基于BC聚类的差分隐私保护推荐算法

为提高差分隐私保护下推荐算法的准确性,提出了一种考虑差分隐私保护的基于Bhattacharyya系数（BC）的聚类推荐算法.以BC作为项目相似性度量的标准,根据BC相似性对项目进行K-medoids聚类,并在聚类簇中进行私有项目邻居选择.最后,根据最近邻居集信息,对用户的评分进行预测和Top-n推荐.提出的方案有效地克服了已有方法中存在的相似性度量依赖于共同评分的问题,提高了相似性度量的准确性,有效避免了因隐私保护而造成的最近邻居集质量下降的问题.理论分析和实验测试的结果表明,该方法在实现隐私保护的同时还能有效保证推荐的高质量,较好地实现了隐私保护和数据效用之间的平衡,具有良好的应用潜力.     

Detecting similarities in virtual machine behavior for cloud monitoring using smoothed histograms

The growing size and complexity of cloud systems determine scalability issues for resource monitoring and management. While most existing solutions consider each Virtual Machine (VM) as a black box with independent characteristics, we embrace a new perspective where VMs with similar behaviors in terms of resource usage are clustered together. We argue that this new approach has the potential to address scalability issues in cloud monitoring and management. In this paper, we propose a technique to cluster VMs starting from the usage of multiple resources, assuming no knowledge of the services executed on them. This innovative technique models VMs behavior exploiting the probability histogram of their resources usage, and performs smoothing-based noise reduction and selection of the most relevant information to consider for the clustering process. Through extensive evaluation, we show that our proposal achieves high and stable performance in terms of automatic VM clustering, and can reduce the monitoring requirements of cloud systems.     

一种新的基于概率距离的图像置乱评价方法

通过对图像的分块处理,提出一种评价图像置乱效果的方法。将原图像与加密图像进行相同的分块处理后,计算分块变换前后概率分布差异的Bhattacharyya系数,并以所有分块Bhattacharyya系数的平均值作为图像在置乱变换下具有的置乱程度。该方法计算简单、意义明确;实验结果表明,该方法可以有效地反映出图像在不同置乱变换下具有的置乱程度。     

目标跟踪中巴氏系数误差的分析及其消除方法

在meanshift的目标跟踪方法中,Taylor公式的近似展开会造成优化过程中Bhattacharyya系数值的误差,这种误差会给目标跟踪带来偏差,同时不适合快速运动目标的跟踪.针对Bhattacharyya系数的Taylor公式近似表示情形,研究了这种近似表示引起的系数误差和对目标跟踪的影响,在此基础上,将Bhattacharyya系数的优化问题转化为求解约束优化问题,从而提出一种改进的目标跟踪方法,以达到提高目标跟踪的精度,而且证明了该改进方法的收敛性.实验表明文中方法对于快速运动目标的跟踪具有更好的跟踪精度.     

自动选取特征的行人跟踪

根据非刚性物体运动的特点,提出一种利用支持向量机有效对多目标进行分离并能自动选择目标最明显特性区域的覆盖比算法,克服了以往对选取区域事先进行设定的情形。采用目前常用的加权颜色直方图作为备选粒子,进行行人跟踪。由于建立了合理目标颜色模型,减少了对粒子数量的需求,降低了计算复杂度,有利于实现实时跟踪。利用Bhattacharyya距离描述粒子与目标颜色模型的相似性,作为粒子更新权值的依据。试验结果证明了自动选取被跟踪目标的特征与事先设定备选区域有等价效果。     

结合背景信息的自适应加权压缩跟踪算法

目的 为了提高目标跟踪的准确度,提出结合背景信息的自适应加权压缩跟踪算法。方法 针对目标边缘背景信息的干扰问题,提出对目标框架分块提取特征,根据区域分配权值,弱化特征提取过程中背景信息的干扰;利用正负样本特征概率分布的Bhattacharyya距离,自适应地选取区分度较大的特征进行分类器训练,提高分类器的鲁棒性;针对目标遮挡导致分类器分类不准确问题,提出设置目标遮挡检测机制,结合目标和局部背景信息对目标实现遮挡环境下的跟踪。结果 与目前较流行的5种算法在6个具有挑战性的序列中进行比较,本文提出的算法平均跟踪率达到90%,平均每帧耗时0.088 6 s。结论 本文算法在背景干扰,光线变换,目标旋转、形变、遮挡和复杂背景环境下的跟踪具有较高鲁棒性。     

基于改进Bhattacharyya系数的粒子滤波视觉跟踪算法

基于颜色直方图的粒子滤波跟踪通常采用Bhattacharyya系数(B氏系数)衡量目标与候选区域特征模型之间的相似性.分析说明目标内部区域的B氏系数存在大量的峰值,使得粒子滤波跟踪仅能适应目标收缩,无法适应目标的膨胀.为此,提出了一种改进的B氏系数,从理论上分析说明了该系数具有单峰特性,基于该系数的粒子滤波跟踪能同时适应目标收缩和膨胀.分析和实验结果均表明,基于本文提出的改进B氏系数的粒子滤波跟踪对目标快速膨胀和收缩等形变具有较好的鲁棒性和准确性.     

基于Bhattacharyya距离准则的核空间特征提取算法

提出了一种新的以Bhattacharyya距离为准则的核空间特征提取算法．该算法的核心思想是把样本非线性映射到高维核空间．在核空间中寻找一组最优特征向量，然后把样本线性映射到低维特征空间，使类别间的Bhattacharyya距离最大。从而保证Bayes分类误差上界最小．采用核函数技术，把特征提取问题转化为一个QP(Quadratic Programming)优化问题．保证了算法的全局收敛性和快速性．此算法具有两个优点：(1)该算法提取的特征对数据分类来说更有效；(2)对于给定的模式分类问题，算法可以预测出在不损失分类精度情况下所必须的特征向量数目的上界，并能够提取出分类有效特征．实验结果表明，该算法的性能与理论分析的结论相吻合，优于目前常用的特征提取算法．     

一种优化的监控系统编码存储方案

针对安保类监控系统提出了一种选择性的分精度存储编码方案，将摄录内容进行分类编码存储，对于可疑对象采用较高精度的编码方案以重点保存其细节特征，非可疑对象采用较低精度编码，而针对背景只需对发生改变时的关键一帧或几帧进行编码记录,同时忽略所有非可疑场景的纪录帧。为了能高效的实现这种编码方案，同时提出了一种快速的可疑场景检测与跟踪算法。实验证明了本文方案不仅节省了大量的无用空间，而且使得编码时码率的分配更加优化。     

陀螺飞轮信号的EMD/LPF混合去噪方法

为提高陀螺飞轮系统的标定与辨识精度进而保证姿态测量性能,对其信号去噪方法进行研究以便从复杂噪声中提取标定辨识所需的有用信息.首先基于噪声产生机理对陀螺飞轮信号的噪声特性进行分析.其次,在不影响信号低频特性的前提下,采用传统低通滤波（LPF）方法对信号进行预处理以抑制高频周期噪声.然后应用经验模态分解方法（EMD）对LPF预处理后的信号进行分解,根据信号和各模态分量的概率密度函数的相似性度量,给出一种模态判定准则.在此基础上,结合现有阈值滤波方法,提出一种EMD/LPF混合去噪方案. 结果表明:所提出的基于相似性度量的模态判定准则在不同信噪比条件下均能够实现分界点的准确判定;将所研究的去噪方法分别应用于标准测试信号和陀螺飞轮实测信号;所提出的混合去噪方法相比于现有去噪方法更为有效.