支持K-近邻搜索的区块链泛用型数据隐私保护方法

随着区块链泛用型数据应用场景的不断扩大,其涉及的数据隐私越来越多,数据隐私泄露可能导致个人信用受损,带来财产损失甚至身份盗用等.合理高效地进行用户身份信息及数据隐私保护是确保区块链泛用型数据安全的关键问题.为此,本文提出了支持K-近邻搜索的区块链泛用型数据隐私保护方法,采集区块链泛用型数据,利用k-prototypes算法,聚类区块链泛用型数据,并控制分类属性和数值属性.在此基础上,本文支持K-近邻搜索,建立区块链泛用型数据系统模型,确定区块链泛用型数据敏感区域,实现区块链泛用型数据隐私保护.实验结果表明,本文所提方法具有较好的区块链泛用型数据隐私保护效果,能够有效提高区块链泛用型数据隐私保护安全性,缩短区块链泛用型数据隐私保护时间.

基于K-近邻搜索的点云初始配准

为了使用最近点迭代算法(ICP)实现点云的精确配准,需要点云有良好的初始姿态,这可以通过点云的粗配准实现。本文结合K-近邻搜索和法向量估计,通过组建不变角度作为匹配特征,求解旋转矩阵和平移向量实现粗配准,方法由Matlab7.1编程实现。具体的实验结果表明,利用该方法能得到理想的粗配准效果,可以进一步应用ICP算法实现精确配准,该方法是有效的。

基于矢量量化的快速图像检索

传统索引方法对高维数据存在维数灾难的困难.而对数据分布的精确描述及对数据空间的有效划分是高维索引机制中的关键问题.提出一种基于矢量量化的索引方法.该方法使用高斯混合模型描述数据的整体分布,并训练优化的矢量量化器划分数据空间.高斯混合模型能更好地描述真实图像库的数据分布;而矢量量化的划分方法可以充分利用维之间的统计相关性,能够对数据向量构造出更加精确的近似表示,从而提高索引结构的过滤效率并减少需要访问的数据向量.在大容量真实图像库上的实验表明,该方法显著减少了支配检索时间的I/O开销,提高了索引性能.

用于交通流预测的带距离权重模式识别算法

基于带权重的模式识别算法（WPRA）的交通流短时预测根据历史交通模式所属时段特征区分不同历史状态值权重系数的大小，但权重值的主观设定降低了方法实际应用的可靠性．通过分析基于数据驱动的非参数回归交通流预测算法核心原理，针对WPRA模型权重系数的主观随机性进行预测算法改进，建立了能预测短时交通流的带距离权重的模式识别算法（DWPRA）．最后，应用实际交通流数据引入均方根误差进行算法验证，验证结果显示相同近邻K值情况下，DWPRA比WPRA均方根误差降低约4．8％～7．1％，证明了算法的有效性．

基于Hadamard变换的高维图像检索方法

传统索引方法对高维数据进行近邻搜索时会面临维数灾难问题,向量近似方法是一种有效的高维检索方法。提出一种 Hadamard 变换域上的向量近似方法,在变换域能量最大的分量上建立顺序索引,然后建立近似向量文件。同时提出低維过滤算法,可以在近邻搜索过程中高效排除不匹配近似向量,减少 I/O 访问时间,提高查询效率。在大型高维图像特征库上的实验表明,该方法性能优于小波变换域的向量近似方法。