基于压缩感知的图像混沌加密算法

为实现图像的同步加密与压缩,将压缩感知理论与混沌理论相结合,提出了一种兼顾压缩性能与安全性能的加密方案。该加密算法采用置乱-测量矩阵观测-置乱-双向扩散四级加密,采用离散小波变换(DWT)并设定合适的阈值对明文图像进行稀疏化操作,然后进行置乱-测量矩阵观测-置乱-双向扩散操作,得到密文图像,加密过程中,将混沌参数作为密钥,通过混沌系统产生伪随机序列作为置乱、构造测量矩阵和扩散过程中的密钥流,实验结果表明:图像在加密过程中,在保证图像信息质量的前提下,提高了加密和解密的速度,验证了本方案的可靠性、安全性以及鲁棒性。     

基于混沌序列的粒子群算法

对标准PSO算法进行分析的基础上,针对PSO算法中的早熟收敛问题,提出了一种基于混沌序列的PSO算法（CPSO）。CPSO算法能够保证粒子种群的多样性,使粒子能够有效进行全局搜索;并以典型的基准优化问题进行了仿真实验,验证了CPSO的有效性。     

基于混合粒子群算法的项目群工期压缩模型研究

为完善项目群工期-费用优化模型和提高模型求解的精确性及有效性,研究并构建基于混合粒子群算法的集时间、资源和费用的工期压缩模型。首先,根据承包商一致性将工程项目群分成若干个子网络,通过对基于子网络的项目群工期压缩机理分析,剖析资源约束下工期压缩对业主支付费用的影响。其次,以业主支付费用最低为目标,构建单一资源约束下工程项目群工期压缩模型,并进行模型求解的算法设计。最后,结合南水北调江苏段东线一期工程,对其工期进行压缩,通过模型的应用和求解,得到业主支付费用最低的项目群资源调配方案和工期调整方案。研究结果显示:将资源要素考虑在内的工期-费用优化模型更加全面、详细分析工期压缩给项目群、承包商和业主带来的影响,以及人工智能算法在该目标规划模型求解中的有效应用,为项目群工期压缩问题解决提供思路和方法参考。     

基于混沌粒子群算法的多目标项目调度研究

作为项目调度管理中三大控制要素的工期、成本、质量是决定项目建设成败的关键。首先通过采用动态加权技术构建工期-成本-质量的多目标综合优化模型,同时鉴于基本粒子群算法容易陷入局部最优,提出一种将混沌优化嵌入基本粒子群的新算法用于求解该多目标项目调度模型问题。最终通过实例计算表明:相对于基本的粒子群算法,混沌粒子群算法可以更为准确快速地解决该模型下的工程项目多目标优化问题,实现了项目调度管理中有效平衡工期-成本-质量各目标,并达到综合最优方案的理想效果。     

一种基于混沌系统的压缩感知测量矩阵的构造

针对压缩感知中随机测量矩阵的不确定性及硬件上难以实现等缺点,提出一种基于混沌系统压缩感知图像处理算法,该算法首先对图像进行分块,经DCT变换稀疏化,其次再由基于混沌系统测量矩阵感应采样,最后经由OMP算法重构。实验仿真得出,在分块压缩感知的基础上,混沌系统构造的测量矩阵与一般随机测量矩阵重构效果类似,所构造混沌测量矩阵是确定的、硬件上易于实现。     

基于压缩感知的声纳图像处理

本文利用小波基对声纳图像进行稀疏化,选取高斯随机测量矩阵作为观测基得到其观测值,再利用正交匹配追踪算法(OMP)对声纳图像进行重构。实验结果表明,重构图像质量得到极大提升,其信噪比PSNR得到大幅度提高,为声纳图像的水下传输提供了便利。     

基于粒子群优化算法的一类离散混沌系统的参数辨识

本文将考虑一类含有未知参数的离散混沌系统的参数辨识。通过构造一个辅助系统,选择一个适合的目标函数,基于粒子群优化设计一种算法使得目标函数取得最小值,最终实现参数的有效辨识。文中最后将给出数值例子以说明方法的有效性。     

基于压缩感知下的数字水印算法的研究

如何提高压缩感知下的数字水印的效果一直以来都是水印算法的研究方向。本文提出了基于字典学习的网络自适应稀疏变换方法,该方法构建自适应最优稀疏变换基,在字典学习问题中引入网络数据稀疏基的可压缩约束,以满足水印图像数据处理特点及稀疏变换的高实时性要求,通过在水印的嵌入和提取中运行改进后压缩感知算法在鲁棒性和隐蔽性等方面都取得了比较好的效果。仿真实验说明本文的算法具有很好的可行性。     

基于二维Havrda-Charvat熵与混沌粒子群优化的图像分割

图像分割是目标识别与跟踪的基础,为了精确地实现目标分割,提出了二维Havrda-Charvat熵红外图像分割方法。利用图像的二维直方图,二维Havrda-Charvat熵分割方法不仅考虑了图像像素的灰度信息,而且还充分利用了像素的空间邻域信息,能取得比一维熵方法更好的分割结果。为了降低二维熵阈值搜索时间及准确地获得最佳分割阈值,设计了基于Kent映射的混沌粒子群优化算法。在红外小目标图像上的实验结果表明,提出的方法能获得比较好的分割结果,同时大幅度降低了CPU计算时间,与其它方法的比较也说明了所提出方法的有效性。     

基于免疫网络粒子群的混沌系统自抗扰优化控制策略

基于免疫网络粒子群算法设计了一种新的自抗扰控制器模型,克服了困扰自抗扰控制器参数优化整定的难题,实验结果表明新自抗扰控制器具有寻优精度高、响应速度快和抗干扰能力强的特点。     

动态整体反恶化混沌粒子群优化算法

为防止粒子群优化算法陷入局部最优,引入混沌和整体反恶化机制,设计了一种整体逐步反恶化的粒子群优化算法公式,提出动态整体反恶化混沌粒子群优化算法,使粒子摆脱局部最优,逐步向全局最优处收敛。采用多个著名标准测试函数进行实验,结果表明本文方法在不同情况下都超越了其他著名粒子群优化改进算法。     

压缩感知理论研究简述

压缩感知(Compressive Sensing,CS)理论是一个充分利用信号稀疏性或可压缩性的全新信号采集、编解码理论。本文系一文献综述,主要阐述了CS理论模型及主要算法、CS理论应用与研究现状。     

混沌粒子群算法在WSN覆盖优化中的应用

研究WSN覆盖优化方面的问题,提高无线传感网络通讯效率。针对无线传感网络节点分布不均匀或者节点失效时,WSN覆盖区域会出现重叠或者指定区域没有被覆盖,造成无线传感网络通讯效率下降的问题,提出了利用一种混沌粒子群算法,根据无线传感网络相关参数和条件建立数学模型,利用优化处理方式对其进行优化,提高了通讯效率。实验证明,利用混沌粒子群算法进行WSN覆盖优化,可以提高无线传感网络优化效率,取得了令人满意的效果。     

混沌粒子群算法在数据库查询优化中的应用

查询计划的一棵左深树看作是一个粒子,对于左深树上的连接操作后序遍历生成一个编码,对粒子群进行速度和位置更新操作,并通过引混沌搜索机制,对粒子进行混沌扰动,保证粒子群个体的多样性,最后通过粒子间的信息共享与传递找到最优数据库查询优化方案。     

基于网格编码量化的压缩感知量化问题研究

压缩感知理论提出至今,学术界对其理论研究取得了重大的成果,并将其应用于各个领域。本文主要研究其量化方式,将网格编码量化(TCQ)方法应用于压缩感知的信号量化过程,基于压缩感知理论获取采样信号,采样信号运用网格编码量化方式量化,解码端对信号重构,重构使用2D正交匹配追踪算法。实验结果表明,该方法可以减少图像压缩时间,不影响压缩图像的质量。     

基于压缩感知理论的图像水印算法

水印技术是保障图像安全的一项重要技术,为了克服当前图像水印算法存在水印信息嵌入量小、抗攻击鲁棒性差的缺陷,设计了基于压缩感知理论的图像水印算法。首先采用小波变换对原始图像进行预处理,分解为不同频率的子图像,并采用压缩感知算法对高频子图像进行压缩处理,提高图像传输效率;然后采用混沌系统对水印信息进行处理,产生水印序列,并将水印序列嵌入到低频子图像中,最后采用小波变换对嵌入水印的低频子图像和压缩后的高频子图像进行融合,得到嵌放水印的载体图像,并可以采用压缩感知理论的重构算法提取水印信息。与数字图像水印算法进行了对比测试,结果明,本文算法大幅度改善了水印信息的嵌入量,嵌入水印合的载体具有良好的透明性,而且对各种攻击具有较好的鲁棒性,具有十分显著的优势。     

基于压缩感知理论的图像压缩技术探析

伴随着科学技术的发展,图像压缩技术也出现了新的变化。本文以压缩感知理论为基础,对基于压缩感知理论的图像压缩技术的应用进行了探讨。对进一步优化我国基于压缩感知理论的图像压缩技术的理论研究与实践应用有一定的参考作用。     

基于粒子群算法的企业项目群进度优化模型研究

通过层次分析法,计算出项目群中各项目相对于项目群进度优化总目标的权重,进而计算出不同单位约束资源的使用在项目重要性权重约束下,对项目群整体相对进度优化值的影响。引入粒子群算法,设计算法流程,构建约束资源分配模型,对目标模型进行求解,从而实现项目群整体进度的优化。通过算例验证粒子群算法在解决项目群进度优化管理的可行性和有效性。     

基于稀疏压缩感知的医学图像重构算法的研究

为了更好地适应压缩图像技术的发展,针对图像重构对于资源的需求,本文提出了一种基于稀疏压缩医学图像方法,首先描述压缩感知图像中组成部分,然后在稀疏变换方面引入了字典学习概念,同时引入SCAD函数,有效提高了稀疏变换的要求,对于图像的降噪具有一定的促进,在重构算法部分引入了加权系数概念,使得改进后的算法使得回复重构具有更强的约束,通过测试函数证明,本文的算法在医学图像具有比较好的压缩效果,优于传统的重构算法。     

基于粒子群算法参数优化方案的研究

演化算法被广泛应用于求解NP类组合优化问题。其中粒子群算法因其算法易于实现且效果显著,自其诞生以来就成为研究的焦点。在算法的实际应用过程中会遇到如何兼顾算法收敛高效率和避免过早收敛于局部最优这两种相互博弈的算法优化因素。针对这一问题本文对两种粒子群算法的参数优化方式进行比对,提出了未来算法参数优化的研究方向。