基于双置乱与奇异值分解的彩色图像水印算法

提出了一种基于水印和载体双双置乱的安全水印算法。首先将载体图像由RGB色彩空间转换为YUV彩色空间,再经Fibonacci变换置乱后,对Y分量进行8×8分块,对各块进行奇异值分解。将二值图像经过Arnold置乱后嵌入到Y分量的各块的奇异值中。经仿真实验证明,该算法对JPEG压缩、剪切、旋转、滤波等几何攻击具有比较好的稳健性。     

基于非负矩阵分解特征提取的垃圾邮件过滤

随着垃圾邮件的不断增多,它的危害性越来越严重,为了消除这种危害性,垃圾邮件的过滤技术就显得异常重要。由于垃圾邮件数据具有稀疏性、高特征维数和多重相关性等,所以直接对它进行分类的话会造成运算量很大和错误分类的问题。本文针对这些问题,先用非负矩阵分解的方法对实验数据进行特征提取,然后再用分类方法对它进行分类。在实验中,比较之后发现经过分解之后的数据比没有经过分解的数据有更高的分类准确率。     

素理想p在F（μ7^-1）中分解

设F为代数数域,Ф为其秩为1的非平凡、非阿基米德赋值,尺为与其相对应的赋值环,P为R的极大理想（亦称为F中素理想,简称为素理想）,本文用扩张平移的方法讨论了素理想P在域F的7次根扩张F（μ7^-1）（μ∈R）中的分解问题,并完全解决了该问题。     

非线性随机振动分析的概率密度演化方法

为深入探讨概率密度演化方法对于非线性随机振动分析的适用性,考察了随机地震动作用下一类硬弹簧Duffing振子的非线性响应,对概率密度演化方法与经典非线性随机振动分析进行了比较研究.结果表明:在弱非线性水平,概率密度演化方法与混沌多项式展开、Monte Carlo模拟的解答一致;在强非线性水平,数值求解误差、人为截断误差放大,概率密度演化方法与混沌多项式展开解答在Monte Carlo模拟解附近上下波动,表明概率密度演化方法与经典非线性随机振动解答在均方特征意义上是等价的.      

一种改进的铁路扣件图像校正算法

基于HOG特征的铁路扣件检测算法中,各类扣件特征的可辨性易受光照不均匀因素影响,降低了检测准确率.针对此类光照不均匀图像,将二维经验模态分解(BEMD)理论与直方图均衡化相结合,首先利用BEMD变换提取图像的细节分量和照射分量,并通过直方图均衡化增强细节分量;然后进行光照判断,据光照判断对细节增强分量叠加调整后的照射分量,得到光照均匀、细节增强的扣件图像.真实实验表明,与传统方法相比,此方法能有效增强图像对比度,提高铁路扣件检测精度.     

中国航空网络的多分辨率小波分解研究

为解决航空网络中节点与边数量过多导致整体特征分析计算量大的困难,提出了基于多分辨率小波分解理论的复杂网络数据压缩方法,论证了选用Haar小波基进行航空网络小波分解的适用性及分解形式,提出了确定网络分解层数和分解后还原参数的方法.对2011年5月我国163座通航城市和2 198条航线构成的复杂航空网络,选用Haar小波基对该网络的邻接矩阵进行4层小波分解,得到的网络最低频子带10×10阶矩阵,包含了原网络的大部分信息.实证研究结果表明:利用分解后的最低频子带可以还原出原网络节点城市的平均度、平均最短路径长度和聚类系数.      

基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition, EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine, SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.      

用群论方法求解整数规划问题的初步探讨

用有限群的分解理论,将整数规划问题分解为一系列简单的群论规划模型求解,这不论是在理论上还是实际运用中都将具有一定的意义,在对整数规划问题作变换和松弛处理的 详细讨论了向群论规划模型转换和分解的步骤,并讨论了两种分解结果的求解方法。     

引入经验模态分解的舰船运动非线性极短期预报

船舶运动的极短期预报在船舶系统、设备作业等方面具有重要的意义，采用自回归模型对船舶运动进行预报等预报效果，如精度和时间长度，与实际应用的需要还存在较大距离。在自回归（AR）数学模型中引入经验模态分解（EMD）法，利用该方法将船舶运动的时历数据以“筛分”的方式分解成几个平稳的本征模态函数（IMF），并分别建立每个IMF的AR模型，用AR模型进行预报，然后将每个IMF的预报结果相加，将各预报结果的和作为原始信号的预报结果。采用该方法进行船舶非线性极短期预报对提高预报精度有一定的积极作用。     

具有Borel例外函数的亚纯函数的分解

研究了具有Ｂｏｒｅｌ例外函数的亚纯函数的解性，建立了两个分解定理，获得了一些拟素，左素甚至素函数类，部分地解决了有关函数分解的一个公开问题。