基于SV2的汽车乘员约束系统仿真模型 可信度验证系统

针对汽车乘员约束系统仿真模型的可信度验证需要大量重复的数据处理和结果分析的问题,基于可信度验证系统（system of verification and validation, SV2）,将100%正碰、40%偏置碰和侧碰工况的分析流程固化,开发汽车乘员约束系统仿真模型可信度验证系统。对100%正碰工况进行试验验证,结果表明：新开发的仿真模型可信度验证系统对模型可信度验证能够提高90%的工作效率,自动生成分析报告,为仿真工程师提供模型改善建议。     

基于动态需求服务反馈的 Web 业务可信度协同计算

针对 Web 服务和 Web 业务的选择问题,提出一种基于动态需求服务反馈的 Web 业务可信度协同计算算法,动态分析了用户的 Web 服务选择和组合问题,采用了基于用户满意度信息的服务反馈模型来解决 Web 服务的选择问题,从而防止 Web 业务选择到服务质量较差的服务类型。在 Web 业务的选择上采用了基于可信度计算的方法,可信度大小由业务信誉度、反馈能力、服务信任度三方面决定,通过可信度大小的比较来选择最佳的 Web 业务。实验仿真结果表明,该算法在选择最佳的 Web 服务和 Web 业务上具有较高的精确度,尤其在选择最佳 Web 服务的精确率上相比对比算法高出11％以上。     

动力定位冗余测量系统的模糊自适应融合算法

针对船舶动力定位的冗余测量系统,基于模糊自适应滤波和滤波器可信度的模糊评判,建立了多传感器数据融合算法。该方法与线性或非线性系统状态估计相结合,构成模糊自适应融合算法。通过监测滤波新息的均值和分歧度,应用模糊推理系统在线调节测量噪声协方差矩阵,从而抑制滤波发散;构建新的数据质量函数和子系统故障检测函数,根据检测结果自适应地选择子系统构建全局融合体系;利用子系统滤波的新息分歧度比值和状态估计误差的协方差,模糊评判各子系统滤波的可信度,由此计算相应的信息分配系数,实现全局融合。通过转台半实物仿真,验证了该算法的有效性。     

基于可信度的加权协作频谱检测算法

协作频谱检测技术可以有效解决认知无线网络本地检测存在的信道衰落、隐藏终端等问题。论文研究了加权协作频谱检测技术,提出一种基于可信度的协作频谱检测算法。每个感知节点基于最大最小值特征值检测完成本地频谱检测,并与融合中心的全局检测结果进行比较估计各自感知节点的频谱检测可信度;融合中心利用切尾平均法计算参与频谱协作检测的可信度门限,并选择可信度大于门限的感知节点参与协作频谱检测。该算法有效降低了认知网络协作检测的复杂性,提高了频谱检测性能,在噪声波动环境下具有良好的鲁棒性。仿真结果表明,算法频谱检测性能要优于其它加权算法1~3 dB,节省系统开销43.75%左右。     

基于互信息可信度的贝叶斯网络入侵检测研究

传统贝叶斯入侵检测算法没有考虑不同属性和属性权值对入侵检测结果的影响,因此分类准确率不够高.针对传统贝叶斯入侵检测算法存在的不足,提出基于互信息可信度的贝叶斯网络入侵检测算法.在综合考虑网络入侵检测数据特点和传统贝叶斯分类算法优点的基础上,用互信息相对可信度进行特征选择,删除一些冗余属性,把互信息相对可信度作为权值引进贝叶斯分类算法中,得到优化的贝叶斯网络入侵检测算法(MI-NB).实验结果表明,MI-NB算法能大大降低分类数据的维数,比传统贝叶斯入侵检测算法及改进算法有更高的分类准确率.     

无线传感器网络自适应预测加权数据融合算法

为提高无线传感器网络监测系统的可靠性及寿命,提出了一种基于分簇的自适应的预测加权数据融合(AFWDF)算法.AFWDF算法依据数据在时间上的相关性,建立预测模型.源节点与簇头利用前期监测数据的变化态势自适应调整预测模型参数对后期数据进行预测,源节点通过预测值与测量值比较提取特征值和剔除异常值,簇头根据特征值和预测值还原监测值,并计算监测值可信度和权重进行加权数据融合.通过性能分析及仿真,得出AFWDF可靠性较高,且在模拟环境下网络寿命周期比SAEMDA和BPNDA算法提高了15％左右.     

基于灰色关联分析的仿真数据可信度评估

计算机仿真系统已经发展为重要的产品开发和系统测试手段.由于仿真系统对于用户往往是透明的,所以直接从系统本身对其可信度进行评估比较复杂.仿真数据是仿真系统的直接输出,它可以最直观地反映仿真系统的本身性质,所以对于仿真数据可信度的评估尤为重要.为了能够对仿真数据可信度有着更好的评价,通过引入灰色系统理论,建立了仿真数据的灰色关联分析方法.最后通过一个实例具体说明了该理论在仿真可信度评估中的应用.     

WSN中基于分簇的模糊加权数据融合算法

为在数据收集和传输中保证数据的准确性和实时性,提出一种基于分簇的模糊加权数据融合算法(FWADF)。在簇内利用模糊逻辑控制器分析节点数据的可信度,确保数据的可信性,同时加入对数据优先级的考虑,减少网络时延。在簇间采用模糊加权矩阵方法提高数据的准确性。在NS-2仿真工具上的实验结果表明,在同等数据流量的前提下,采用FWADF算法时数据到达基站的时间延迟最短,在节点收集相同数据量的情况下,与Proposed DF、VWFFA、FIM等算法相比,基站获得数据的平均准确率分别提高5.0%、16.1%、9.5%。     

基于安全域的复杂网络信息系统设计

设计了基于安全域的复杂网络信息系统，利用防火墙技术、防病毒技术、入侵检测技术以及加密技术构建统一的安全防御体系，实现复杂网络信息的安全性。在系统中设计了网络访问控制的相关技术，采用零信任思想对复杂网络信息系统实施更加系统化、细粒度的访问控制。最后利用数据融合组合算法模型将多种算法运用到复杂网络信息安全检测的大数据融合中，实现网络信息的安全检测。实验结果表明，本文研究的系统在对复杂网络信息系统进行性能测试时，网络传输所需时间最少为0.22 s;在进行网络信息安全检测的可信度测试时，可信度最高为96%。     

基于果蝇优化算法的风功率预测数据可信度量化分析

针对风功率预测数据精度较低,可信度难以度量的问题,研究了基于果蝇优化算法的风功率预测数据可信度量化分析方法。采用一次指数平滑方法平滑处理风功率预测的历史风速数据,将完成平滑处理的数据输入LSSVM风功率预测模型中,该模型设置线性最小二乘系统作为支持向量机的损失函数。选取果蝇优化算法优化LSSVM风功率预测模型,设置风功率预测的均方根误差作为果蝇优化算法的适应度函数,获取LSSVM风功率预测模型的最优参数,量化分析了风功率预测数据可信度。实验结果表明,该方法预测风功率的均方根误差低于0.3,具有较高的风功率预测数据可信度。     

一种气象卫星数据脉冲噪声滤除方法

气象卫星数据在采集或者传输的过程中,往往会引入不同程度的脉冲噪声。为提高图像质量,滤除噪音,进行可信度分析,提出了一种三阶段气象卫星数据脉冲噪声检测和滤除方法。在算法第一阶段,利用均值与均方差比值差值序列建立排序检测器(ROD),检测出图像中所有可能的脉冲噪声点;第二阶段,采用逐点滑动N×N窗口,按照每个可能的脉冲噪声点在不同的滑动窗口被重复检测到的次数,建立噪声可信度。第三阶段,对高噪声点进行滤波;对低噪声点迭代排序检测,如果可识别有噪声点,再进行滤波。结果表明,算法可以准确检测和滤除脉冲噪声,并保持数据中非噪声点信息。     

C-Rank:一种Deep Web数据记录可信度评估方法

针对Web信息可信度问题,提出了一种为Deep Web数据记录计算可信度的有效方法C-Rank。该方法为每一条记录构造一个S-R可信度网络,包含两种类型顶点及三种类型边。首先基于可信度传播的思想,利用顶点出度为每一个顶点计算其局部可信度值;再利用Record顶点入度及相邻Site顶点的可信度值,为该Record顶点计算权值;继而求得整个S-R网络的全局可信度值。实验证明,C-Rank方法能够合理而有效地评价数据记录的可信度,从而达到甄别虚假信息,为用户推荐可信数据记录的目的。该方法普遍适用于Deep Web的各个领域。     

基于可信度模型的中文人名识别研究

该文根据中国人名的形成方式,总结和统计了人名的用字特征和边界模板特征,通过计算人名内聚度、人名区分度和边界模板可信度的综合概率作为人名可信度,对文本中人名进行识别或对已识别的人名进行纠正。该文将可信度检测模块嵌入到一个简易的命名实体平台中,在MSRA的语料上进行测试,实验结果说明可信度模型使得平台的人名识别F值提高了2.27%,整个系统的人名识别F值达到了91.72%。     

基于可信度的传递模式信誉值计算改进算法

针对信誉系统中的传递模式信誉值计算算法,分析了该算法在归一化、通过相对值计算全局信誉值(GRV)以及评价函数标准不同时引起的信息损失问题和节点可信度不确定性带来的问题,基于可信度方法对该算法进行了改进。仿真实验结果表明,改进后的算法计算所得到的GRV序列比理想值的欧氏距离更小,提高了恶意节点识别能力。     

基于云模型的仿真可信度评估方法

针对云模型在非正态分布条件下不适用的问题,提出了基于均匀分布的一维逆向云算法,并将其应用于仿真系统的可信度评估体系。首先,阐述了仿真可信度的重要性,并以实际工程为背景建立了某型装备抗干扰能力评估结果可信度评估指标;其次,运用基于云模型的仿真可信度评估方法对系统进行评估,并对该评估方法进行改进;最后,为了完善该评估方法,推导出基于均匀分布的一维逆向云算法,并且设计实验验证了该算法的有效性。仿真实验结果表明,该逆向云算法在较大数据时平均绝对误差小于5%,具有较高实用性,为云模型理论的完善提供一种思路。此外仿真可信度评估结果表明,该评估方法精度高,包含数据的分散度和凝聚度信息,可以进行更全面评估和错误数据预测。     

基于攻击检测的用户可信度计算方法

目前的用户概貌攻击检测算法无法避免垃圾用户和真实用户的误判现象,从而影响个性化协同推荐系统的精度。为解决该问题,将时间集中性的概念引入到攻击检测中,提出一种基于正态云模型和时间集中性的可疑评分度量方法,并在此基础上给出一种基于攻击检测的用户可信度计算方法。实验结果表明,该方法能够根据用户评分的真实程度为每个用户计算出评分可信度,提高推荐精度。     

结合可信度的km-means算法

以K-means为代表的聚类算法被广泛地应用在许多领域, 但是K-means不能直接处理不完整数据集. k_m-means是一种处理不完整数据集的聚类算法, 通过调整局部距离计算方式, 减少不完整数据对聚类过程的影响. 然而k_m-means初始化阶段选取的聚类中心存在较大的不可靠性, 容易陷入局部最优解. 针对此问题, 本文引入可信度, 提出了结合可信度的k_m-means聚类算法, 通过可信度调整距离计算, 增大初始化过程中选取聚类中心的可靠性, 提高聚类算法的准确度. 最后, 通过UCI和UCR数据集验证算法的有效性.     

主数据管理:打造大数据时代企业核心竞争力

在全新的数据时代,企业只有将核心业务数据更好地掌握在手中,才能从中萃取更大的业务价值。但是,分散于不同业务系统中的不一致或重复的数据,造成企业数据劣化、数据价值难以体现。伴随数据管理技术的演进,主数据管理正在成为应对数据质量及数据管理一致性挑战的重要利器。本文针对主数据管理的价值、实施步骤以及未来的发展趋势,进行了详细的分析和阐述,指引企业利用主数据管理作为大数据背景下的数据治理和提升数据质量的实践工具,帮助企业更好地洞悉业务数据中所隐藏的价值。     

朴素贝叶斯增量学习在病毒上报分析中的应用

未知类别样本的增量学习中,合理的学习序列能够优化分类器性能,提高分类精度。从优先学习的样本被正确分类概率大小的角度,提出了一种基于样本分类结果可信度的朴素贝叶斯增量学习序列算法。该算法将学习样本分类结果中可信度大的样本优先进行增量学习。在此算法基础上,实现一个病毒上报分析系统用于可疑样本的自动化分析与检测。实验结果表明,经该算法增量学习后的分类器检测效果优于随机增量学习。     

WMNs中基于节点可信度的机会路由改进算法

机会路由提高了WMNs的可靠性和吞吐量,但同时由于节点候选集中存在恶意节点,导致网络性能下降。对于如何及时识别、隔离网络中的恶意节点的问题,建立了一种节点可信度评估模型。基于贝叶斯网络算法,考虑到非恶意因素带来的网络异常行为,引入不确定交互因子,改进了直接信任的评估方法,利用熵为信任值的计算和更新分配权重。引入反映节点真实参与度的行为积极因子并结合信任值得出节点的可信度,对可信度处于待定状态的节点进行未来可信度的预测,以甄别潜在的恶意节点。最后将该模型应用于机会路由ExOR中,提出了一种基于节点可信度的机会路由算法BTOR。实验结果表明,该算法可以有效检测恶意节点,在各项性能指标上比原路由算法更具优势。