基于汉明重量的序列密码体制识别方案

密码体制识别是基于密文已知的情况下,通过分析密文数据中潜在的特征信息完成密码算法识别的过程.提出了一种基于汉明重量的序列密码体制识别方案.该方案通过计算不同长度密文块的汉明重量,生成带有标签的密文特征向量;运用LDA(linear discriminant analysis)降维技术对特征向量进行降维,从而优化数据信息的提取与利用效率;最后利用全连接神经网络对降维后的特征向量进行识别.实验结果表明,该方案能够有效地对ZUC,Salsa20,Decimv2等8种序列密码算法进行二分类识别实验和八分类识别实验,取得较好的识别效果.二分类识别实验的平均识别率为99.29%,八分类识别实验的平均识别率为79.12%.与现有研究相比,该方案在较少的密文数据量下,相较于现有文献准确率提升了16.29%.

基于改进随机森林模型的水质BOD快速预测研究

为解决BOD传统测量耗时长、需要离线采样分析、实验操作复杂的问题,论文提出了一种基于特征重要性排序和LDA降维算法改进的随机森林模型用于BOD的快速软测量。改进随机森林模型将12维辅助特征向量降至3维特征向量,有效减少数据中存在的噪声与冗余信息,提升了随机森林模型的预测能力。仿真结果表明,改进后的随机森林模型相较于其他模型在快速BOD预测中有明显优势,其MSE为0.0388,MAE为0.1227,决定系数为0.9676,预测时间0.4850,说明该模型为快速BOD预测场景提供了一种可能的思路。

基于卷积神经网络深度特征融合的番茄叶片病害检测

为提高对叶片病害的识别性能和速度,针对传统手工设计特征识别能力有限的问题,提出了一种基于卷积神经网络(convolutional neural networks,CNN)深度特征融合的植物叶片病害检测方法。首先自动提取不同深度神经网络模型的深度特征,利用典型相关分析(canonical correlation analysis,CCA)进行特征融合,增加特征空间的丰富性和鲁棒性;然后与线性判别分析(linear discriminant analysis,LDA)降维算法相结合,利用LDA最大化类间距离,弥补CCA算法的弱点;最终得到精练良好的植物叶片特征表示。对最终得到的特征进行支持向量机(support vector machine,SVM)分类,在10类番茄叶片数据集上的分类准确率达98.7%,识别速度达30张/s。相比利用GoogleNet深度学习模型和深度特征级联融合分类,准确率分别提高了4%与1%;与使用CCA融合相比分类准确率下降了0.1%,但其识别速度远远高于CCA融合。对比实验表明,所提算法在去除特征冗余的同时较好地保留了相关特征信息,能快速而准确地对番茄叶片进行检测。

改进的小波分解、Fisher脸及几何特征相结合的人脸识别方法

数据降维是提高人脸识别效率的关键.对基于gabor小波变换和LDA降维做了改进,经gabor小波降维后,对数据分别沿着2个不同的方向做处理,方向一:继续按LDA方法对数据分类;方向二:进行PCA降维,再进行一些特征向量的提取,提取4个眼角,鼻尖和2个嘴角的数据,这样又降低了数据的维数.然后根据LDA分类后的数据和提取的几何特征点数据在识别过程中所起的不同作用,分配不同的权值,得出人脸识别的结果.经实验对比,该文的方法有更高的识别率.