摘要：当目标和背景的类内方差差距较大时,传统图像分割算法Otsu会将类内方差较大的类中部分像素划分到类内方差较小的类,造成错误分割,针对这种情况,提出一种基于梯度熵的Otsu算法。利用梯度值分析求出目标和背景的分界点;针对目标和背景分别进行有选择性的线性拉伸,使目标和背景满足类内方差差距小的条件;对处理后的图像采用Otsu算法进行分割。实验结果表明,该算法能有效避免传统Otsu阈值偏向方差大的一类的情况发生,从客观和主观角度进行图像分割质量评价,效果良好。

摘要：针对蚁群算法求解旅行商问题时易陷入局部最优的问题,提出一个改进的混合最大最小蚁群算法,并应用于求解旅行商问题。上述算法设计了一种新的信息素更新模型,单个蚂蚁每走一步就进行信息素局部更新,在所有的蚂蚁搜索一周后,最优路径蚂蚁进行全局信息素更新。提出一种新的邻域搜索模型,将邻域大小设置为原来的一半,提高了计算的效率。在每个蚂蚁的一个周期循环后,使用邻域搜索算法优化最优解的路径长度。仿真结果表明,改进算法具有较高的求解精度和收敛速度。

摘要：程序流程图显示程序的控制流逻辑,它的生成主要涉及逻辑控制的刻画。针对汇编语言特点和依据伪深度搜索思想,给出汇编程序流程图生成算法:对汇编源程序进行分析,在源程序中划分出原子子程序,先对第一个原子子程序语句根据特定的方法进行分类处理,产生原子子程序流程图,然后根据一定的规则进一步确定新原子子程序,用同样的方法产生此原子子程序流程图,重复这一过程直到所有源代码的流程图产生完毕。实践结果表明,该算法能有效产生汇编程序流程图。

摘要：提出了一种基于视觉注意机制的图像感兴趣区域(regions of interest,ROI)纹理块鲁棒水印方案,用视觉注意模型计算出图像的显著图,基于显著图坐标和图像纹理区,采用调整Tchebichef矩系数的方法对感兴趣区域进行水印的嵌入,用于保护图像的感兴趣区域。该算法实现了对图像感兴趣区域的有效自动分割,提高了计算机图像分析与处理的有效性和针对性,对图像压缩、滤波、噪声添加、背景替换以及恶意剪切等攻击均具有很强的鲁棒性。

摘要：机器人足球世界杯是国际上级别最高、规模最大、影响最广泛的机器人足球赛事,其举办目的是促进人工智能和机器人学的研究。RoboCup 2D项目提供了一个优秀的仿真平台,它既是适于学生进行高科技对抗的竞赛平台,又是适合研究者进行人工智能理论研究的实验平台。本文首先介绍RoboCup 2D的系统框架,包括总体框架、服务器端和球队客户端,其次基于示例球队agent2d设计实现了DreamWing2D球队的规划模块,最后展示RoboCup 2D平台的搭建和实验方法。改进后的球队水平大幅度提升,并在国内公开赛中获得很好成绩。

摘要：社会主义百万富翁问题(SMP)即是保密地比较数据是否相等的问题,其解决方案可以作为很多应用系统的基础协议。首先,提出一种对保密数据进行编码的新方案。然后,基于该编码方案和ElGamal同态加密算法,设计一个新的方案来解决社会主义百万富翁问题,并分析方案的正确性、安全性和效率。最后,将本方案与其它协议进行了比较,结果表明所提出的方案具有更高的效率。

摘要：针对面向弱匹配的跨媒异构迁移学习中存在的迁移学习性能不高的问题,提出了一种基于平衡异构距离的混合拉普拉斯特征映射的跨媒异构迁移学习方法.利用大量非成对数据和相对少量的成对数据蕴含的语义信息,获取不同媒体域原始特征空间到潜在公共特征空间的映射矩阵;并在跨媒异构迁移学习中,构建混合图拉普拉斯矩阵,不仅保持了同一域下样本间的流形结构,而且保持不同域下样本间的流形结构;提升训练获得的模型在跨媒异构目标域的分类预测性能.在2个公共数据集NUS-WIDE和LabelMe上进行实验,表明了在成对数据的基础上,利用大量非成对数据可以增加模型的准确率和鲁棒性.

摘要：提出基于B/S模式和流程化、协同处理的科技查新远程、集成服务理念,并融入当前Web环境下电子商务模式、移动信息通知服务、知识发现平台、智能化办公软件等。在此基础上,建立具有咨询服务、信息检索、查新报告文档生成、任务分配、客户评价、在线支付、论坛交流等功能的科技查新服务平台。认为科技查新服务平台的开发建设,有助于改善科技查新服务环境,提高科技查新工作效率,向社会提供一站式、人性化的科技查新服务。

摘要：车辆身份是车辆在可信中心的唯一合法标识,它直接关联车辆用户的信息,对车辆身份的匿名认证是用户隐私保护的一种体现。基于此,以无证书签名方案为基础,设计一种车载网络匿名身份认证协议。该协议无需证书管理且不存在密钥托管问题。对协议的安全性与性能进行分析,结果表明,该协议认证效率明显高于基于证书的认证协议与基于身份的认证协议,同时满足匿名性、不可否认性、相互认证性、条件隐私保护性及抗重放攻击性。

摘要：在RoboCup Keepaway中,球员使用强化学习能获得很好的高层策略。然而由于Keepaway任务的状态空间巨大,强化学习需要探索很多步才能收敛,学习过程十分耗时。针对这一问题,对于5v4规模的Keepaway任务,将策略重用技术应用于抢球球员高层决策的强化学习中,以实现迁移学习。首先合理设计了球员在4v3和5v4任务间的迁移学习方案及状态与动作空间的映射,然后提出了基于策略重用的迁移学习算法。实验表明,对于5v4任务,在训练时间约束下,迁移学习比强化学习获得了更短的任务完成时间和更高的抢断成功率,从而学习到了较优的高层策略。因此,为达到相同策略水平,迁移学习所需的训练时间明显比强化学习少。