。具体做法是,首先选择关于识别结果的声学层、语言层和语义层等不同层次的信息,然后通过实验确定这些信息不同的组合方式,并以此为特征在隐藏单元条件随机场(Hidden-units Conditional Random Fields,HuCRFs)框架下计算识别结果的条件概率。最后将HuCRFs条件概率作为语音识别结果置信度的新的估计。实验首先证明了HuCRFs条件概率是比归一化的网格后验概率鉴别能力更强的一种置信度估计方法。同时基于HuCRFs条件概率置信度,对解码器一遍识别得到的网格重新搜索最佳候选序列,取得了相对一遍识别最佳候选序列绝对近2%的字错误率(CER)下降。同时,该文也对比了基于HuCRFs条件概率搜索的最佳候选序列和基于长语言模型网格重估的最佳候选序列的性能,进一步证明了使用HuCRFs条件概率作为置信度估计是一种更好的选择。

临床试验随机化的概念与方法

近 2 0年来 ,中医药开始采用现代的临床科研设计进行疗效的评价 ,发表的随机对照临床试验文章也越来越多。然而 ,这些临床试验的设计和报告仍存在诸多方法学质量的问题 ,使报告的中医药疗效真实性受到质疑。为了提高中医药临床研究的质量 ,本刊特开设“临床试验方法学栏目” ,邀请刘建平教授撰写临床试验有关方法学的系列文章 ,将涉及临床试验的随机化、盲法、安慰剂、对照选择、疗效指标、结果分析报告等 ,其中不少为国外临床试验的新进展。希望对于从事中医药临床研究和杂志编辑人员有所帮助。

一种高效的随机分块图像隐写算法

嵌入效率高和隐藏信息量大的信息隐藏算法,已成为信息安全领域研究的一个热点。通过对该类信息隐藏算法的分析,提出了一种高效率的随机分块信息隐藏算法ERS(an Efficient high payload and Ran-domly selected sub-blocks image Steganography)。实验与分析结果表明:该算法不仅能够减小对载体的修改,提高嵌入效率,而且其算法实现简单、计算量小,性能优于其他算法。

面向物联网搜索的数据隐私保护研究综述

随着物联网和云计算、大数据技术的飞速发展和广泛应用,迫切需要实时、快速、精准地搜索现实世界中物理实体等相关信息,使物联网搜索引擎应运而生。然而,由于物联网搜索引擎的开放性,使在互联网搜索领域就已经存在的数据隐私问题变得更加突出。阐述了物联网搜索隐私保护的研究背景和挑战,提出了面向物联网搜索的数据隐私保护框架及相关技术。综述了近年来提出的、适用于物联网搜索的数据隐私保护技术的研究背景、最新研究进展以及主要研究方向,最后,指出了一些重要研究方向,为未来研究工作指明方向。

增量式隐私保护频繁模式挖掘算法

针对多数隐私保护的频繁模式挖掘算法需要多次数据库扫描以及计数时需要进行多次比较的不足,提出了一种增量的基于位图的部分隐藏随机化回答(IBRRPH)算法。首先,引入bitmap表示数据库中的事务,采用"位与"操作有效提高支持度的计算速度;其次,通过分析增量访问关系,引入增量更新模型,使得在数据增量更新时频繁模式挖掘最大限度地利用了之前挖掘结果。针对增量分别为1 000至40 000,与顾铖等提出的算法(顾铖,朱保平,张金康.一种改进的隐私保护关联规则挖掘算法.南京航空航天大学学报,2015,47(1):119-124)进行了对比测试实验。实验结果表明,与顾铖等提出的算法相比,IBRRPH算法的效率提高幅度超过21%。

Adaptive foreground and shadow segmentation using hidden conditional random fields

Video object segmentation is important for video surveillance, object tracking, video object recognition and video editing. An adaptive video segmentation algorithm based on hidden conditional random fields (HCRFs) is proposed, which models spatio-temporal constraints of video sequence. In order to improve the segmentation quality, the weights of spatio-temporal con- straints are adaptively updated by on-line learning for HCRFs. Shadows are the factors affecting segmentation quality. To separate foreground objects from the shadows they cast, linear transform for Gaussian distribution of the background is adopted to model the shadow. The experimental results demonstrated that the error ratio of our algorithm is reduced by 23% and 19% respectively, compared with the Gaussian mixture model (GMM) and spatio-temporal Markov random fields (MRFs).