针对目前社会网络邻域隐私保护相关研究并没有考虑对子集的保护,并且邻域子集中的特定属性分布情况也会造成个体隐私泄露这一问题,提出了一种新的(θ, k)-匿名模型。该模型移除社会网络中需要被保护的节点邻域子集标签后,基于k-同构思想,利用邻域组件编码技术和节点精炼方法处理候选集中的节点及其邻域子集信息,完成同构操作,其中考虑特定敏感属性分布问题。最终,该模型满足邻域子集中的每个节点都存在至少k-1个节点与其邻域同构,同时要求每个节点的属性分布在邻域子集内和在整个子集的差值不大于θ。实验结果表明,(θ, k)-匿名模型能够降低匿名成本并且最大化数据效用。

针对锅炉和工业生产中产生的大量炉内火焰图像的特征提取问题,提出一种分层自适应显著点提取方法。首先利用块逆概率差模型将原图像转换为块逆概率差(BDIP)图像。在此基础上,将得到的BDIP图像进行Haar小波变换,利用改进的加权方法计算出二维图像的显著值,然后通过提出的自适应的方法构建一棵非平衡四叉树,树的根节点代表整幅图像的显著值,根据每棵子树的显著值占父节点显著值的比例确定子树的显著点数目。该算法与基于BDIP的和基于Haar小波变换的显著点提取算法对比,实验结果表明,边缘准确率和综合特征检索精度都至少提高了10%和3.5%。结果说明,该算法不仅克服了传统显著点提取时数目过多以及提取点不显著的缺点,同时还避免了显著点的局部聚集。