基于信息传播节点集的CTDN节点分类算法

针对连续时间动态网络的节点分类问题,根据实际网络信息传播特点定义信息传播节点集,改进网络表示学习的节点序列采样策略,并设计基于信息传播节点集的连续时间动态网络节点分类算法,通过网络表示学习方法生成的节点低维向量以及OpenNE框架内的LogicRegression分类器,获得连续时间动态网络的节点分类结果。实验结果表明,与CTDNE和STWalk算法相比,该算法在实验条件相同的情况下,网络表示学习结果的二维可视化效果更优且最终的网络节点分类精度更高。     

基于多普勒测速的水下传感器时间同步算法

时间同步是水下传感器网络的关键技术,由于海洋中采用水声通信时传播时延高且存在多普勒频移,导致使用射频通信的陆上时间同步算法无法直接应用于水下环境。基于多普勒测速原理和节点在水下的移动性,提出一种新型的时间同步CD-Sync算法。利用具有聚类特性的分簇模型选择合理的簇首节点,并与水面信标节点进行簇内同步,且在同步过程中,同步节点利用多普勒原理估算节点间的相对移动速度,从而计算节点间的传播延迟。实验结果表明,与基于分簇时间同步MU-Sync算法和分布式时间同步NU-Sync算法相比,该算法可在缩短节点间距离并加快节点间同步收敛速度的同时,有效提高时间同步的精度。     

求解带时间窗车辆路径优化问题的改进细菌觅食算法

为求解带时间窗的车辆路径问题（VRPTW）,提出一种改进的细菌觅食算法。将待配送的客户点依据地理位置进行K-means聚类,使得到的分类结果在满足时间窗的要求下,按顺序插入配送路径的最佳位置中,构造VRPTW问题的初始解,同时通过结合趋化操作与大邻域搜索中的removal算子进行距离寻优,扩大算法搜索范围并提高运行效率。实验结果表明,在规定时间窗内,改进算法能合理安排配送路径并最小化总配送成本。     

基于LDTW的动态时间规整改进算法

限制对齐路径长度的动态时间规整（LDTW）算法存在时间复杂度高和计算量大的问题。基于LDTW算法提出固定对齐路径长度的动态时间规整（FDTW）算法。通过调整LDTW算法中对齐路径长度的控制策略,由控制在某个区间改为固定到某个具体值,相应缩减累计代价矩阵中元素的计算范围。在UCR时间序列数据集上的实验结果表明,FDTW与LDTW算法的分类准确率持平,但FDTW算法在分类过程中的时间开销更小,并且能有效降低累计代价矩阵元素的计算量,提高计算效率。     

基于计算机视觉的人体内腔三维重建技术综述

医生通过内窥镜观察的人体内腔显示为二维图像,不能立体地展现内腔环境中病灶、血管及邻近组织的关系,而内腔三维重建及可视化技术能够清晰、全面地展现病灶及其他组织的三维形态,更好地辅助医生进行精准的手术判断。将人体内腔环境中的三维重建技术分为主动式测量方法与被动式测量方法,分类综述基于结构光、飞行时间、双目立体视觉、单目视觉的内腔三维重建技术及发展现状。针对同时定位与地图构建的内腔三维重建法,分析对比内腔环境下的特征点检测与匹配的发展、方法及特点,并对人体内腔三维重建的难点和未来发展趋势进行展望。     

基于OLPP符号表示的时间序列分类算法

基于符号表示的时间序列分类方法是时间序列数据挖掘的关键技术。大部分现有方法主要针对单个时间序列样本进行符号表示,没有考虑样本间的近邻关系对符号化分类的影响。对此提出一种基于正交局部保持映射(Orthogonal Locality Preserving Projection,OLPP)的时间序列符号表示方法。使用OLPP对原始数据集进行维数约减,利用信息增益寻找维数约减后数据的最佳符号投影区间,采用多重系数分箱技术(Multiple Coefficient Binning,MCB)将降维后数据表示成符号序列。该算法在20个时间序列数据集上的分类效果好于已有方法,有效利用样本间的近邻关系能够显著提高算法的分类性能。     

基于循环神经网络和卡尔曼滤波器的多变量混沌时间序列预测

混沌时间序列的鞍点远多于极值点,且容易出现多重共线性问题。对此,提出基于循环深度神经网络和卡尔曼滤波器的时间序列预测算法。利用循环深度神经网络预测高维时间序列,使用实时递归学习算法搜索最小化预测误差的最优网络参数,采用Levenberg-Marquardt算法对神经网络进行迭代训练。在线更新循环神经网络的过程中,利用卡尔曼滤波器对循环神经网络的输出权重进行调节,解决多重共线性的问题。实验结果表明,该算法实现了较低的预测误差,并且缓解了高维时间序列的多重共线性问题。     

基于时间序列模型和情感分析的情感趋势预测

为解决传统情感分析方法无法对公众未来情感走势变化有效预测的问题,提出一种将时间序列模型与情感分析相结合的情感趋势预测方法.采用深度学习模型对股市论坛实时评论信息进行情感分类,统计固定时间单位的情感值,构建情感值时间序列,提出ARIMA-GARCH时间序列模型,对情感值时间序列进行建模分析,预测投资者的情感走势.实验结果表明,该方法对于情感趋势的预测结果合理,误差较小.同时,发现投资者情感趋势与股市涨跌幅走势相似,为投资决策提供了参考.     

基于区块链的数字版权认证模型

针对现有区块链版权系统在区块存储空间有限和版权验证依赖数据库数据的问题,设计一种文本作品的区块链版权认证模型。通过扩展区块结构将作品内容完整存储在区块链中,解决了数据库存储作品内容易被更改的问题。作品版权验证不再依赖数据库作品内容,依靠区块链的不可篡改性和非对称加密技术的唯一性,保证了作品版权验证过程的安全性。理论分析和模型实验结果表明:该模型适用于十万级别的文本作品的版权认证存储,具有良好的性能和较高的安全性。     

基于空间非迭代Oseen格式的时间解耦局部并行方法

基于空间非迭代的Oseen格式,以软件FreeFem++的MPI功能为平台,提出时间解耦的局部并行方法来求解Navier-Stokes/Navier-Stokes耦合方程.通过解耦复杂区域,将耦合方程的求解转换为并行区域上单一非定常Navier-Stokes方程的求解.在空间上利用Oseen格式一步线性校正,时间上按照步长直接推进.数值实验表明,与空间非迭代Oseen格式的欧拉时间推进方法相比,该方法在保证精度的情况下,运行时间较短,显现了耦合方程求解的高效性.