朱昌明 作品数:16 被引量:12 H指数:2 供职机构: 上海海事大学信息工程学院 更多>> 发文基金: 国家自然科学基金 上海市自然科学基金 中国博士后科学基金 更多>> 相关领域: 自动化与计算机技术 环境科学与工程 理学 经济管理 更多>>
基于密码学的网络金融安全防范措施探讨 2023年 网络金融是网络技术和金融的相互融合,并具有信息化、虚拟化、高效性、经济性、一体化等特征,这在给传统金融业带来发展机会的同时,也蕴含着技术、业务、数据等方面的安全风险。其中,数据的安全风险是金融业普遍面临的问题。为了解决该问题,本文从密码学角度出发,设计一种防范措施,通过认证和加密的方式,在一定程度上控制风险,从而提升网络金融的安全性。 周伊婷 朱昌明关键词:密码学 网络金融 主动三支聚类下的全局和局部多视角多标签学习算法 2021年 为了考虑样本与簇之间不确定的归属关系并衍生全局和局部多视角多标签学习的应用范围,提出一个主动三支聚类下的全局和局部多视角多标签学习算法(global and local multi-view multi-label learning machine with active three-way clustering, GLMVML-ATC)。通过使用主动三支聚类,样本是否归属于一个簇将取决于不确定样本属于核心区域的概率。这使得局部标签关联更可信,能够增强多视角多标签学习机的性能,并加速他们的发展。试验表明,GLMVML-ATC使得分类性能至少提升3%,增加的训练时间不超过7%,更优于典型的多视角、多标签学习机。 朱昌明 岳闻 王盼红 沈震宇 周日贵MIF-CNNIF:一种基于CNN的交叉特征的多分类图像数据框架 2022年 近年来,图像多分类任务和深度学习受到越来越多学者的重视,基于卷积神经网络(Convolutional Neural Network,CNN)的多分类图像数据框架也得到了广泛应用。传统的基于卷积神经网络的多分类图像数据学习(MIF-CNN)普遍存在图像处理复杂、特征维数大、时间复杂度高等问题。针对这一问题,提出了一种基于CNN的交叉特征的多分类图像数据框架(MIFCNNIF)。MIF-CNNIF是一种基于多种特征选择算法得到相交特征并以此交叉特征代替原特征集处理图像多分类任务的框架。在10个多类图像数据集上进行了丰富的对比实验,结果验证了MIF-CNNIF的有效性。MIF-CNNIF的贡献在于:1)使用预先训练好的CNN模型,避免了设置过多参数;2)与MIF-CNN相比,有效降低了特征维度和时间复杂度;3)具有比MIF-CNN更好的平均分类准确率;4)在多分类图像数据集上成功验证了组合特征算法的有效性。 王盼红 朱昌明关键词:卷积神经网络 基于MAML算法的YOLOv3目标检测模型 被引量:2 2022年 作为典型的一体化卷积神经网络,YOLOv3模型的网路传输途径简单,检测速度相对较快,但检测精度较低。当遇到新的目标在训练数据集中存在的样本较少时,模型检测会更加不准确,甚至会出现检测不到的情况。本文基于与模型不相关的元学习算法(MAML)改进了YOLOv3主干网络的结构,使其具有内循环和外循环的梯度下降,在初始参数基础上进行多步的梯度调整,达到仅用小样本数据就能快速收敛的目的。实验结果表明,该方法使得YOLOv3模型的检测精度提升了5.24%,且可以使梯度下降保持稳定,有效地满足YOLOv3模型在小样本数据训练情况下识别目标位置的精准性和泛化性。 沈震宇 朱昌明 王喆关键词:计算机视觉 图像识别 特征提取 目标检测 计算机图形学中仿射变换的教学 被引量:3 2017年 针对计算机图形学中三维立体绘制和变换涉及的数学理论太多、内容抽象、难以理解、难以综合应用的问题,分析三维仿射变换的数学基础、难理解的理论点、综合应用难点,提出浅入深出的理论讲解法,用实践综合和拓展法相结合的方式启发学生对综合变换应用的设计兴趣,为计算机图形学讲授仿射变换的教学者提供教学思路和参考。 章夏芬 朱昌明关键词:计算机图形学 基于核聚类的K-均值聚类(英文) 被引量:1 2017年 为处理线性不可分、结构复杂的数据集,提出基于核聚类的K-均值聚类(Kernel Clustering-based K-means Clustering,KCKC).该方法先在原始空间中对模式进行聚类,再由径向基函数(Radial Basis Function,RBF)核把它们映射到核空间,从而保持大部分模式之间的关系.把提出的方法应用到基于RBF的神经网络(RBF-based Neural Network,RBFNN)、基于RBF的支持向量机(RBF-based Support Vector Machine,RBFSVM)和核最近邻分类器(Kernel Nearest Neighbor Classifier,KNNC)中,结果表明本文提出的算法可以生成更有效的核,节省在核空间中的核生成时间,避免核数目设置的敏感性,并提高分类性能. 朱昌明 张默关键词:核聚类 K-均值聚类 基于一种新的核聚类方法生成RBF核的支持向量机(英文) 2017年 为弥补具有径向基函数(radial basis function,RBF)核的支持向量机(support vector machine,SVM)的不足,即如何获得合适的RBF核并且包含更多的数据信息,提出一个关于核聚类的有效方法。该方法通过关于核数目、中心、宽度的一些公式来生成核。这个生成方法可以容易、合理、优化地获得核。在美国邮政手写数字数据集(记为USPS)和字母识别数据集(记为Letter)上的试验可以验证,具有这些新生成的RBF核的SVM拥有更少更合理的核以及更高的分类性能。通过这个新提出的方法,可以处理更多的大规模分类问题。 朱昌明关键词:核聚类 支持向量机 径向基函数 融合CNN与交互特征的多标签图像分类方法 被引量:1 2022年 图像在日常生活中广泛存在,图像分类具有重要的现实意义。针对当前多标签图像分类中因神经网络模型复杂以及提取到的图像特征信息不足而导致分类准确率较低、计算复杂度高等问题,提出一种融合卷积神经网络与交互特征的多标签分类方法,即MLCNN-IF模型。MLCNN-IF模型主要分成2步,首先参考传统CNN基本结构搭建一个仅有9层的轻量级神经网络(MLCNN),用于处理图像数据并提取特征;其次基于MLCNN提取的特征,通过交互特征方法产生各独立特征的组合特征,以此获得新的更丰富的特征集。实验结果表明,MLCNN-IF模型对比AlexNet、GoogLeNet和VGG16在4种多标签图像数据集上取得了更好的分类结果,其准确率和精准率分别平均提高9%和4.8%;同时MLCNN网络结构相对更简洁,有效降低了模型参数量和时间复杂度。 王盼红 朱昌明关键词:卷积神经网络 图像分类 基于Universum的多视角全局和局部结构风险最小化模型 被引量:1 2018年 为克服传统多视角分类器无法充分最小化结构风险的不足,提出基于Universum的多视角全局和局部结构风险最小化模型。该模型采用Universum学习,利用有标签样本生成大量包含分类信息的无标签样本,从而增加分类器性能。这些信息有利于最小化结构风险。通过在Mfeat、Reuters和Corel等3个多视角数据集上的试验可以发现,该模型可以提高多视角分类器的性能,并可以更好地应用到多视角数据集的分类问题中。 朱昌明 梅成就 周日贵 魏莱 章夏芬基于PCA和改进的KNN算法的船舶尾气识别算法 被引量:2 2018年 通过无人机搭载气体传感器,可以方便地检测码头靠泊船只的尾气,通过分析尾气中的硫化物和氮化物的含量,来检测靠泊船只是否使用违规燃油,但是实践发现船舶尾气中的硫化物和氮化物的识别率不高,因此采用气体传感阵列对采集的气体进行信息处理,以此提升采样气体的分类准确率。传统的K-近邻算法采用近邻决策原则,对尾气的分类效果较好。但在应对大量气体数据时分类时间过长,效率比较低下。针对这个问题,提出一个基于主成分分析和样本聚类的K-近邻算法相结合的船舶尾气分类算法。实验结果表明,改进的K-近邻算法能在保持分类的准确率的条件下,大大减少分类的时间。 孙逸 安博文 朱昌明关键词:船舶尾气 主成分分析 聚类 K-近邻算法