2006, 28(6): 1031-1035.
刊出日期:2006-06-19
该文提出一组基于广义局部沃尔什变换(GLWT)的纹理特征。首先给出局部沃尔什变换(LWT)的定义,并在空域中对其加以推广,用以提取图像的局部纹理信息;然后在一个宏窗口中估计12个GLWT系数的二阶矩作为图像的纹理特征。对这组纹理特征的鉴别性能进行了分析,并与Haralick(1973),Wang Li(1990),以及Yu Hui提出的纹理特征进行了比较。实验结果表明,该文提出的纹理特征具有更好的鉴别性能和分类能力。
2007, 29(1): 201-204.
doi: 10.3724/SP.J.1146.2005.00574
刊出日期:2007-01-19
通过对Xu(2004)和Zhang(2004)提出的两种环签名方案进行分析,指出了这两种环签名方案都容易受到群成员改变攻击(group-changing attack),并给出了攻击方法;另外,Zhang的方案还容易受到多已知签名存在伪造(multiple-known-signature existential forgery)攻击。为防范这两种攻击,对这两种环签名方案进行了改进,改进后的方案在最强的安全模型(Joseph, 2004提出)中仍是安全的。
2018, 40(10): 2345-2351.
doi: 10.11999/JEIT171208
刊出日期:2018-10-01
为了解决虚拟光网络映射中带宽阻塞率较高以及底层资源消耗不均匀问题,论文提出一种基于时间域-频谱域碎片感知的虚拟网络映射(FA-VNM)算法。该文综合考虑频隙在时间域和频谱域上的碎片问题,设计时频联合碎片公式最小化分配过程中的频谱碎片。进一步,为了均衡网络中的资源消耗,在FA-VNM算法基础上提出基于节点度数的负载均衡感知虚拟网络映射(LB-VNM)算法,设计物理节点平均资源承载能力的公式,优先映射物理节点平均资源承载能力大的节点;为了均衡路径上资源使用,考虑路径权重值,并根据每条路径的权重值对虚拟链路进行映射,从而降低阻塞率。仿真结果表明,所提算法能有效降低阻塞率,提高资源利用率。
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期:2022-08-17
针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限,以及各通道特征图没有区分的问题,该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积,增强隐写检测模型对高阶特征的表达能力;同时引入通道加权模块,实现根据全局信息对每个卷积通道赋予不同的权重,增强有用特征并抑制无用特征,增强模型提取检测特征的质量。实验结果表明,该检测模型针对不同典型隐写算法及不同嵌入率,相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的检测准确率,与最优的Zhu-Net相比,准确率提高1.95%~6.15%。
2020, 42(7): 1611-1618.
doi: 10.11999/JEIT190474
刊出日期:2020-07-23
参数估计对雷达的目标检测和识别有着重要的意义。该文提出了一种基于期望最大化(EM)算法的捷变频联合正交频分复用(FA-OFDM)雷达高速多目标参数估计方法。首先,将窄带正交频分复用(OFDM)信号与传统捷变频雷达相结合,在每个脉冲宽度内同时发射多个载频随机跳变的子载波。然后,对单个脉冲内所有子载波的回波进行脉冲压缩和稀疏重构处理,得到1维高分辨距离。进一步地,将多个目标在不同脉冲时刻的高分辨距离信息构成观测数据,建立混合高斯模型。采用EM算法对模型参数和多个目标的距离、速度进行估计,并同时拟合多条时间-距离直线。直线斜率对应目标速度,直线纵轴截距对应目标初始距离。最终,分别分析了信噪比(SNR)对检测概率以及目标速度对相对估计误差的影响。仿真实验验证了所提算法的有效性。
2021, 43(7): 1970-1977.
doi: 10.11999/JEIT200529
刊出日期:2021-07-10
在现代雷达电子战场中,目标检测与其参数估计有着非常重要的意义。因此,该文提出了一种基于随机抽样一致算法(Ransac)的捷变频联合正交频分复用(FA-OFDM)雷达高速多目标参数估计的方法。首先,在传统捷变频雷达的每个脉冲内同时发射多个频率随机跳变的窄带OFDM子载波。将单个脉冲内所有子载波的回波信号进行脉冲压缩后,采用迭代自适应谱估计(IAA)算法合成目标的高分辨距离。然后,分别对各个脉冲的回波进行脉冲压缩和迭代自适应谱估计,得到不同脉冲时刻的高分辨距离,构成观测数据集。再根据Ransac算法估计信号参数模型的步骤,拟合多条时间-距离直线,进而对高速运动的多个目标同时进行参数估计。最后,分别分析了信噪比(SNR)对检测概率以及目标自身速度对其相对估计误差的影响。仿真实验验证了所提算法的有效性。
2012, 34(1): 89-94.
doi: 10.3724/SP.J.1146.2011.00311
刊出日期:2012-01-19
保证无线异构网络端到端QoS需求,同时兼容现有网络业务和未来需求,是下一代网络的一个研究热点。QoS映射是保证异构网络端到端QoS的有效方法。该文提出一种基于聚集流的QoS映射方法(QoS Mapping Technology based on Flow Aggregate, QMT-FA),该方法在现有物理网络上建立虚拟的流处理层,在流处理层,原网络中的QoS参数被映射执行器透明封装,映射执行器根据网络情况决定是原样转发还是解聚集。通过建立基于高维的聚集流映射空间,屏蔽了多级网络间映射累积误差影响终端网络QoS指标,保证了异构网络端到端QoS;基于聚集流的QoS映射方法具有较好的可扩展性和伸缩性,能应用于现有的各种异构网络系统和应用业务。最后,通过数值和仿真分析验证了该方法的有效性。