基于哈希链表和时间链表的HTTP代理缓存机制的实现

随着互联网的快速发展，越来越多的用户需要访问Internet资源，局域网人的众多用户如何能够通过一条Internet连接进行快速的网络浏览？这涉及到WEB代理服务器的核心部分--HTTP缓存系统。HTTP代理服务器的缓存系统将用户浏览的网页保存在代理服务器中，一旦有用户浏览相同的网页并且该网页还没有更新，则代理服务器直接将网页传递给用户，无需重新下载。因此，缓存明显加快了浏览速度。本文首先介绍了代理服务器的缓存原理，然后对缓存机制的具体功能进行了划分，最后给出基于哈希链表和时间链表的缓存系统的实现方法。     

基于K-means的深度跨模态哈希量化优化方法

互联网应用的普及使得多模态数据快速增长,跨模态检索技术已成为相关领域的关键技术之一。针对现有跨模态哈希算法存在的网络结构和量化方法等方面的问题,本文在新的深度跨模态哈希检索模型之上,提出了一种基于K-means的深度跨模态哈希量化优化方法（K-means-based quantitative-optimization for deep cross-modal hashing,KQDH）。该方法通过K-means聚类算法对多模态数据特征向量分类,并通过集体量化方式来控制量化误差,使得哈希码更好地表示出多模态特征。实验结果表明,该方法能在多模态数据之间保持相似性并最大程度地捕获语义信息,从而提高跨模态检索的准确性和效率。     

高动态下的星体目标质心提取方法

高动态情况下,星点像斑在星敏感器探测器上会呈现出拖尾现象,星点质心无法被准确提取。针对上述难点,本文提出了一种高动态条件下基于差异哈希算法的星点质心提取方法。该方法分为三步：第一,建立动态星斑的数学模型;第二,利用差异哈希算法和汉明距离实现星跟踪窗口内星体目标粗定位;第三,在粗定位区域使用阈值分割与连通域法提取星点质心。实验结果表明,该方法能够适应各种长度的曝光时间,并实现星敏感器在3（°）/s条件下的稳定跟踪。在曝光时间50ms,角速度3（°）/s的条件下,星对角距误差为13”,平均提取率为96%,相比于传统方法,分别提高了29.6%和22.9%。     

面向复杂场景的鲁棒KCF行人跟踪方法

经典核相关滤波(Kernel correlation filter,KCF)目标跟踪算法是判别式跟踪算法中效果最好的一种跟踪算法。但该算法不能很好地适应目标尺度的变化,且在遇到目标短暂消失或被其他物体遮挡等复杂情形时不具备处理目标重显的能力,因此,为使得目标跟踪能够有效地应对遮挡情形,本文从提高特征表达能力、增加尺度匹配策略和抗遮挡3个方面对经典KCF算法进行改进,提出了一种鲁棒的KCF行人跟踪算法。首先对方向梯度直方图(Histogram of oriented gradients,HOG)特征和色调、饱和度、值(Hue-saturation-value,HSV)特征的响应分布进行特征融合。其次,设置动态选择尺度池来改进滤波器的固定尺寸匹配。最后,通过滤波器响应最大值的变化率衡量目标的遮挡情况,并根据上一成功帧的目标信息,通过EdgeBoxes和感知哈希算法找回目标,更新滤波器。本文所提方法在公开视频跟踪数据集Benchmark上进行测试,实验结果表明与其他目标跟踪方法相比,本文算法提高了尺度变化、遮挡等复杂情形下跟踪的鲁棒性,确保了较高的跟踪精度。     

基于局域网的非集中式节点监控方法

利用网络套接字Socket发送和接收UDP广播的技术、多线程编程技术以及哈希表存储访问技术,探讨了一种基于局域网的非集中式的节点监控方法,用于监控局域网中节点的活动情况以及局域网的连接情况。