针对油气管道泄漏识别准确率低的问题, 引入数字孪生技术, 构建了基于算术优化算法优化支持向量机(AOA-SVM: Arithmetic Optimization Algorithm-Support Vector Machine)的数字孪生管道泄漏识别模型。 首先利用Ansys 软件构建出油气管道的 3D ROM(3D Reduced Order Model)管道模型; 其次将采集到的管道信号通过 Java接口导入 MySql 数据库, 进而将数据导入 3D ROM 管道模型中; 最后将 AOA-SVM 算法在 Matlab 环境中进行管道信号的工况识别, 并通过 Twin builder 软件将其识别效果以动态形式展现。 为体现 AOA-SVM 工况识别能力的优越性, 在相同信号的基础上, 与其他支持向量机( SVM: Support Vector Machine) 优化算法进行了对比。对比结果表明 AOA-SVM 具有最高的分类准确率, 分类准确率可达到 90. 5% , 即所提数字孪生的识别模型不仅可以模拟管道的泄漏情况, 而且监测可信度较高。

为解决算力有限的车联网无法承担大量实时任务计算的问题, 利用移动边缘计算技术(MEC: MobileEdge Computing)将车辆任务卸载到边缘服务器进行计算, 同时提出了一种基于改进灰狼算法(I-GWO: ImprovedGrey Wolf Optimizer)的车辆任务整体卸载的时延和能耗联合优化方案。 首先, 确立以计算时延、 能耗以及边缘服务器计算资源为约束的计算卸载模型, 并提出一个以最小化系统总消耗为目标的卸载优化问题; 其次,对灰狼算法(GWO: Grey Wolf Optimizer)进行改进, 提出 I-GWO 算法, 并利用该算法求解优化问题。 仿真结果表明, 所提方案能有效降低系统总消耗, 且 I-GWO 的收敛性能相对于 GWO 有很大提升。

针对磁测量技术高精度、 高分辨率的需求及弱磁测量技术性能指标的提升问题, 基于磁通电磁感应原理, 利用集成磁通门芯片,设计了一种可用于微弱磁场三维矢量场的传感器组件结构。 研究了微弱磁场发生装置的线圈电流、温度、环境电路对微弱磁场的影响。 利用Ansys仿真软件分析计算了磁场线圈的三维分布特性,确定了随机空间测试点的磁场强度和方向。 利用COMSOL物理场计算软件进行了线圈电流热耗散的分析。 实验结果表明,测试数据与仿真结果基本一致,从而确定了微弱磁场发生装置的激励电流条件。 同时, 精确测量了不同经纬度地磁场的磁场矢量分布和变化。 实现了任意闭合曲线的矢量20000个空间点的磁矢量积分, 从而在实验上验证了静磁场的旋度定理。

为解决油气物联网的能量限制问题,引入能量采集技术,提出一种基于数据重要等级的油气物联网能量管理算法。 该算法根据能量阈值切换传感器节点的工作模式,在能量受限的情况下基于数据的重要等级考虑是否进行数据传输,避免重要数据的延迟。 并且该算法基于节点能量采集和能量消耗的比率、节点的剩余能量选举簇头,以达到在保证重要数据传输的同时延长网络寿命的目的。 仿真结果表明,所提方案可以同时延长网络寿命和提高能源效率,并显示出优于现有方案。

针对自动驾驶多城市场景决策的灾难性遗忘问题,提出基于持续强化学习的自动驾驶决策框架。 该方案 以IMPALA(Importance Weighted Actor-Learner Architecture)算法为基础架构, 首先融合共同注意力感知模块, 通过跨场景特征交互提取重要环境表征;然后搭建自激活神经集成架构,实现知识模块的自主激活;进而采用回放机制,结合场景特征和历史轨迹经验回放缓解旧知识的遗忘问题。 其中采用离策略行为克隆和在策略学习共同维持决策算法的可塑性和稳定性。 根据不同自动驾驶场景任务需要确定是否使用旧模块或生成新模块, 并通过融合模块解决占用内存过高的问题。 针对两组多城市场景进行消融实验和对比实验,通过对比路径完成率以及累积奖励验证方法的性能。 实验结果表明,在第1组顺序场景任务中的平均完成率达到85% 左右, 在第2种顺序场景中的平均完成率达到81.93%。 该方案能有效缓解多城市场景持续决策中的灾难性遗忘问题,并且取得更好的平稳驾驶性能。

针对现有抽油机故障诊断多数基于示功图数据, 导致其诊断模态相对单一的问题, 提出一种 ShuffleNetV2ECA-MLP(ShuffleNetV2 with Efficient Channel Attention and Multilayer Perceptron)多模态决策融合的抽油机故障诊断模型。 为提高ShuffeNetV2 模型跨通道交互能力和识别精度, 首先将轻量通道注意力ECA (Efficient Channel Attention)模块引入 ShuffleNetV2 模型中, 应用 Hardswish 激活函数增强网络学习复杂问题的能力; 其次利用改进后的ShuffleNetV2 网络对示功图诊断, 同时利用多层感知机(MLP: Multi-Layer Perceptron) 网络处理生产动态数据; 最后采用加权投票方法整合两个模型的诊断结果。 为验证改进ShuffleNetV2 和 ShuffleNetV2ECA-MLP 模型有效性, 与轻量级卷积网络 MobileNetV2、 MobileNetV3、 经典卷积网络 ResNet 以及 VGG(Visual Geometry Group)网络模型进行对比。 实验结果表明, ShuffleNetV2ECA-MLP 模型的存储空间仅为 10. 16 MByte, 故障诊断精度达到95.35%, 能更好满足抽油机故障诊断需求。 

针对传统调度方法在电能计量设备检测调度中存在的稳定性不足、泛化能力弱及受设备配置影响等问题, 提出了GNN-RL(Graph Neural Network-Reinforcement Learning)检测调度模型。 该模型将调度问题视为马尔可夫决策过程,首先构建电能计量设备检测调度的图结构模型,然后通过改进的图神经网络提取问题特征并传递给动作选择网络以生成决策,最终将决策结果分配给机器执行。 调度结束后,模型收集反馈信息以训练强化学习模块中的调度策略。 在训练阶段, GNN-RL优化了消息传递机制, 采用与调度目标紧密相关的损失函数,并动态调整学习率。 同时,还引入多任务学习框架处理任务分配和时间调度。 实验结果表明,GNN-RL 在寻优能力、求解精度和稳定性方面优势明显,对电能计量设备检测调度问题的求解具有显著优势,明显提高了问题求解的效率和可靠性。 

针对永磁同步电机滑模控制的非线性和滞后控制问题,在分析了滑模控制各参数在不同阶段具有弱联系的基础上,提出了模糊参数整定策略,在降低超调和抖振并具有一定的抗干扰能力的基础上,简化控制的复杂度。 研究滑模电机控制过程中各参数的主要作用以及参数间的相互联系,将模糊逻辑控制与指数趋近率相结合,利用模糊控制对滑模参数的变化进行整定, 推导出模糊趋近率,消去了常速度项。 该设计方法简化了滑模参数调节的复杂度,考虑系统的调节能力, 使设计和调控更加真实、方便。 对比传统永磁同步电机滑模控制, 仿真结果表明,利用模糊控制对滑模参数进行整定而设计的转速环控制器,超调减低21.86%, 启动 时间降低0.038 s, 在降低抖振时,可有效消去抖振尖峰波,应对负载突变时,转速跌落降低7.31%,调节时间 降低0.010 s, 验证了文中参数整定的可靠性和优越性。

针对基于静态场景特征进行相机位姿估计的即时定位与地图构建(SLAM: Simultaneous Localization and Mapping)技术, 在其前端的特征计算和匹配的过程中易受到动态物体干扰的问题, 提出了实例分割结合多视几何约束的方法,以改进视觉SLAM的前端特征处理, 剔除动态信息的干扰。 在ORB-SLAM3(Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping3) 框架的前端, 并行 YOLACT++(You Only Look At CoefficienTs++)实例分割线程, 将分割后的结果使用多视几何约束的方法补充检验特征点动态一致性; 运用 EfficientNetV2网络替换 YOLACT++原来的主干网络, 并使用 TensorRT 量化实例分割模型, 以减轻算法的前端计算压力。 经TUM(Technical University of Munich)数据集测试结果表明, 该算法在高动态环境下的定位精度较 ORB-SLAM3 算法平均提升了80.6%。

为提高安全帽佩戴检测模型的效率和准确性,提出了LFE-Y8(LightConv, Focal Loss and EMA Attention- You Only Look Once version 8)模型。 该模型采用 Focal Loss 损失函数, 解决了样本类别不平衡的问题; 通过 LightConv 轻量卷积优化原有模型, 提升了特征提取能力;为了更好地关注小目标,融合了跨空间学习的高效多尺度EMA(Efficient Multi scale Attention)注意力机制。 实验结果表明, LFE-Y8 模型相比于改进前的 YOLOv8 模型,有效提升了安全帽佩戴检测的准确性,改进后的算法精准率提升了0.6%,召回率提升了2.1%,mAP@ 50 提升了1.2%, mAP@50-95 提升了1.5%, 证明了LFE-Y8 模型在实际应用中的有效性

针对多输入多输出认知物联网(C-IoT:Cognitive Internet of Things)系统中出现的高能耗问题, 提出了一种基于智能反射面(IRS: Intelligent Reflecting Surface)辅助的联合波束形成优化算法。 以次用户处的信干噪比和 IRS 处的离散相移为约束条件,构建新的优化准则,通过联合优化次发射机处的主动波束形成矩阵和IRS处的被动波束形成矩阵最大化系统的能量效率。 将复杂的非凸优化问题分解为子问题,分别使用定点迭代法和逐次细化法对子问题进行处理。 仿真结果表明, 在多天线场景下所提算法具有良好的收敛性。 与基准方案相比, 所提算法在多用户情况下有效提高了系统的能量效率。

针对现有深度强化学习方法在训练智能体时,常因采集数据泛化性不足导致智能体应对多变运行条件时泛化能力受限的问题,首先提出一种基于大模型辅助深度强化学习的配电网区域电压优化控制策略,将大模型技术与深度强化学习相结合;其次,通过提示工程引导大语言模型(LLM:Large Language Model)生成用于深度强化学习智能体训练的定制化数据集,构建多智能体协同决策框架;然后,基于分布式部分可观测马尔可夫过程建模动态控制问题,在减少对现实数据依赖的同时提升智能体泛化能力;最后,在改进的IEEE33节点 系统上验证了所提控制策略的有效性。 结果表明, 电压偏差与网络损耗分别降低60.82%和49.91%, 并在多种运行条件下表现出较强鲁棒性。

针对邻和可区别全色数猜想的问题,利用组合零点定理分析了极小反例图的结构,并应用权转移方法证明了最大度Δ>=8且不含相交三角形的IC-平面图的邻和可区别全色数不超过Δ+3。 研究结果表明,邻和可 区别全色数猜想在这类图上成立。

针对现有的人体姿态估计方法在动作评判场景下的准确度有待提高,并且方法依赖于高性能计算设备, 在边缘计算设备上的推理速度有待增强的问题,对经典的高分辨率网络模型进行了轻量化改进,同时针对动作评判场景中频繁出现的遮挡问题,对数据集中的图片进行随机擦除,增强算法鲁棒性。 实验对比表明,该改进方法在保证姿态估计准确率的同时,显著降低了模型的参数量,提高了模型的推理速度,并且算法对遮挡问题表现出更强的鲁棒性。 改进的方法能满足动作评判场景的需要。

在实际选矸场景中,煤与矸石紧密接触,机械爪难以精确抓取矸石,为提高复杂工况下的机械爪抓取可靠性, 提出了一种基于语义分割的多目标小间隙煤矸识别方法。 使用FCN(FullyConvolutional Networks)算法对煤矸石进行识别,并对FCN进行改进,添加FPN(Feature Pyramid Network)模块和采用Dice Loss 替换原交叉熵损失函数。 首先对采集的1202张初始图像使用labelme对煤矸石图像进行标注, 采用限制对比度自适应直方图均衡化算法(CLAHE:Contrast Limited Adaptive Histogram Equalization)对煤矸石图像进行增强; 然后通过对比试验, 分析了不同语义分割算法和迁移学习策略在煤矸图像分割任务中的表现。 实验结果表明,采用ResNet50 作为特征提取器的全卷积神经网络FCN-ResNet50-FPN的识别性能最佳, 精确率、 召回率、 F1 分数、 平均交并比分别为95.0%、95.4%、95.2%、90.9%。 经迁移学习后, FCN-ResNet50-FPN 的识别性能得到明显提升, 改善了小间隙处识别,为选矸机器人精确抓取提供了可靠信息。

针对复杂背景下的图像可能包含大量干扰信息,难以精准提取图像特征矢量的问题,提出了复杂背景下无线传感器网络图像显著性目标辨识算法。 利用均值漂移算法聚类目标后实现图像分割,获得若干块分割图像特征矢量。 通过融合规则处理图像金字塔各层塔形,结合图像金字塔序列实现图像重构。 根据图像重构结果与直方图统计确定像素点的图像显著性,通过像素次序扩展与排序实现图像显著性目标辨识。 实验结果表明, 所提算法能准确辨识复杂背景下无线传感器网络图像显著性目标, 且画面纹理细节清晰, 实际应用效果好。

针对数据在存储过程中可能会被非法分子篡改,导致数据泄露、损坏等安全问题,为确保数据的安全性, 进一步提高云数据的防篡改能力, 提出多区块链下云数据防篡改存储算法。 通过分析多区块链网络的结构, 设计了基于区块链技术的云数据分布式存储架构;通过数据层、应用交互层、合约层与职能层设计了云数据访问控制模型,以此提高云数据分布式存储的安全性;在数据加解密过程中结合Hash算法和非对称加密算法加解密处理“随机数+云数据冶的组合数据, 以此避免节点私钥泄露云数据被替换和伪造的现象。 实验结果表明, 所提算法对数据的加密和解密处理时间保持在25 ms内,被攻击成功的概率低于40%, 且数据在传输过程中不易被篡改。

针对临床外科多器械协同操作中实时精准跟踪的需求,在基于近红外主动光学追踪系统实现了对多手术器械的准确识别与稳定跟踪。 针对传统算法在多器械识别和标志点跟踪方面的局限性,提出了基于点集匹配的多器械识别方法。 通过将采集图像中的标志点与预先建立的器械模型进行匹配,实现对多个手术器械的准确识别和区分;同时,利用历史跟踪数据和最小二乘法预测标志点位置,提出了一种基于最小二乘算法预测的标志点跟踪方法,实现对手术器械的实时跟踪。 实验验证结果表明,两种方法协同使用可实现多手术器械的准确识别(首帧识别率100%)与稳定跟踪(整体识别率97.45%), 在保证跟踪精度的同时满足手术实时性要求, 能为外科医生提供清晰的器械空间位置信息, 支持精准操作, 对提升手术安全性与可靠性具有重要意义, 可为近红外光学手术导航系统的临床应用提供技术支撑。

针对云计算环境中存在多租户、多级安全需求等复杂场景,现有访问控制策略难以满足不同用户和应用的需求,导致资源访问安全性较低, 且加解密时消耗时间较长的问题, 将密文策略的属性基加密(CP- ABE: Ciphertext-Policy Atlribute-Based Encryption)与非对称加密(RSA: Rivest-Shamir-Adleman)相结合, 对云计算资源分级访问控制进行了研究。 建立CP-ABE访问控制架构, 并制定加密访问策略。 在上述内容支持下, 利用云计算资源分级访问相关信任值明确访问信任关系, 获得访问主体与客体资源的信任度。 结合计算所得信任值对用户进行分级授权,以满足多租户、多级安全需求。 最后根据用户身份分级授权的结果,采用 RSA 算法替代CP-ABE复杂的双线性映射进行加解密, 实现资源分级访问精准控制, 降低加解密时间消耗。 实验测试结果表明,所提方法并发连接数可达400,分级访问过度授权率最大值为6.8%, 且访问控制响应时间可有效控制在6 s以内,能有效满足多租户、多级安全需求应用场景,具有较好的云计算资源分级访问控制效果。

针对遥感图像聚类去雾处理效果差, 导致图像聚类的聚类精度和Kappa系数较低、 时间较长的问题, 提出了一种基于自适应K-means算法的遥感图像聚类优化方法。 首先,结合暗通道先验估计和颜色线先验估计对遥感图像进行去雾处理;其次,计算去雾后遥感图像的灰度共生矩阵,并获取纹理特征;最后,采用蜂群算法对K-means 算法实施优化, 利用优化后的自适应K-means算法根据纹理特征, 实现遥感图像的聚类优化。 实验结果表明,所提方法可有效消除遥感图像中的云雾,图像细节信息显示清晰,在聚类精度、Kappa系数和聚类时间均表现出良好的性能,聚类精度达到94.9%,Kappa系数为0.97, 聚类时间仅为0.36 s。

为了在海量文库知识图谱中快速提取出关键信息, 提出学术文本关键词文库知识图谱实体关系抽取算法。 通过优化完整策略的模糊C均值聚类(OCS-FCM:Optimization of Complete Strategy Fuzzy C-Means)和弹性嵌入t-分布随机邻域(E-t-SNE: Elastic-embedding t-Distributed Stochastic Neighbor Embedding)算法分别对文库中的关键词实施缺失值填补和降维,以学术文本关键词文库中的实体作为顶点,建立知识图谱。 根据关键词的词性等特征, 基于自注意力机制算法构建自注意力双向长短期记忆网络(SelfATT-BLSTM: Self-Attention Bidirectional Long Short-Term Memory)模型对知识图谱中的实体关系进行抽取, 并获取实体抽取后的结果。 实验结果表明,所提算法的采集精度始终在0.8以上,准确率(ACC:Accuracy)值高于30%,抽取时间未超过1.5 s, 具有良好的实体关系抽取能力。 在实体抽取过程中拥有极高的准确度和效率。

针对复杂场景下视频异常检测问题, 提出了基于改进对抗生成网络(GAN: Generative Adversarial Network)的视频异常检测框架。 利用两个判别器对生成器进行对抗训练,并通过回归损失函数增强双向预测的 一致性。 生成器为使用FusionNet和LSTM(Long Short Term Memory)构建的时空特征融合网络, 取正向和反向的视频序列为输入,并分别输出预测视频帧和序列。 两个判别器均采用PatchGAN架构,帧判别器用于区分合成帧, 序列判别器用于判别帧序列中是否包含至少一个合成帧,以保持时间一致性,提高预测网络的鲁棒性和准确性。 最后,基于PNSR(PeakSignal to Noise Ratio)均值归一化完成异常得分计算。 实验结果表明,所提框架能很好地捕捉视频序列中的双向时空特征,并在难度较大的视频异常检测公开数据集UCF-Crime(University of Central Florida Crime)和 ShanghaiTech 上均取得了优于其他先进方法的性能。

针对跨媒体知识文本分类涉及多种类型的数据,并且其间的差异性和异构性增加了分类的复杂性,使 大量跨媒体知识文本中难以精确寻找资料的问题,提出融合多模态信息的跨媒体知识文本分类算法。 利用词频-逆文档频率(TF-IDF: Term Frequency-Inverse Document Frequency)算法, 过滤处理文本中的停用词, 提取文本特征,并将其与图像文本特征相融合; 利用朴素贝叶斯分类器,判断跨媒体知识文本类别的归属,实现知识文本分类。 通过实验分析结果表明,所提文本分类算法显著提升了跨媒体知识文本分类的性能和效率,使分类结果更加准确,查准率高达95.12%,漏检率维持在10%以下。

针对区域经济数据来源多样,并且数据格式、结构和语义存在显著差异,难以统一处理,导致数据特征量的提取难以精准实现及数据分类结果不准确的问题,提出了基于并行聚类算法的区域经济大数据集成分类方法。 基于区域经济大数据的特性,计算数据的纯度和邻域半径,确定区域经济大数据的缺失值,并对其进行修正填充。 基于填充后的数据,利用并行聚类算法,将其随机划分为多个数据子集。 并行聚类算法利用多节点并行处理,显著提升计算效率,满足大规模数据处理需求。 提取每个数据子集的特征量,进而设计大数据基分类器。 在考虑基分类器内部数据密度的前提下,确定每个基分类器的权重值,将每个基分类器的分类结果进行组合, 输出最终的数据集成分类结果。 实验结果表明, 设计的分类方法在实际应用中DBI(Davies-Bouldin Index)指数为0.31, 并能实现准确的区域经济大数据分类。

针对多源异构数据会包含敏感信息和个人隐私信息,使数据泄漏风险增加的问题,提出了基于核极限学习机的多源异构数据安全聚合算法。 利用偏最小二乘算法提取多源异构数据特征,通过引入核函数对极限学习机实施优化,并将获得的数据特征输入核极限学习机中完成数据按类聚合。 采用椭圆曲线加密算法对聚合后数据实施加密,提高数据的安全性,从而达到多源异构数据安全聚合的目标。 实验结果表明,该算法的多源异构数据聚合精度高、数据加密性能好,可以在实际中得到广泛应用。

针对保证智能电网终端用户敏感数据的机密性和完整性问题,提出一种智能电网终端用户敏感数据安全聚合算法。 首先优先建立一个适用于智能电网终端用户敏感数据采集、传输和处理的雾计算体系架构。 然后在智能电表终端将采集到的用户敏感数据通过形成和分发密钥完成敏感数据加密,将加密后的数据通过雾节点细粒度聚合和云节点粗粒度聚合实现聚合,并将得到的云节点粗粒度聚合数据集利用安全传输通道传输至电力服务机构。 最后通过解析存储于云端的全部细粒度聚合数据,可获取对应的聚合数据明文,实现智能电网终端 用户敏感数据安全聚合。 实验结果表明,所提算法在进行敏感数据安全聚合时的通信开销在100 kByte以下,且聚合时间较短,同时对不同类型的敏感数据的完整保护性在0.8以上,表明所提算法具有较高的实用性。

针对多帧影视图像实时跟踪中存在提取准确性低、跟踪效果差等问题,提出了基于视觉传达效果的图像特征实时跟踪算法。 通过计算候选目标状态的似然函数获取多帧影视图像中的有效目标,并利用视觉传达效果的增强处理去除图像中的噪声和伪影等,提升有效目标的可识别性。 考虑到多帧影视图像的实时跟踪要求, 在多帧影视图像增强后,通过粒子群算法对多帧影视图像特征的加权,提高显著性特征的权重,有效地突出跟踪目标,实现多帧影视图像特征的实时跟踪。 实验结果表明,经所提方法处理后,图像信噪比可达45 dB, 且跟踪目标的位置与原标记位置相对一致,同时目标辨识率、召回率和综合评估指数均保持在0.9以上。 表明 所提方法能过滤目标图像背景和周边杂波的干扰, 精准获得目标特征点, 可以实现多帧影视图像的特征实时跟踪。

针对在低照度图像中,有效信号与随机噪声在变换域中呈现相似的稀疏分布,去噪后的图像容易出现阶梯效应或伪边缘,进而产生噪声伪影,降低图像质量的问题,提出一种在线字典学习算法下低照度图像平滑去噪方法。 对低照度图像实施灰度变换,降低图像随机噪声。 设计一种自适应低照度图像块划分策略,根据灰度变换后图像局部亮度信息和纹理特征,动态调整图像块大小,得到图像细节和结构信息。 创建在线字典学习模型, 稀疏表示划分后的图像块,通过实时更新字典动态捕捉噪声和细节特征的时变特性,自适应地分离有效信号与噪声,在保留信号结构的同时抑制噪声伪影,解决低照度图像中相似稀疏分布导致的阶梯效应和伪边缘问题, 实现低照度图像平滑去噪。 实验结果表明,所提方法具备极强的鲁棒性,能有效抑制低照度图像噪声, 图像峰值信噪比和结构相似性得到显著提高。

考虑到遥感影像的大规模和高维特征,复杂遥感应用过程需要进行合适的特征提取和选择,同时进一步区分同类目标的不同子类别,为此,提出改进残差网络(ResNet: Residual Network)算法的复杂遥感背景目标细粒度识别方法。 使用非均值滤波算法标记带噪遥感图像的坐标域,计算像素点之间相似度,对复杂遥感图像进行去噪。 基于去噪结果,提取图像全局、局部特征点,通过特征点融合结果获取全局、局部特征图。 引入改进残差网络算法,分析每个背景图像块区域像素细粒度,经过残差学习后,结合图像像素位置与损失函数, 二次利用分类器确定像素细粒度特征,完成背景目标细粒度识别。 实验结果表明,图像清晰度较高,随着待识别图像的不断增加,F1 -Score与全局召回率都得到了不同程度的改善,增益误差较低。

为提高患者医疗隐私信息的安全性与保密性,提出了基于混沌映射和RC5(Rivest Cipher5)算法的医疗隐私信息安全加密方法。 采用PCA(Principal Component Analysis)方法对医疗隐私信息数据进行数据维规约处理, 完成医疗隐私信息数据的降维。 通过RC5分组密码算法,对降维后的信息数据密钥进行初始化、转换和混合, 实施医疗隐私信息的安全加密。 利用双混沌系统加密算法(EDC: Enhanced Dual Chaos), 并结合一维Logistic映射的优质性能和二维Henon映射, 完成医疗隐私信息的二次加密。 实验结果表明, 所提方法的加密效率较高,信息泄露率较低,抗攻击性能较强。

为解决含污渍财务票据信息识别时因局部信息缺失或误判导致识别失败的问题,提出了一种新的财务票据图像污渍干扰下关键信息精准识别方法。 通过对图像的灰度和去噪整合,按照阈值大小,划分票据区域, 实现二值化处理。 利用感兴趣区域(ROI: Region of Interest)原理, 在二值化处理后的图像中进行信息范围的粗筛选,测算出最大包覆轮廓和关键信息粘连区域, 并对其进一步分割与边缘标定,依托于ROI比例,定位关键信息区域。 提取关键信息区域的特征,以端到端的方式结合特征建立分类标签,在覆盖识别区域中按照标签梯度搜索,完成识别目标的捕捉。 实验结果表明,所提方法得出的检索率80% ~100%之间,应用效率大幅度提升,性能优越可靠。