基于两步迭代收缩法的多稀疏空间图像快速重构方法

由于多稀疏空间图像重构时,像素范围选取过大、峰值信噪比低以及重构时间长,导致图像重构方法存在重构效果差的问题,提出基于两步迭代收缩法的多稀疏空间图像快速重构方法。明确多稀疏空间图像重构存在的问题,在明确问题后,以迭代收缩阈值算法为基础,引入迭代加权收缩算法,结合每一轮迭代结果作为初值,完成图像重构的两步迭代收缩法设计,实现多稀疏空间图像快速重构。实验结果表明：应用该方法后的重构多稀疏空间图像峰值信噪比达到37.9 dB以上,图像重构时间仅为16.0 ms,图像结构相似性达到了0.98以上,并且重构多稀疏空间图像的效果更好,经过实验分析证实了所提方法具备可行性。     

基于弱关联挖掘的网络取证数据采集系统设计与实现

对海量网络日志和服务器数据进行数据挖掘,获取网络取证,在分析犯罪证据方面具有较大的应用价值。传统的数据采集系统,主要增加对网络取证数据进行滤波处理模块,增加采集系统采集的准确率,存在采集时间长、效率低的问题。提出基于弱关联挖掘的网络取证数据采集系统设计方法,对网络取证数据采集系统的总体设计描述与技术指标分析。并以此为基础,设计基于弱关联规则特征提取的网络取证数据挖掘算法,实现网络取证数据的准确检测和采集。在嵌入式Linux平台上进行网络取证数据采集系统的软件开发和系统设计。实验结果表明,采用该系统对网络日志和服务器数据中犯罪证据进行取证采集,其可靠性较高,取证数据采集精度高于传统方法,展示了较好的应用价值。     

基于SWCNN和双向LSTM的文本情感特征分析方法

针对文本句子中语义角色重叠、高维度文本词向量训练中难以收敛等问题,将情感词标签与卷积神经网络相结合,采用结合情感词的卷积神经网络算法,将词语转为情感标签后与词向量拼接再输入卷积神经网络,将输出的特征再与双向长短期记忆神经网络所获取的特征进行融合,最后通过全连接网络输出情感分类结果。实验结果表明,在微博新冠疫情评论情绪数据集上,本研究所提出的算法模型文本情感特征识别精确度达到89.23%,比其他深度学习算法在准确率上至少提高1.95%,而且训练具有更快的收敛速度,能够为文本情感识别提供一种新的思路与方法。