基于优化粒子群的NCC模板匹配算法

针对灰度模板匹配中速度慢、抗噪性差的缺陷,基于NCC(Normalized Cross-Correlation)算法,提出一种基于优化粒子群的模板匹配算法——NPSO。该算法加入附属粒子群,引导主粒子群向全局最优解收敛;根据禁忌搜索思想,提出黑名单概念,使粒子群快速跳出局部最优;并引入随机扰动算子,增加粒子群向全局最优解收敛准确性。通过Matlab仿真实验,不同模板尺寸下NPSO精确匹配率比基于标准粒子群模板匹配算法分别提高了45%、79%、36%、2%,且对噪声不敏感。说明NPSO不容易陷入局部最优,且匹配精度高、抗噪能力强。

基于模糊理论的P2P电子商务信任评估模型

针对P2P电子商务中的信任缺失问题,一种基于模糊理论的P2P电子商务信任动态评估模型被提出.该模型运用模糊理论的方法对信任进行度量,通过引入惩罚因子和时间衰减因子,结合黑名单机制,有效地防止了交易中的欺诈行为.仿真实验结果表明,该模型能有效隔离恶意节点,提高成功交易率.

基于花授粉算法的贝叶斯分类器优化研究

采用花授粉算法(FPA)对朴素贝叶斯分类器进行优化,提出一种基于改进的花授粉算法的朴素贝叶斯分类器(NBC-IFPA)算法.首先,引入了黑名单机制使FPA能够跳出局部最优解;其次,引入随机扰动项,增加种群多样性,提高FPA寻优性能;最后,利用改进的FPA搜索全局最优属性权值,并将其用于加权朴素贝叶斯模型中进行分类.仿真结果表明,NBC-IFPA算法具有更高的分类准确率.

一种基于LSTM-Blacklist的动态信任度证明机制

针对区块链网络中共识节点的恶意行为导致的区块链系统安全问题,提出一种基于LSTM(long short-term memory)-Blacklist的动态信任度证明机制(PoDT-LSTMB)。该动态信任度证明机制通过前向注意力机制的两层LSTM神经网络学习并分析参与共识节点的行为数据,预测节点行为倾向。以节点信任度为基础构建黑名单,剔除低于信任度阈值的节点,提高全网节点的总体可信性。以正常区块上链率以及节点信任度的变化为主要评估指标,与信任度证明PoT(Proof of Trust)机制以及不带黑名单的PoDT-LSTM机制进行了对比实验。实验结果表明,基于前向注意力机制的两层LSTM神经网络结构准确率可达0.9151,本文提出的PoDT-LSTMB机制比PoT机制的正常区块上链率提高30%~33%。