基于小波变换的分数阶微分算法在肝脏肿瘤CT图像纹理增强中的应用

图像纹理增强过程中容易丢失平滑区域纹理细节，而分数阶微分增强虽然能够非线性保留平滑区域纹理细节，但对频率分辨率敏感。针对这个问题，提出一种基于小波变换的分数阶微分纹理增强算法，应用于平扫计算机断层扫描（CT）图像的肝脏肿瘤区域的纹理增强。首先，通过小波变换将图像感兴趣区分解成多个子带分量；其次，基于分数阶微分定义构造一个带补偿参数的分数阶微分掩膜；最后，使用该掩膜与每个高频子带分量进行卷积并利用小波逆变换重组图像感兴趣区。实验结果表明，该方法在使用较大分数阶次显著增强肿瘤区域的高频轮廓信息的同时，有效地保留了低频平滑的纹理细节：增强后的肝细胞癌区域与原区域相比，信息熵平均增加36.56%，平均梯度平均增加321.56%，平均绝对差值平均为9.287；增强后的肝血管瘤区域与原区域相比，信息熵平均增加48.77%，平均梯度平均增加511.26%，平均绝对差值平均为14.097。     

基于NB的双级分类模型在邮件过滤中的研究

使用朴素的贝叶斯（NB）分类模型对邮件进行分类，是目前基于内容的垃圾邮件过滤方法的研究热点。朴素的贝叶斯在参数之间联系不强的时候分类效果简单而有效。但是朴素的贝叶斯分类模型中对特征参数的条件独立假设无法表达参数之间在语义上的关系，影响分类性能。在朴素的贝叶斯分类模型的基础上，我们提出了一种双级贝叶斯分类模型（DLB，Double Level Bayes），既考虑到了参数之间的影响又保留了朴素的贝叶斯分类模型的优点。同时时DLB模型与朴素的贝叶斯分类模型的性能进行比较。仿真实验表明，DLB分类模型在垃圾邮件过滤应用中的效果在大部分条件下优于朴素的贝叶斯分类模型。     

基于安全知识图谱的网络节点威胁感知技术

网络攻击事件给网络安全管理带来了极大的挑战。将知识图谱与网络安全领域相结合,构建安全知识图谱,整合大量的安全数据并挖掘其中潜在的威胁,对于网络攻击的辅助防护具有重要意义。针对网络安全数据海量化、分散化、关系隐蔽化等问题,提出了安全知识图谱的技术架构,从分析威胁数据特点、构建本体模型、实体和关系抽取、图谱构建等方面描述和揭示了网络节点中的实体及其关系,并阐述了基于安全知识图谱的网络节点威胁感知技术框架,对知识图结构和节点属性分别进行编码和解码,以获得更加丰富的语义信息。在此基础上,探究具有威胁识别、态势理解和辅助决策能力的网络节点威胁感知技术应用架构方法,从而实现对网络安全威胁的高效处理。     

基于互信息理论的Anytime分类算法的研究

提出了一种新的Anytime分类算法,anytime averaged probabilistic under mutual information estimators（AAPMIE）。该分类算法能较好地适用于需要即时响应的在线业务。从信息论的角度认为每个属性所携带的信息量是不同的,对其他属性影响较大的属性应该具有较高的权限被优先选择作为super-parent参加分类计算,这样,有助于提高分类开始阶段的分类准确率,有助于在较少的计算资源下返回更好的分类效率。实验验证了该算法能在anytime分类的早期较好的改善分类效果降低分类的0-1损失错误率,伴随计算资源的增加,算法能进一步得到更好的分类准确率。     

基于全局的即时垃圾邮件过滤模型的研究

基于贝叶斯模型,提出了一种更为灵活的、有效的、基于全局的即时分类模型的垃圾邮件分类模型,pValue优先邮件过滤模型。该分类模型着眼于全局的实例,在所有邮件中选取最需要得到评估的实例进行计算,反复进行该过程并在需要的时候中断进程,最终得到实例的全局最优化。我们使用UCI提供的邮件样本进行验证。实验结果验证了该分类模型比FCFS即时分类模型的性能更优。在即时分类的早期较好的改善分类效果降低分类的0-1损失错误率和RMSE错误率,并伴随着计算资源的增加得到更好的分类准确率。     

肝细胞癌MR图像的纹理分类研究

结合小波多分辨率分析方法与统计分析方法提出了一种复合纹理分类模型,评估其基于核磁共振（MR）图像辅助诊断肝细胞癌（HCC）与正常肝脏组织的价值。首先,训练样本按类别分成两组,在每组中执行小波系数统计;其次,对新样本的小波系数基于两组统计结果执行两次离散化,以直方图、共生矩阵、游程长度矩阵等方法提取到两组特征;最后,基于两组特征执行两次分类以计算新样本的类别属性概率并决策。实验结果显示,该模型获得了比传统方法更好的分类性能,表明采用该模型对基于MR图像进行HCC与正常肝脏组织的计算机辅助诊断是有益的。     

软件工程的研究与应用

软件工程是一门年轻的学科,在近年来的计算机领域中的地位越来越重要,不仅大型项目离不开它,就是一般的中小型软件开发项目也必须运用它的概念、原则和方法。软件工程包括了3个要素：方法、工具和过程。其中,方法提供了“如何做”的技术。     

基于不完全朴素贝叶斯分类模型的垃圾邮件分类模型

由于朴素贝叶斯分类模型的简单高效,在垃圾邮件分类时可以达到较好的效果;但朴素贝叶斯的条件独立假设割裂了属性之间的关系,影响了分类的准确性。放松朴素贝叶斯分类模型关于属性之间条件独立假设,介绍一种新的基于不完全朴素贝叶斯分类模型的垃圾邮件分类模型,N平均1 依赖邮件过滤模型。使用N个1 依赖分类模型的平均概率作为分类的预测概率。实验证明,该模型在简单、高效的同时降低了对垃圾邮件分类的错误率。