针对目前大规模网络不适合在手机、平板电脑等资源匮乏的移动设备上使用，以及池化层会导致特征图的稀疏性最终影响神经网络识别精度的问题，提出了一个轻量级人脸识别神经网络ShuffaceNet，设计了一个非线性平滑Log-Mean-Exp函数ThetaMEX，并提出了一种端到端可训练的ThetaMEX全局池化层（TGPL），从而在保证算法精度的前提下，减少网络参数、提高运算速度，进而达到有效地将该网络部署在资源匮乏的移动设备上的目的。ShuffaceNet约有3 600个参数，模型大小仅为3.5 MB。在LFW（Labled Faces in the Wild）、AgeDB-30 （Age Database-30）、CFP （Celebrities in Frontal Profile）人脸数据集上的识别测试的结果表明，ShuffaceNet的精度分别达到了99.32%、93.17%、94.51%。与MobileNetV1、SqueezeNet、Xception相比，所提网络的大小分别缩减了73.1%、82.1%、78.5%，在AgeDB-30数据集上的精度分别提高了5.0%、6.3%、6.7%。可见，基于ThetaMEX全局池化的所提网络能够提高模型精度。

针对霾环境中图像降质导致的传统深度估计模型退化问题，提出了一种融合双注意力机制的基于条件生成对抗网络（CGAN）的单幅霾图像深度估计模型。首先，对于模型的生成器的网络结构，提出了融合双注意力机制的DenseUnet结构，其中DenseUnet将密集块作为U-net编码和解码过程中的基本模块，并利用密集连接和跳跃连接在加强信息流动的同时，提取直接传输率图的底层结构特征和高级深度信息。然后，通过双注意力模块自适应地调整空间特征和通道特征的全局依赖关系，同时将最小绝对值损失、感知损失、梯度损失和对抗损失融合为新的结构保持损失函数。最后，将霾图像的直接传输率图作为CGAN的条件，通过生成器和鉴别器的对抗学习估计出霾图像的深度图。在室内数据集NYU Depth v2和室外数据集DIODE上进行训练和测试。实验结果表明，该模型具有更精细的几何结构和更丰富的局部细节。在NYU Depth v2上，与全卷积残差网络相比，对数平均误差（LME）和均方根误差（RMSE）分别降低了7%和10%；在DIODE上，与深度有序回归网络相比，精确度（阈值小于1.25）提高了7.6%。可见，所提模型提高了在霾干扰下深度估计的准确性和泛化能力。

如何高效地辨别各种被攻击的人脸是人脸识别过程中迫切需要解决的问题。基于深度学习的人脸反欺骗方法在有着高性能的同时，也带来了庞大的参数量和计算量，使其无法部署在移动或嵌入式设备中。针对以上问题，提出了一种基于区域分块和轻量级网络的人脸反欺骗方法。首先，对训练样本进行随机区域分块；然后，设计了一种基于注意力机制的轻量级网络用于特征提取和图像分类；最后，为了提高测试准确率，对测试样本进行基于区域分块的数据扩增。实验结果表明，所提模型在CASIA-FASD和REPLAY-ATTACK数据集上达到了100%的准确率；在CASIA-SURF数据集的Depth模态上获得了99.49%的准确率和0.458 0%的平均分类错误率（ACER），远优于ResNet、ShuffleNet等卷积神经网络，且该模型的参数量也仅有0.258 2 MB。在实际应用中，端到端的轻量级网络结构使所提模型更方便部署在移动设备上来进行实时的人脸反欺骗检测。

区块链以分布式账本的形式存储交易数据，其节点通过存储哈希链来持有当前数据的副本。由于区块链链式结构的特殊性，区块的数量会随着时间推移不断增加，节点承受的存储压力也随之增大，因此存储扩展性成为区块链发展的瓶颈之一。针对该问题，提出了一种基于中国剩余定理（CRT）的区块链存储扩展模型。模型将区块链分为高安全性区块和低安全性区块，并对它们采取不同的存储策略。其中，低安全性区块以全网保存（所有节点都需保存）的形式进行存储，高安全性区块被基于CRT的分割算法分片后以分布式的形式进行存储。此外，利用冗余余数系统（RRNS）的错误检测与纠正来防止恶意节点攻击，进而提高数据稳定性和完整性。实验结果与安全性分析表明，所提模型在具有安全性、容错性的同时保障了数据的完整性，还能有效地减少节点的存储消耗，增强区块链系统的存储扩展性。

云计算提高了大数据的使用、分析和管理的效率，但也给数据贡献者带来了对云服务的数据安全及隐私信息泄露的担忧。针对这个问题，结合了基于角色的访问控制、基于属性的访问控制方法并采用了下一代访问控制的体系结构，提出了云计算环境下的基于客体属性匹配的逆向混合访问控制方法。首先，数据贡献者设置共享文件访问权限级别，逆向规定了访问客体的最低权值；然后，采用变异系数加权的方法直接计算各属性的权值，取消了以属性为中心的基于角色的访问控制中策略规则匹配的过程；最后，把数据贡献者对数据文件设定的权限值定为数据访问者被允许访问的阈值，这样既实现了数据访问控制，又保障了对隐私数据的保护。实验结果表明，随着访问次数的增多，所提方法对恶意行为、权限不足行为等的判断基准趋于稳定，检测能力越来越强，成功率趋于一个较为平稳的水平。该方法在用户访问数量较大的环境下相较传统的访问控制方法能够实现更高的决策效率，验证了所提方法的有效性和可行性。

跨域差异常常会阻碍深度神经网络的泛化，使其不能适应不同的数据集，为了提高模型阴影检测的鲁棒性，提出了一种新颖的无监督域适应阴影检测框架。首先，为了缩小域间的数据偏差，采用分层域适应策略校准源域和目标域间从低层到高层的特征分布；其次，为了加强模型软阴影的检测能力，提出边界对抗分支以确保模型在目标数据集上同样可以得到结构化的阴影边界；然后，结合熵对抗分支进一步抑制预测结果中边界处的高不确定性，从而得到边界平滑、准确的阴影掩膜。与已有深度学习检测方法相比，所提方法在客观数据集ISTD、SBU上的平衡误差率（BER）分别降低了10.5%、18.75%。实验结果表明所提方法的阴影检测结果具有更好的边缘结构性。

针对基于暗通道先验（DCP）与大气散射模型方法实现夜晚图像去雾出现颜色失真及噪声等问题，提出一种基于Msmall-Patch训练的条件生成对抗网络（CGAN）去雾算法MP-CGAN。首先，将UNet与密集神经网络（DenseNet）网络结合成UDNet网络作为生成器网络结构；其次，对生成器与鉴别器网络使用Msmall-Patch训练，即通过对鉴别器最后Patch部分采取Min-Pool或Max-Pool方式提取多个小惩罚区域，这些区域对应退化严重或容易被误判的区域，与之对应提出重度惩罚损失，即在鉴别器输出中选取数个最大损失值作为损失；最后，将重度惩罚损失、感知损失与对抗感知损失组合成新的复合损失函数。在测试集上，与雾密度图预测算法（HDP-Net）相比，所提算法的峰值信噪比（PSNR）与结构相似性（SSIM）值分别提升了59%与37%；与超像素算法比，PSNR与SSIM值分别提升了59%与48%。实验结果表明，所提算法能够减少CGAN训练过程产生的噪声伪影，提高了夜晚图像去雾质量。

为了提高无线传感器网络（WSN）的性能，提出了一种基于改进正弦余弦算法（ESCA）的节点部署优化方法。首先，引入双曲正弦调节因子和动态余弦波权重系数，以平衡算法的全局探索与局部开发能力；然后，提出了一种基于拉普拉斯和高斯分布的变异策略，避免算法陷入局部最优。对于基准函数的优化实验结果表明，ESCA相比引力搜索算法、鲸鱼优化算法、基本正弦余弦算法（SCA）及其改进算法具有更高的收敛精度和收敛速度。最后，将ESCA应用于WSN节点部署优化，结果表明其优化覆盖率相比改进粒子群优化算法、外推人工蜂群算法、改进灰狼优化算法和自适应混沌量子粒子群算法分别提高了1.55个百分点、7.72个百分点、2.99个百分点和7.63个百分点，用更少节点便可达到相同目标精度。

针对现有的基于超文本传输协议的动态自适应流（DASH）码率自适应算法在无线网络环境中码率切换频繁以及平均码率偏低的问题，提出一种基于DASH标准的码率平滑切换（RSS）算法。首先，算法的带宽检测机制利用滑动窗口对历史下载速率进行取样以计算带宽偏移系数，根据带宽偏移系数的大小初步判断带宽的波动情况，并对波动较大的情况进一步确定是否存在一致性变化趋势，从而区分出带宽的持续变化和短暂抖动，同时计算出相应情况下的带宽预测值；其次，算法的码率决策模型综合考虑带宽波动情况、缓存占用和变化情况及带宽预测值等，并且分别采取快速缓冲（FB）、缓慢切换（SS）、快速上升（FR）、约束下降（LD）、稳定保持（SH）策略和休眠机制对码率选择过程进行动态控制。实验结果表明，与基于模糊逻辑的码率自适应算法以及吞吐量调节驱动的码率自适应算法相比，该算法在播放开始时能够在最短时间内将视频码率提升到最佳水平，提高视频播放过程中的平均码率，在播放过程中带宽骤变和交替性频繁波动情况下都能够很好地维持视频码率的稳定，将切换次数降到最低，从而获得良好的无线端视频体验质量。

针对非负矩阵分解（NMF）语音增强算法在低信噪比（SNR）非稳定环境下存在噪声残留的问题，提出一种基于感知掩蔽的重构NMF（PM-RNMF）单通道语音增强算法。首先，将心理声学掩蔽特性应用于NMF语音增强算法中；其次，对不同频率位采用不同的掩蔽阈值，建立自适应感知掩蔽增益函数，通过阈值约束残余噪声能量和语音失真能量；最后，结合语音存在概率（SPP）进行感知增益修正，重构NMF算法，以此建立新的目标函数。仿真结果表明，在不同SNR的3种非稳定噪声环境下，与NMF、重构NMF（RNMF）、感知掩蔽深度神经网络（PM-DNN）算法相比，PM-RNMF算法的感知语音质量评估（PESQ）平均值分别提高了0.767、0.474、0.162，信源失真比（SDR）平均值分别提高了2.785、1.197、0.948。实验结果表明，无论是在低频还是高频PM-RNMF有更好的降噪效果。

随着虚拟化技术的发展，同驻攻击成为窃取用户敏感信息的重要攻击手段。针对现有虚拟机动态迁移方法对同驻攻击反应的滞后性，在5G网络切片背景下，提出了一种基于安全威胁预测的虚拟网络功能迁移策略。首先，通过隐马尔可夫模型（HMM）对网络切片运行安全进行建模，利用多源异构数据信息对网络安全威胁进行威胁预测；然后，根据安全预测结果，采用相应的虚拟网络功能迁移策略迁移以使迁移开销最小。仿真实验结果表明:利用HMM能对安全威胁进行有效的预测，同时该迁移策略能够有效减少迁移开销与信息泄漏时间，具有较好的同驻攻击防御效果。

由于链路带宽存在随机性，已有的基于超文本传输协议的动态自适应流媒体传输技术（DASH）的码率自适应算法不能很好解决播放流畅性和视频质量之间的矛盾。为解决该问题，提出一种基于状态机的DASH（SDASH）算法，将码率切换过程用状态机进行分析与控制。首先充分考虑客户端观看体验质量（QoE）的影响因素，对影响因素进行数值分析，并设定6个码率等级状态；然后将视频码率与影响因素的数值变化之间的联系作为状态转移条件；最后在保证播放缓存和码率偏移率处于一定阈值的条件下将视频码率切换至视频质量和播放流畅性整体性能相对最佳的码率等级上。实验结果表明，该算法与基于模糊逻辑控制的码率自适应算法相比能够提高客户端请求视频的平均码率，且尽量避免出现码率骤降等情况，从而较好地平衡播放流畅性和视频质量之间的关系，提升了视频观看过程的体验质量。

针对粉尘分布不均匀且局部多散射引起的图像退化问题，提出单幅粉尘图像的切片重构恢复方法。首先，在场景深度方向采用McCartney模型得到多层切片图像；其次，对切片图像进行联合粉尘检测运算，将切片图像中无粉尘的区域保留，而将有粉尘的区域标记并将此区域作为下一张切片图像的检测区域；然后，对每张切片图像中保留的无粉尘部分和最后一张切片的粉尘区域进行重构；最后，对重构图像使用快速导向滤波，实现了对单幅粉尘图像的恢复。实验结果表明，该恢复方法可以对图像中的粉尘区域实现快速、有效去除，为粉尘环境中基于计算机视觉的目标监控与识别工作奠定基础。

对开源代码进行准确搜索是实现代码复用的前提。在基于关键字搜索的研究中，目前只关注匹配方法签名。结合源代码注释对方法功能的语义描述，提出结合代码注释的关键字搜索方法。通过生成源代码抽象语法树，从中识别方法签名与各类型注释等组合代码特征；将代码特征与查询语句分别用向量表示，并计算向量间的余弦相似度，然后制定针对搜索结果多特征权重分配的评分机制。根据评分对搜索结果进行排序，得到与查询语句相关的结果序列。实验结果表明，多个代码特征在不同权重影响下可以提升源代码搜索准确度。

针对现有社交网络影响最大化算法影响范围小和时间复杂度高的问题，提出一种基于独立级联模型的 k-核过滤算法。首先，介绍了一种节点影响力排名不依赖于整个网络的现有影响力最大化算法；然后，通过预训练 k，找到对现有算法具有最佳优化效果且与选择种子数无关的 k值；最后，通过计算图的 k-核过滤不属于 k-核子图的节点和边，在 k-核子图上执行现有影响最大化算法，达到降低计算复杂度的目的。为验证 k-核过滤算法对不同算法有不同的优化效果，在不同规模数据集上进行了实验。结果显示，应用 k-核过滤算法后：与原PMIA算法相比，影响范围最多扩大13.89%，执行时间最多缩短8.34%；与原核覆盖算法（CCA）相比，影响范围没有太大差异，但执行时间最多缩短28.5%；与OutDegree算法相比，影响范围最多扩大21.81%，执行时间最多缩短26.96%；与Random算法相比，影响范围最多扩大71.99%，执行时间最多缩短24.21%。进一步提出了一种新的影响最大化算法GIMS，它比PMIA和IRIE的影响范围更大，执行时间保持在秒级别，而且GIMS算法的 k-核过滤算法与原GIMS算法的影响范围和执行时间差异不大。实验结果表明， k-核过滤算法能够增大现有算法选择种子节点集合的影响范围，并且减少执行时间；GIMS算法具有更好的影响范围效果和执行效率，并且更加鲁棒。

针对高维的数据中往往存在非线性、低秩形式和属性冗余等问题，提出一种基于核函数的属性自表达无监督属性选择算法——低秩约束的非线性属性选择算法（LRNFS）。首先，将每一维的属性映射到高维的核空间上，通过核空间上的线性属性选择去实现低维空间上的非线性属性选择；然后，对自表达形式引入偏差项并对系数矩阵进行低秩与稀疏处理；最后，引入核矩阵的系数向量的稀疏正则化因子来实现属性选择。所提算法中用核矩阵来体现其非线性关系，低秩考虑数据的全局信息进行子空间学习，自表达形式确定属性的重要程度。实验结果表明，相比于基于重新调整的线性平方回归（RLSR）半监督特征选择算法，所提算法进行属性选择之后作分类的准确率提升了2.34%。所提算法解决了数据在低维特征空间上线性不可分的问题，提升了属性选择的准确率。

针对唇部特征提取维度过高以及对尺度空间敏感的问题，提出了一种基于尺度不变特征变换（SIFT）算法作特征提取来进行说话人身份认证的技术。首先，提出了一种简单的视频帧图片规整算法，将不同长度的唇动视频规整到同一的长度，提取出具有代表性的唇动图片；然后，提出一种在SIFT关键点的基础上，进行纹理和运动特征的提取算法，并经过主成分分析（PCA）算法的整合，最终得到具有代表性的唇动特征进行认证；最后，根据所得到的特征，提出了一种简单的分类算法。实验结果显示，和常见的局部二元模式（LBP）特征和方向梯度直方图（HOG）特征相比较，该特征提取算法的错误接受率（FAR）和错误拒绝率（FRR）表现更佳。说明整个说话人唇动特征识别算法是有效的，能够得到较为理想的结果。

基于对智能交通卡数据的挖掘与分析能够为城市交通建设和城市管理提供有力支持，但现有研究数据大都仅包含公交或地铁这两方面数据，且主要关注群体性宏观出行规律。针对这一问题，以某城市交通卡数据为例，该数据包含着城市居民日常出行公交、地铁、出租车等多源数据，首先提出行程链的概念对居民出行行为建模，在此基础上给出不同维度的周期性出行特征；然后提出一种基于最长公共子序列的空间周期性特征提取方法，并对城市居民出行规律进行聚类分析；最后通过规则定义5个评价指标对该方法的有效性进行初步验证。结果表明引入该方法的聚类算法对聚类结果有6.8%的效果提升，有利于发现居民的行为模式。

最小绝对收缩和选择算子（Lasso）在数据维度约减、异常检测方面有着较强的计算优势。针对Lasso用于异常检测中检测精度不高的问题，提出了一种基于多维度权重的最小角回归（LARS）算法解决Lasso问题。首先考虑每个回归变量在回归模型中所占权重不同，即此属性变量在整体评价中的相对重要程度不同，故在LARS算法计算角分线时，将各回归变量与剩余变量的联合相关度纳入考虑，用来区分不同属性变量对检测结果的影响；然后在LARS算法中加入主成分分析（PCA）、独立权数法、基于Intercriteria相关性的指标的重要度评价（CRITIC）法这三种权重估计方法，并进一步对LARS求解的前进方向和前进变量选择进行优化。最后使用Pima Indians Diabetes数据集验证算法的优良性。实验结果表明，在更小阈值的约束条件下，加入多维权重后的LARS算法对Lasso问题的解具有更高的准确度，能更好地用于异常检测。

针对现有基于消息传递算法的无线网络节点定位算法复杂度和通信开销过高的问题，提出一种基于测距的、低复杂度低协作开销的联合消息传递节点定位算法。所提算法考虑参考节点位置的不确定性以减少误差累积，并将消息约束为高斯函数以降低通信开销。首先，根据系统的概率模型和因子分解设计因子图；然后，根据状态转移模型和测距模型的特点，分别使用置信传播和平均场方法计算预测消息和协作消息；最后，在每次迭代过程中，通过非线性项的泰勒展开将非高斯置信消息近似为高斯函数。仿真分析表明，所提算法的定位性能与基于粒子的SPAWN算法接近，但节点间传输的信息由大量粒子变为均值向量和协方差矩阵，同时计算复杂度也大幅降低。

针对第三代合作伙伴项目（3GPP）中自组织网络（SON）的覆盖与容量自优化问题，提出了一种基于粒子群优化（PSO）算法的有源天线下倾角优化方法。首先，确定基站（eNB）中传输数据的用户设备（UE）数，用户测量上报邻小区参考信号接收功率（RSRP）信息和位置信息；然后，确定优化目标预设适应度评价函数为频谱效率（SE）；其次，将下倾角同时优化问题看作是多维优化问题，选择天线下倾角为粒子集合，使用PSO算法求解得到天线下倾角的最优值；最后，通过系统自主调整优化下倾角，实现长期演进（LTE）网络中容量及覆盖的自优化。通过建模及仿真结果分析，此算法在优化目标不同时可以取得不同的优化效果：优化目标为用户平均频谱效率时，采用传统黄金分割优化算法频谱效率较初始设定提升12.9%，采用PSO算法可提升22.5%；调整优化目标为用户加权平均频谱效率时，对边缘用户，传统黄金分割优化算法并无明显提升，PSO算法取得了19.3%的优化提升。实验结果表明，该方法可提升用户吞吐量，改善系统性能。

针对不可压缩Navier-Stokes （N-S）方程求解过程中的有限元法存在计算网格量大、收敛速度慢的缺点，提出了基于面积坐标的三角网格剖分谱有限元法（TSFEM）并进一步给出了利用OpenMP对其并行化的方法。该算法结合谱方法和有限元法思想，选取具有无限光滑特性的指数函数取代传统有限元法中的多项式函数作为基函数，能够有效减少计算网格数量，提高算法的精度和收敛速度；利用面积坐标便于三角形单元计算的特点，选取三角单元作为计算单元，增强了适用性；在顶盖方腔驱动流问题上对该算法进行验证。实验结果表明，TSFEM较传统有限元法（FEM）无论是收敛速度还是计算效率都有了显著提高。

针对依据专家知识推断贝叶斯网络中条件概率表(CPT)时存在的个体推断信息缺乏完备性和精确性以及整体集成结果缺乏科学性的问题,提出了基于证据理论/层次分析法(DS/AHP)的能够从专家推断信息中提取最优条件概率的方法.首先,通过引入DS/AHP方法中的知识矩阵提出了有利于实现判断对象更直观、判断方式更完善的推断信息提取机制;其次,在此基础上遵循由前至后的推断顺序提出了贝叶斯网络的构建过程;最后,应用传统方法与提出方法对同一贝叶斯网络中的缺失条件概率表进行了推断.数值对比分析表明,所提方法能够在提高计算效率的同时将累计总偏差降低41%,验证了所提方法的科学有效性和应用可行性.

针对移动机器人避障上存在的自适应能力较差的问题，结合遗传算法(GA)的进化思想，以自适应启发评价(AHC)学习和操作条件反射(OC)理论为基础，提出了一种基于进化操作行为学习模型(EOBLM)的移动机器人学习避障行为的方法。该方法是一种改进的AHC学习模式，评价单元采用多层前向神经网络来实现，利用TD算法和梯度下降法进行权值更新，这一阶段学习用来生成取向性信息，作为内在动机决定进化的方向；动作选择单元主要用来优化操作行为以实现状态到动作的最佳映射。优化过程分两个阶段来完成，第一阶段通过操作条件反射学习算法得到的信息熵作为个体适应度，执行GA学习算法搜索最优个体；第二阶段由OC学习算法选择最优个体内的最优操作行为，并得到新的信息熵值。通过移动机器人避障仿真实验，结果表明所设计的EOBLM能使机器人通过不断与外界未知环境进行交互主动学会避障的能力，与传统的AHC方法相比其自学习自适应的能力得到加强。

针对复杂轨道网络环境的下出行路径选择问题，传统方法采用理论推算往往与实际偏差较大。基于手机定位信息的出行路径辨识方法，利用手机用户在无线通信网络中产生的信令事件数据，根据其在地铁中的正常位置更新规则得到出行路径，针对信令数据存在缺失的情况，以用户的其他信令事件数据及K短路校核法，对路径的有效性进行检测，进而得到实际出行路径。实测结果表明，用该方法得到的用户出行路径与真实路径偏差较小。。

为了解决传统的能见度仪价格昂贵、采样有限，以及现有的一些视频测量手段需人工标记物、稳定性差等问题，基于车道线检测与图像拐点提出一种通过固定摄像机识别雾天天气并计算道路能见度的算法。与以往研究不同，在交通模型增加了均质雾天因素。该算法主要分为三步：首先，计算场景活动图，利用区域搜索算法（ASA）结合纹理特征提取待识别区域，如果在待识别区域内像素自顶向下以双曲线形式变化则判断当前天气为雾天，同时计算区域内图像亮度曲线的拐点；其次，基于可伸缩窗算法检测车道线，提取车道线端点并标定摄像机；最后，结合图像拐点以及摄像机参数计算大气消光系数，根据国际气象组织给出的能见度定义计算能见度。通过三种场景下的能见度检测，实验结果表明，该算法与人眼观测效果一致，准确率高于86%，检测误差在20m以内，鲁棒性好。

鉴于织物疵点类型的多样性和传统人工检测方法的低效率，为更有效地检测织物疵点，提出一种新的基于图像显著性特征的织物疵点检测方法——SGE。将原织物图分成相同两份:一份利用改进的基于频率的显著性区域(FSR)方法提取区域特征，粗定位疵点位置。另一份先Gabor滤波，取Gabor模图为输出特征；再利用基于像素的显著性区域(PSR)方法进行区域特征提取，细定位疵点位置;然后利用最大熵分别对粗细定位的疵点图进行分割，再融合;最后描绘轮廓,计算周长和面积,去除孤立点,得最终检测结果。采用OpenCV算法库，选取了4种具有代表的织物疵点图片进行验证。实验结果表明，这种粗细定位疵点的方法能够获得较好的检测结果，无需事先学习，能够满足实时性要求。

针对图像中同时存在椒盐噪声和高斯噪声,提出一种基于灰度极限和脉冲耦合神经网络(PCNN)滤除混合噪声的新方法。首先,根据灰度极值定位出椒盐噪声点;其次,在滤波窗口中对椒盐噪声点进行均值滤波;然后,利用PCNN赋时矩阵定位出高斯噪声点;最后,自适应调整可变灰度步长,选择不同滤波方法滤除高斯噪声。实验结果表明提出的算法较常见的混合噪声滤波方法在主观滤波效果和客观评价指标峰值信噪比(PSNR)及信噪比改善因子(ISNR)两方面均有明显的优势。

针对当前聚类算法仅依赖于初始聚类中心并且无法精确区别非凹形状类的不足，现将图学习知识应用到聚类算法中，提出了一种基于图聚类的入侵检测算法P-BFS。为得到较准确的分类模型，算法中引入了一种基于逼近函数的相似性度量方法。实验结果论证了图聚类思想应用于入侵检测系统的优越性；同时表明了，与K-means聚类算法相比，P-BFS图聚类算法具有较高的性能。

针对网格中同类型不同版本资源所提供服务质量(QoS)的多样性，对用户从这一类型资源中选择具体资源造成困难的问题，提出了基于模糊筛选的资源选择策略。根据用户评价历史信息对资源进行模糊划分，建立资源版本评价矩阵，进行模糊筛选。实验结果表明，该策略较好地解决了用户需求和资源匹配问题，提高了用户的满意度。