检索结果-内蒙古大学图书馆

北京交通大学学报 2011年第2期35卷 8-13页

作者：张延强孙冬梅裘正定北京交通大学计算机与信息技术学院北京100044

提出一种基于多特征描述的指横纹识别方法.分别提取指横纹的主成分特征、Gabor相位特征和Gabor幅值特征构成识别系统,采用Fisher线性判决方法融合各自匹配分数,进一步提高系统性能.通过98个人、1 971幅图像的测试实验表明,本文方法在获... 详细信息

提出一种基于多特征描述的指横纹识别方法.分别提取指横纹的主成分特征、Gabor相位特征和Gabor幅值特征构成识别系统,采用Fisher线性判决方法融合各自匹配分数,进一步提高系统性能.通过98个人、1 971幅图像的测试实验表明,本文方法在获得较高性能的同时(识别率为99.39%,平均错误率为0.56%),单次匹配时间仅为0.67 ms,可以满足中等规模数据库实时识别要求.

关键词：指横纹主成分分析 2D Gabor滤波匹配分数融合

来源：评论

学校读者我要写书评

暂无评论

基于分簇的Ad Hoc网络媒体接入控制协议C-USAP

引用

北京交通大学学报 2018年第2期42卷 46-53页

作者：熊轲马换刘强北京交通大学计算机与信息技术学院北京100044

在未来大规模无线自组织网络中,不但要保证数据的高效传输,还要保证能够适应网络拓扑结构的快速变化.现有的M-USAP(改进的统一时隙分配协议)能够在一帧内完成全网控制信息的交互,每个节点拥有全网路由信息,在小规模网络中能够快速适应... 详细信息

在未来大规模无线自组织网络中,不但要保证数据的高效传输,还要保证能够适应网络拓扑结构的快速变化.现有的M-USAP(改进的统一时隙分配协议)能够在一帧内完成全网控制信息的交互,每个节点拥有全网路由信息,在小规模网络中能够快速适应网络拓扑结构的变化.但是随着网络规模的增大,存在路由开销大、收敛慢、端到端时延大、节点吞吐量小、时隙复用率低和网络反应迟钝等问题.针对上述问题,提出一种适用于大规模无线自组织网络的媒体接入控制协议CUSAP(分簇式统一时隙分配协议).该协议基于分簇思想,簇内采用动态时分多址协议,簇间采用多频段分割技术,实现高效的簇内和簇间节点交互.仿真结果表明:该协议具有路由收敛快、业务收发平稳、端到端时延小、时隙复用率高和网络灵活等特点.

关键词：分簇 C-USAP 帧结构信令交互网关选取

来源：评论

学校读者我要写书评

暂无评论

基于模糊权和有效性函数的演化聚类算法

引用

电子学报 2007年第5期35卷 964-970页

作者：董红斌黄厚宽周成何军尚文倩北京交通大学计算机与信息技术学院

本文改进了Sheng的权和有效性函数,将XB、PE、PC和PBMF等模糊聚类有效性函数集成为一种新的模糊聚类有效性度量函数—模糊权和有效性函数FWSVF,从而提高了聚类有效性函数的性能.为了有效的实现聚类,将混合策略演化算法与传统的模糊C均... 详细信息

本文改进了Sheng的权和有效性函数,将XB、PE、PC和PBMF等模糊聚类有效性函数集成为一种新的模糊聚类有效性度量函数—模糊权和有效性函数FWSVF,从而提高了聚类有效性函数的性能.为了有效的实现聚类,将混合策略演化算法与传统的模糊C均值算法(FCM)相结合,将改进的模糊权和有效性指标作为适应度函数,提出了一种混合策略演化聚类算法MSECA.人工数据集和真实数据集的仿真实验表明,MSECA算法可以正确发现聚类簇的数量,避免了局部极值问题,比其他算法具有更好的性能.

关键词：模糊C均值算法演化规划聚类有效性混合策略

来源：评论

学校读者我要写书评

暂无评论

结合对抗样本检测和重构的三维点云防御框架

引用

图学学报 2023年第3期44卷 560-569页

作者：赵玉琨任爽张鑫云北京交通大学计算机与信息技术学院北京100044

近年来,三维点云深度神经网络已应用于许多高安全性的任务中。然而,对抗样本可以很容易地使正常训练的深度学习模型做出错误的预测,所以需要提高深度神经网络输入数据的鲁棒性。现存的三维点云防御网络效率低,也无法很好地恢复点云的曲... 详细信息

近年来,三维点云深度神经网络已应用于许多高安全性的任务中。然而,对抗样本可以很容易地使正常训练的深度学习模型做出错误的预测,所以需要提高深度神经网络输入数据的鲁棒性。现存的三维点云防御网络效率低,也无法很好地恢复点云的曲面变形和点分布。针对现存问题,提出了一种将对抗样本检测与重构相结合的三维点云对抗防御网络框架。对于一个输入样本,首先由基于重构误差的检测器对其进行检测。若是对抗样本,则由一个基于变分自编码器的重构器对其进行重构后再输入分类网络中。变分自编码器的结构可以更好地学习隐空间上的数值空洞,对于点云形状的恢复效果也更好。实验部分,在ModelNet40数据集上对多种经典的分类模型进行了攻击,并测试了检测器-重构器防御框架对这些攻击的防御效果。实验表明,该防御方法在PointNet上的分类准确率均优于其他防御方法,特别是在防御基于显著图和对抗生成网络的攻击中表现出色。该防御网络框架可以将删除200点的攻击的准确率从47.65%提高到75.02%。通过消融实验和可视化重构结果分别证明了检测器和重构器的有效提升对整体分类准确率的效果。

关键词：对抗防御对抗攻击对抗样本检测点云重构点云分类

来源：评论

学校读者我要写书评

暂无评论

一种限定性的双层贝叶斯分类模型

引用

软件学报 2004年第2期15卷 193-199页

作者：石洪波王志海黄厚宽励晓健北京交通大学计算机与信息技术学院

朴素贝叶斯分类模型是一种简单而有效的分类方法,但它的属性独立性假设使其无法表达属性变量间存在的依赖关系,影响了它的分类性能.通过分析贝叶斯分类模型的分类原则以及贝叶斯定理的变异形式,提出了一种基于贝叶斯定理的新的分类模型D... 详细信息

朴素贝叶斯分类模型是一种简单而有效的分类方法,但它的属性独立性假设使其无法表达属性变量间存在的依赖关系,影响了它的分类性能.通过分析贝叶斯分类模型的分类原则以及贝叶斯定理的变异形式,提出了一种基于贝叶斯定理的新的分类模型DLBAN(double-level Bayesian network augmented naive Bayes).该模型通过选择关键属性建立属性之间的依赖关系.将该分类方法与朴素贝叶斯分类器和TAN(tree augmented naive Bayes)分类器进行实验比较.实验结果表明,在大多数数据集上,DLBAN分类方法具有较高的分类正确率.

关键词：朴素贝叶斯 TAN(tree augmented naive Bayes) 叶斯定理依赖关系

来源：评论

学校读者我要写书评

暂无评论

结合注意力机制与双向LSTM的中文事件检测方法

引用

中文信息学报 2019年第9期33卷 79-87页

作者：沈兰奔武志昊纪宇泽林友芳万怀宇北京交通大学计算机与信息技术学院

事件检测是信息抽取领域的重要任务之一。已有的方法大多高度依赖复杂的语言特征工程和自然语言处理工具,中文事件检测还存在由分词带来的触发词分割问题。该文将中文事件检测视为一个序列标注而非分类问题,提出了一种结合注意力机制与... 详细信息

事件检测是信息抽取领域的重要任务之一。已有的方法大多高度依赖复杂的语言特征工程和自然语言处理工具,中文事件检测还存在由分词带来的触发词分割问题。该文将中文事件检测视为一个序列标注而非分类问题,提出了一种结合注意力机制与长短期记忆神经网络的中文事件检测模型ATT-BiLSTM,利用注意力机制来更好地捕获全局特征,并通过两个双向LSTM层更有效地捕获句子序列特征,从而提高中文事件检测的效果。在ACE 2005中文数据集上的实验表明,该文提出的方法与其他现有的中文事件检测方法相比性能得到明显提升。

关键词：中文事件检测注意力机制长短期记忆模型

来源：评论

学校读者我要写书评

暂无评论

QL-OLSR:一种基于Q-Learning思想优化的移动自组织网络路由协议

引用

北京交通大学学报 2020年第2期44卷 66-73页

作者：熊轲金鑫刘强北京交通大学计算机与信息技术学院北京100044

现有的OLSR中能够完成对全网路由信息的交互,但是随着节点的移动速度增加,网络拓扑也在快速动态变化,从而导致了路由信息更新慢,网络性能下降,端到端时延大、包丢失率增加和节点吞吐量小等问题.针对上述问题,提出了一种基于Q-Learning... 详细信息

现有的OLSR中能够完成对全网路由信息的交互,但是随着节点的移动速度增加,网络拓扑也在快速动态变化,从而导致了路由信息更新慢,网络性能下降,端到端时延大、包丢失率增加和节点吞吐量小等问题.针对上述问题,提出了一种基于Q-Learning思想的移动自组网OLSR路由策略,该路由策略从节点移动性、链路速率和节点跳数三方面进行考虑.与传统方法相比,QLearning能够在线学习,适应MANET高度动态变化的拓扑结构,检测不同时间点的节点移动程度,使每个节点能相应的更新路由度量,从而提高路由协议的稳定性,提供可靠的路由路径.实验结果表明,改进的方法具有更低的端到端延迟、更小的包丢失率以及更高的吞吐量.

关键词： Q-Learning思想 OLSR 路由策略节点移动性路由路径

来源：评论

学校读者我要写书评

暂无评论

基于鲁棒回归度量学习的图像分类算法

引用

北京交通大学学报 2021年第2期45卷 119-126页

作者：常冬霞王舒伟北京交通大学计算机与信息技术学院北京100044

度量学习是机器学习中的重要研究问题之一,针对实际应用中的噪声数据,如何建立一个鲁棒的度量仍是一个挑战.本文将稀疏表示、特征学习与分类模型相结合提出了一种新的基于鲁棒回归度量学习(RRML)的算法并将其应用于图像分类.算法对最优... 详细信息

度量学习是机器学习中的重要研究问题之一,针对实际应用中的噪声数据,如何建立一个鲁棒的度量仍是一个挑战.本文将稀疏表示、特征学习与分类模型相结合提出了一种新的基于鲁棒回归度量学习(RRML)的算法并将其应用于图像分类.算法对最优特征子空间和稀疏表示进行联合学习,在更具判别性的低维表征空间中,通过稀疏表示有效地编码数据的局部结构信息,进而更好地揭示数据的内在鉴别信息,并以此指导该模型学习到最优的投影矩阵;同时对噪声矩阵和投影矩阵的行稀疏约束,可以极大降低噪声的影响.实验结果表明所提算法在图像分类准确率和鲁棒性方面均优于其他对比算法.

关键词：图像分类度量学习鲁棒回归稀疏表示特征子空间

来源：评论

学校读者我要写书评

暂无评论

基于协议的拟态研究综述

引用

北京交通大学学报 2016年第5期40卷 1-8页

作者：何永忠陈美玲北京交通大学计算机与信息技术学院北京100044

在网络空间安全领域,一个协议可以把自己伪装成其他协议达到避免被发现或者逃避监管的目的.借鉴生物拟态的机制,提出网络协议拟态系统的技术框架.该框架由协议拟态客户端和网桥两部分组成,其中协议拟态客户端包括环境感知、拟态决策、... 详细信息

在网络空间安全领域,一个协议可以把自己伪装成其他协议达到避免被发现或者逃避监管的目的.借鉴生物拟态的机制,提出网络协议拟态系统的技术框架.该框架由协议拟态客户端和网桥两部分组成,其中协议拟态客户端包括环境感知、拟态决策、拟态实施处理、发送和接收处理5个部分;网桥分为环境感知、数据接收、恢复和发送4个部分.全面研究和评估已有的几个具有拟态特征的协议,包括SkypeMorgh、StegoTorus、CensorSpoofer及Format-TransformingEncryption系统,从认证机制、拟态变换和加密技术及流量控制技术等方面进行对比和分析,提出协议拟态的基本科学问题供进一步研究.

关键词：协议拟态匿名通信加密认证流量控制

来源：评论

学校读者我要写书评

暂无评论

基于多智能体深度强化学习的车联网通信资源分配优化

引用

北京交通大学学报 2022年第2期46卷 64-72页

作者：方维维王云鹏张昊孟娜北京交通大学计算机与信息技术学院北京100044

无线网络的高速发展为车联网提供了更好的支持,但是如何为高速移动车辆提供更高质量的服务仍然是一个挑战.通过分析多个车对车(Vehicle-to-Vehicle,V2V)链路重用的车对基础设施(Vehicle-to-Infrastructure,V2I)链路占用的频谱,研究了基... 详细信息

无线网络的高速发展为车联网提供了更好的支持,但是如何为高速移动车辆提供更高质量的服务仍然是一个挑战.通过分析多个车对车(Vehicle-to-Vehicle,V2V)链路重用的车对基础设施(Vehicle-to-Infrastructure,V2I)链路占用的频谱,研究了基于连续动作空间的多智能体深度强化学习的车联网中的频谱共享问题.车辆高移动性带来的信道的快速变化为集中式管理网络资源带来了局限性,因此将资源共享建模为多智能体深度强化学习问题,提出一种基于分布式执行的多智能体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradient,MADDPG)算法.每个智能体与车联网环境进行交互并观察到自己的局部状态,均获得一个共同的奖励,通过汇总其他智能体的动作集中训练Critic网络,从而改善各个智能体选取的功率控制.通过设计奖励函数和训练机制,多智能体算法可以实现分布式资源分配,有效提高了V2I链路的总容量和V2V链路的传输速率.

关键词：车联网资源分配强化学习 MADDPG

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：