【摘 要】
：
为解决隐写分析中富模型的特征维数较高、冗余较大、不便于高效分类的问题,提出了一种基于蚁群聚类算法的降维方法。首先利用蚁群聚类算法求解特征簇的簇中心,然后把簇中心作为新的特征,提取新特征的有效部分用集成特征进行分类。实验结果表明,利用蚁群聚类算法对高维特征进行降维,可以有效去除冗余特征,提升特征的分类效果。
【机 构】
：
武警工程大学电子技术系网络与信息安全武警部队重点实验室
论文部分内容阅读
为解决隐写分析中富模型的特征维数较高、冗余较大、不便于高效分类的问题,提出了一种基于蚁群聚类算法的降维方法。首先利用蚁群聚类算法求解特征簇的簇中心,然后把簇中心作为新的特征,提取新特征的有效部分用集成特征进行分类。实验结果表明,利用蚁群聚类算法对高维特征进行降维,可以有效去除冗余特征,提升特征的分类效果。
其他文献
针对信道中数据丢失导致图像恢复质量严重受损问题,提出将方向插值引入到基于图像分场描述编码的错误掩盖算法。将每帧图像分为两场独立编码传输,丢失一场数据时,通过改进Sobel算子计算正确接收的另一场图像内部边缘,沿边缘方向插值恢复出丢失的场。实验结果表明,应用这种基于像素行交织的错误掩盖算法后,图像主观恢复质量和峰值信噪比均较现有方法有显著提高。算法计算复杂度低,与H.264编码标准兼容,适于实际工程
针对最优相互避碰方法在人群仿真中对虚拟人感知行为缺乏考虑,以及在人群密度较大时导致的拥塞行为,提出一种改进的局部避碰方法。首先,在已有虚拟人感知模型的基础上,加入虚拟人视觉随周围人群的密度而变化的规则,以及听觉感知对避碰行为的影响;其次,引入了有区别的避碰责任机制,使虚拟人在不同情况下采用不同的避碰行为;然后,加入一种拥塞响应规则缓解人群拥塞现象。最后通过多组实验与原方法进行对比,实验结果表明改进
针对稀疏信号的准确和实时恢复问题,提出了一种基于神经动力学优化的压缩感知信号恢复方法。通过引入反馈神经网络(recurrent neural network,RNN)模型求解l1范数最小化优化问题,计算RNN的稳态解以恢复稀疏信号。对不同方法的测试结果表明,提出的方法在恢复稀疏信号时所需的观测点数最少,并且可推广到压缩图像的恢复应用中,获得了更高的信噪比。RNN模型也适合并行实现,通过GPU并行计
在以往的多态shellcode检测方法中,基于模拟的动态检测方法主要针对多态shellcode的解码器部分进行检测。尽管这样的检测方法可以在一定程度上检测出目标,但其性能和抗攻击性较差。为了进一步提高检测准确率并降低误报率,在已有的基于模拟的动态检测方法基础上进行了改进,引入了shellcode行为模式匹配机制,按照条件将多态shellcode解码后的行为与常见的攻击行为模式进行匹配,以判断并定位
聚合签密能聚合多个密文并提供批量验证,极大降低了信息传输的功耗,因此在大规模通信的多对一模式下非常适用。但是传统的聚合签密只能对密文进行部分聚合,不能最大限度地发挥出聚合功能的优越性。设计了一个密文长度固定的全聚合签密方案,实现了密文长度固定,而解密者可以通过特定解密操作将多个明文消息依次恢复出来。方案极大地提高了通信效率,签密文长度仅为|G1|,且与用户数量无关,同时方案满足机密性、不可伪造性和
针对多输入多输出系统传输速率低误码率高的问题,提出基于动态功率分配的干扰对齐方法。该方法根据信道矩阵的迹给每个发送端动态的分配传输功率。同时,利用干扰对齐来减少其他发送端对接收用户的干扰。该方法通过联合优化功率分配和干扰对齐,最终提高了系统传输速率,降低了误码率。数值分析表明,该方法与等功率分配下的干扰对齐方法相比,系统的传输速率提高3~7 bps/Hz,同时误码率减少30%左右。