检索结果

Select

1. 基于数据索引结构的跨级高效用项集挖掘算法

蒋华, 李星, 王慧娇, 韦静海

《计算机应用》唯一官方网站 2023, 43 (7): 2200-2208. DOI: 10.11772/j.issn.1001-9081.2022060907

摘要（193）

HTML （5）

PDF （1910KB）（70）

针对现有的跨级高效用项集挖掘（HUIM）算法非常耗时且占用大量内存的问题，提出一种基于数据索引结构的跨级高效用项集挖掘算法（DISCH）。首先，为了高效存储和快速检索到搜索空间中的所有项集，拓展带有分类信息和索引信息的效用链表为数据索引结构（DIS）；然后，为了提高内存利用率，对不满足条件的效用链表所占的内存进行回收再分配；最后，在构建效用链表时使用提前结束策略，以减少效用链表的产生。基于真实零售数据集和合成数据集进行的实验结果表明，与CLH-Miner （Cross-Level High utility itemsets Miner）算法相比，DISCH在运行时间上平均降低了77.6%，同时在内存消耗上平均降低了73.3%，可见该算法能高效完成跨级高效用项集的搜索，并且降低算法的内存消耗。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 边缘计算中基于深度Q网络的物理层假冒攻击检测方法

杨建喜, 张媛利, 蒋华, 朱晓辰

计算机应用 2020, 40 (11): 3229-3235. DOI: 10.11772/j.issn.1001-9081.2020020179

摘要（431）

PDF （845KB）（545）

针对边缘计算中边缘计算节点与终端设备之间的通信容易受到假冒攻击的安全问题，提出了一种基于深度Q网络（DQN）的物理层假冒攻击检测算法。首先，构建边缘计算网络中的假冒攻击模型，接收端基于物理层信道状态信息（CSI）建立假设检验，并将当前测量得到的CSI和上次记录的CSI之间的欧氏距离作为检验统计量；其次，利用DQN算法以接收端回报最大化为目标自适应地为边缘计算动态网络环境筛选出当前最优检测阈值；最后，通过对比检验统计量与检测阈值来判断当前发送端是否为假冒攻击者。仿真结果表明，信干噪比（SINR）和信道增益比对检测算法性能有一定的影响，但在信道增益相对变化不超过0.2时，误报率、漏检率和平均错误率低于5%，因此该检测算法能够自适应边缘计算动态变化的网络环境。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于MapReduce技术的Argo浮标剖面信息融合算法

蒋华, 胡莹

计算机应用 2015, 35 (12): 3403-3407. DOI: 10.11772/j.issn.1001-9081.2015.12.3403

摘要（420）

PDF （688KB）（293）

针对目前Argo浮标剖面以单一浮标为分析单元造成的分析不全面,以及单机处理造成的计算时间长且复杂等问题,提出一种以经纬度网格单元为分析对象,采用MapReduce技术与主曲线相结合的信息融合算法。在Map阶段,从大量数据文件中提取Argo浮标的有效信息,并对所提取的有效Argo剖面信息进行经纬度划分。在Reduce阶段,生成各划分区域Argo浮标主剖面:首先对数据进行归一化处理,然后利用K主曲线理论获得由少量剖面点和折线组成且包含区域剖面特征的主剖面,从而实现海量Argo浮标的信息融合。通过全球Argo浮标样本数据对所提算法进行验证,新的信息融合算法在投影距离为0.03~0.10时残差均值小于0.1,且相比传统的单机处理方式,存储空间节约99.4%,计算速度提升36.4%。验证结果表明,所提算法在保证生成主剖面准确度的同时节省了极大的存储空间,提高了计算速度。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于球结构支持向量机的多标签分类的主动学习

蒋华戚玉顺

计算机应用 2012, 32 (05): 1359-1361.

摘要（1147）

PDF （1493KB）（918）

为了实现数据的多标签分类，减少多标签训练样本开销，将球结构支持向量机与主动学习方法结合用于多标签分类，依据球重叠区域样本距离差值度确定样本类别，分析多标签分类特性，采用样本近邻方法更新分类器。实验结果表明，该方法可以用较少的训练样本获得更有效的分类结果。

参考文献 | 相关文章 | 多维度评价

Select

5. 基于预测与排序的大容量可逆水印算法

蒋华邓雄刘燕丽刘同来

计算机应用 2010, 30 (11): 3040-3043.

摘要（1635）

PDF （586KB）（938）

针对大多数情况下可逆水印算法需要位图的情况,提出了一个不需要位图的可逆水印算法。该算法使用一种新的基于高效排序的全邻预测算法,经过排序以后形成预测误差集合,可以在很低失真度的情况下嵌入数据。实验的结果表明,该算法优于现有的可逆水印算法,并可以在具有较小失真度的情况下嵌入大量的数据。