为了提高运动目标轨迹分类的准确性，该文综合考虑了轨迹的位置信息和方向信息，提出了一种结合Hausdorff距离和最长公共子序列(Longest Common SubSequence, LCSS)的轨迹分类算法。该算法首先采用改进的Hausdorff距离对轨迹的位置信息进行相似性测量，然后采用改进的LCSS算法对轨迹的方向信息进行相似性测量。与其他轨迹聚类算法不同，该算法融合了Hausdorff距离和LCSS两种算法的优点，提高了轨迹分类的准确性。此外，为了进一步降低计算复杂度，该文还实现了一种基于插值的保距变换算法和一种LCSS快速算法。实验结果表明，该轨迹分类算法可以明显提高轨迹的聚类准确率，聚类准确率可达到96%；基于插值的保距变换算法和LCSS快速算法可以很大程度上降低算法的计算复杂度，下降幅度最大可达到80%。该方法可以同时满足轨迹分类对精确度、实时性和鲁棒性的要求。
针对数字图像可逆水印的高嵌入容量和不可见性的权衡问题，该文提出一种基于分块自适应压缩感知的可逆水印算法(Reversible Watermarking Algorithm Based on Block Adaptive Compressed Sensing, BACS-RWA)。该算法对载体图像分块，利用周围块与目标块的统计关系判断块类型，自适应地选择容量参数进行分块压缩感知，并利用整数变换嵌入水印；为提高水印嵌入容量将水印嵌入到经压缩感知后的平滑和普通载体图像块中，复杂载体图像块不做处理，以确保图像质量和不可感知性；采用分块压缩重构算法和可逆整数变换来恢复载体图像。通过对不同纹理图像实验并与同类算法对比，结果表明：当以Plane为载体图像时，最佳嵌入容量达1.87 bpp。分块自适应压缩感知理论的引入使算法具有良好的综合性能，在提高嵌入容量的同时，又能有效地降低嵌入数据后对原始图像质量的影响。
利用单片探测器获取彩色图像，插值算法的优劣对结果起着决定性的作用。为了改善恢复效果，该文设计了一种基于字典学习的非线性Bayer格式图像彩色插值算法。根据图像梯度的变化，首先，在上下左右方向利用局部方向插值方法(LDI)对Bayer格式图像进行合并计算，用高斯混合模型(GMM)分类法训练字典，运用主分量分析(PCA)方法提取训练结果中的主要分量为学习提供样本，通过学习，得到R,B通道缺失的G^分量。然后，应用G^分量，插值得到另外两种缺失分量R^和B^，从而得到彩色图像。选取McMaster图像集作为字典，分别用算法对标准图像和使用DALSA公司彩色CMOS探测器开发的相机实际拍摄的图像进行插值恢复，较其它几种算法，视觉上伪彩色最少，峰值信噪比最优。整体性能优于现有的很多其它插值算法。
该文将压缩感知(CS)中信号的重构问题归结为求解l0-正则化问题，针对l0-正则化问题求解比较困难，提出了快速交替方向乘子法(FADMM)。该算法首先将信号的稀疏域的l0-正则化问题通过变量分裂技术转化为约束优化问题；然后引入乘子函数，采用一步Gauss-Seidel思想，对优化问题中的变量极小化；为了加快算法的收敛速度，对变量进行了二次更新，并更新了乘子；最后进行反正交变换，实现对原始信号的重构。将FADMM应用于含噪声图像的重构，进行了仿真实验及对实验结果进行了分析。实验结果表明：FADMM具有更高的峰值信噪比(Peak Signal to Noise Ratio, PSNR)和更快速的收敛速度。
天基传感器的系统偏差妨碍了对来袭目标的准确识别与定位，而该系统偏差修正存在着其特有的难点：无法现场调试及系统偏差随着轨道变化导致卫星温度冷热交替呈周期性变化。该文结合卫星姿态确定系统，首先利用光电传感器获得恒星的星光矢量测量值并时刻监测星光矢量与导航星表中预期值的偏差；其次在获得系统偏差测量值基础上推导了偏差模型，设计了基于BCSRF(Bias Corrected Shift Rayleigh Filter)自由段弹道目标跟踪滤波器。仿真实验表明该滤波器能够实现在线定标功能，同等条件下与传统的交叉定位和UKF(Unscented Kalman Filter) 滤波方法相比，有效提高了自由段弹道目标的跟踪精度。
无线传感器网络中的隐私保护技术已经成为研究热点，其中具有隐私保护能力的最值查询处理技术已经成为富有挑战性的研究问题。该文提出一种基于Zero-One(Z-O)编码的两层WSNs隐私保护最值查询处理(ZOPPM)协议。该协议通过引入Z-O编码技术，并结合Hash消息身份验证编码机制，对感知数据进行编码处理，然后由感知节点将编码数据发送至存储节点，与此同时，感知节点根据存储节点需求计算并传送加密数据；存储节点利用Z-O编码的数值比较特性，实现在无需感知数据明文参与下的数值线性关系比较，进而构造局部查询结果并发送给Sink，由Sink完成最终的最值查询结果计算。理论分析和实验结果表明，ZOPPM协议能够确保感知数据和最值查询结果的隐私安全性，并且其能耗优于现有的方法。
动态网络社团结构挖掘有助于获取整体网络特性和发展规律。由于动态网络具有多个时刻，传统静态网络社团挖掘算法不仅容易在相邻时刻产生具有较大差异的社团划分结果，而且导致较高时间复杂度。虽然最近受到广泛关注的动态网络增量算法可以一定程度上降低算法时间复杂度，但普遍存在人工设定参数、可扩展性差等局限性。该文提出一种随机游走与增量相关节点相结合的社团挖掘算法(RWIV)进行动态网络社团挖掘。利用动态网络时间局部性即相邻采样时刻网络变化不大的特点，通过对增量相关节点进行随机游走聚类后社团划分，避免了对整个网络中的节点全部重新划分。实验结果和分析表明：RWIV算法可有效解决IC(Incremental algorithm for Community identification)和IDCM(Increment and Density based Community detection Method)判定参数难以选定、累积误差及网络突变等问题，其社团挖掘效率高于现有IC和IDCM算法。
中国科学院电子学研究所,
北京市2702信箱,
邮编：100190
电话：010-58887066
传真：021-64253812
Email：
[email protected]
北京仁和汇智信息技术有限公司
