基于ARM和FPGA的视频监控系统设计

设计并实现了一种基于ARM+FPGA的视频监控系统,以ARM9处理器为主控制器,FPGA为协处理器,构造ARM与FPGA间的高速数据传输通道和基于Linux的轻量级的图形驱动,完成实时视频采集和显示。实验结果表明,该设计能够流畅播放PAL/NTSC两种制式视频信号,具有良好的扩展性、稳定性和较快的响应速度。     

基于AdaBoost的组合网络流量分类方法

针对单一分类方法在训练样本不足的情况下对于小样本网络流分类效果差的特点,通过自适应增强(Adaptive Boosting,AdaBoost)算法进行流量分类。算法首先使用CFS(Correlation-based Feature Selection)特征选择方法从大量网络流特征中提取出少量高效的分类特征,在此基础上,通过AdaBoost算法组合决策树、关联规则和贝叶斯等5种单一分类方法实现流量分类。实际网络流量数据测试表明,基于AdaBoost的组合分类方法的准确率在所选的几种算法中是最高的,其能够达到98192%,且相对于单一的分类算法,组合流量分类方法对于小样本网络流的分类效果具有明显提升。     

基于流量负载的改进型几何抽样算法

为了解决在流量高峰时期网络节点由于超负荷工作导致报文丢失的问题,在几何抽样的基础上,设计了一种能自动适应流量负载变化的抽样算法.该算法在流量高峰时会根据负载情况动态地计算最佳的抽样概率来匹配节点的处理能力从而降低节点丢失的报文数,在流量负载轻时会自动地提高抽样概率以充分利用节点的处理性能.通过真实网络流量数据的实验分析表明,改进后的几何抽样算法不仅能有效降低节点丢弃的报文数,同时还提高了网络测量的精度,证明了该改进算法对流量负载具有良好的适应性.     

基于随机森林算法的网络流量分类方法

精确的网络流量分类是实现互联网可控可管的关键,传统的单一分类算法需要构建基于特定假设的某种模型,算法对于待分类数据的分布要求高,不能满足复杂多变的网络流量的分类要求。基于此,采用多决策树组合的随机森林算法实现网络流量分类。通过实际网络流量数据实验表明,在各种情况下,随机森林算法都能显著改善网络流量特别是小比例样本的分类效果,算法降低了单一算法过于依赖特定假设模型的要求,对于待分类样本的分布要求低,随机森林算法具有良好的分类效果和鲁棒性。     

一种基于FPGA的视频播放器

针对视频信号制式多、数据量大、特别是对时序要求严格的特点,设计并实现了一种基于"FPGA+SAA7111A"结构的嵌入式视频播放器。利用现场可编程门阵列(FPGA)的可重构特性,采用一片FPGA同时完成视频解码芯片的配置、图像信号的采集与TFT LCD的驱动控制。经过测试,该设计能够满足PAL/NTSC两种制式彩色复合视频信号的需要,实现较高画面质量的视频播放。