基于传感器的人体行为识别方法在健康监测、运动分析和人机交互等方面得到了广泛应用。特征选择是准确识别人体行为的关键环节,其目的是在提高分类性能的基础上从高维特征空间中筛选出与分类相关的特征,以降低特征维数和计算复杂度。然而,传统的特征选择方法面临着未考虑所选特征冗余性的挑战。因此,针对基于特征子集区分度(Discernibility of Feature Subsets,DFS)衡量准则的特征选择方法仅考虑多个特征的相关性而忽视特征之间冗余性对分类结果影响等缺陷,提出一种基于冗余性的特征子集区分度衡量准则的特征选择方法(Redundancy and Discernibility of Feature Subsets,R-DFS),在特征选择的过程引入冗余性分析,删除冗余特征,以提高分类准确率和降低计算复杂度。实验结果表明,改进方法可有效降低特征维数并提高分类准确度。
分布式计算有很多应用需要参与各方协同执行集合的一些计算但不泄露各自数据集的信息.保密集合交集(private set intersection,PSI)计算已经成为数据匹配、数据挖掘、推荐系统等应用中保护用户隐私的一个重要工具.本文的主要工作是构造...
详细信息
分布式计算有很多应用需要参与各方协同执行集合的一些计算但不泄露各自数据集的信息.保密集合交集(private set intersection,PSI)计算已经成为数据匹配、数据挖掘、推荐系统等应用中保护用户隐私的一个重要工具.本文的主要工作是构造无匹配差错的安全两方保密集合交集运算协议.着重探讨三个问题:(1)开发构造无匹配差错的两方保密集合交集计算所需要的工具(①面向有理数且具有语义安全性的加密方案,②便于集合匹配计算的称之为集合的定长向量编码方法);(2)无匹配差错的两方保密集合交集计算问题;(3)元素为有理数的保密集合交集计算问题.首先在标准模型下设计了一个能够加密有理数的方案,并证明了该方案能抗自适应性地选择明文攻击;而后又提出了一种便于集合匹配计算的,称之为集合的定长向量编码方法;最后基于有理数加密方案和集合的定长向量编码方法构造了两个面向有理数的、无匹配差错的两方保密集合交集协议.与先前的两方保密集合交集协议相较之,这两个协议不仅解决了无匹配差错的两方保密集合交集计算,还拓展了保密集合交集问题中隐私保护的范畴:除了可以保护各参与方的隐私数据外,还可以保护各参与方隐私数据的数量.
暂无评论