RFID区域定位算法的研究与应用

本文对RFID区域定位算法进行系统化的研究,通过对比测距技术和非测距技术,分析两种技术的优势与劣势,对RFID区域定位算法及技术实现进行描述。选取监狱这个特定实验场景后,对定位算法实验的结果进行了分析。     

基于日志模板的异常检测技术

日志分析是云计算业务平台管理中一项非常重要的工作.日志分析旨在保证云平台的高效性与可用性,传统的人工分析方式存在日志复杂、日志量大等问题.本文提出了一种日志异常检测方法,首先基于编辑距离进行文本聚类形成日志模板,在此基础上构建特征向量,利用弱分类器训练形成得分特征向量,利用得分特征向量与随机森林构建强分类器.实验表明,日志模板与真实模板之间的互信息为0.91,较为接近,利用随机森林构建的强分类器在本文的数据集上表现最好,分类精度达0.94.     

基于JPEG2000的ROI改进编码算法研究

在许多的图像应用中，基于感兴趣区域（ROI）图像编码技术占有重要地位。对图像压缩和传输处理，总是希望自己所感兴趣的图像区域能够得到相对于背景（BG）区域更好的压缩效果。在JPEG2000中采用了General Scaling Based Method 和 Maxshift Method的ROI编码技术。最重要平移和逐个平移法在最大位移法的基础上进行了改进、实验结果表明，该方法可行且性能优越。     

基于启发式搜索的浮点表达式设计空间探索方法

为了提高浮点表达式设计空间的探索效率，提出一种基于启发搜索的浮点表达式设计空间探索方法。在每次迭代过程中首先对非支配表达式的设计空间进行探索，同时将非支配表达式和可支配表达式分别添加到非支配列表和可支配列表中。当迭代完成后对可支配列表中的表达式进行探索，从中选择非支配的表达式，并对其邻域进行探索。将新的非支配表达式添加到非支配列表中，有效提高了非支配表达式的多样性和随机性。最后再次对非支配列表进行探索，得到最终的等价表达式，并进一步提高最优表达式的性能。与现有的浮点表达式设计空间的探索方法相比较，所提出的方法使计算精度提高了2%~9%，并减少了5%~19%的计算时间和4%~7%的资源消耗。实验结果表明，该方法可有效提高空间探索效率。     

基于粒子群优化和LightGBM的情景感知多式联运推荐

针对交通推荐服务中推荐的出行方式单一、忽略用户出行偏好以及多分类任务中样本类别不平衡等问题,本文提出一种基于粒子群优化和LightGBM的情景感知多式联运推荐方法.该方法综合考虑用户在时间、空间以及出行成本上的出行偏好,利用数理统计和表示学习方法捕捉用户出行与各要素之间的内在关系.同时,为了缓解样本类别不平衡带来的负面影响,利用基于粒子群优化算法的指标优化方法为每个类别搜索最优权重,对模型的预测结果进行修正,以实现最大化评价指标的目的.实验结果表明,与传统算法相比,本文提出的模型在时空特征提取、缓解类别不平衡和推荐准确性上均有较好的表现.     

基于轨迹聚类的业务流程剩余时间预测方法

现有的剩余时间预测方法仅关注对剩余时间预测任务起决定性作用的时间特征信息,并未考虑空间特征信息以及异质事件日志对预测任务的影响,导致预测准确度降低。提出基于轨迹聚类的剩余时间预测方法。将不同轨迹间的相似度作为距离度量,通过对事件日志中不同长度的轨迹进行聚类,以降低事件日志复杂度并细化结构。针对业务流程剩余时间预测任务,结合卷积神经网络与准循环神经网络,同时引入双向机制与注意力机制,设计基于注意力机制的卷积准循环神经网络模型,充分地捕获和增强对剩余时间预测任务有决定性影响的时间和空间特征信息,以提高业务流程中上下文事件之间的关联性,从而识别不同事件对业务流程剩余时间预测任务的重要程度。在BPIC_2012_A、BPIC_2012_O、BPIC_2012_W等事件日志数据集上的实验验证了该方法的有效性和可行性,结果表明,相比传统剩余时间预测方法,该方法的预测准确度平均提高约20%,有助于提升业务流程剩余时间的预测质量。     

车载信息仿真与测试系统研究

传统的串行开发模式制约车载信息系统的开发。为此,通过对车载设备和车载操作系统进行仿真,获取设备通信履历,实现一种基于消息的车载信息仿真与测试系统。该系统通过实时获取车载设备的运行信息,对车载设备的运行情况进行监控。仿真实验结果证明,该系统可有效降低开发的错误率,实现车载信息系统的并行开发和测试。     

基于搜索空间划分与Canopy K-means聚类的种群初始化方法

为了提高差分进化算法对搜索空间的探索与开发能力,提高差分进化算法的收敛性与算法的进化效率,提出一种基于搜索空间均匀划分与局部搜索和聚类相结合的种群初始化方法.该方法首先对决策变量空间进行均匀划分,并从各个子空间中随机选择一个个体,得到的个体能够覆盖整个搜索空间;然后,利用Hooke-Jeeves算法对各子空间进行局部搜索得到局部最优的个体,并结合改进的Canopy算法与K-means聚类算法,辨识搜索空间中的前景区域,以此为基础对局部搜索产生的局部最优个体进行筛选,最终生成初始种群中的个体.通过与其他种群初始化方法对CEC2017中5个测试函数进行实验对比,所提出的方法的运行时间可缩减为已有方法的0.75倍,适应度函数可减少为已有方法的0.03倍,且具有最小的标准差以及最优的收敛特性.     

基于集成学习的云平台异常点检测

为提高云平台异常点检测的精度,解决单一检测系统误报率与漏报率高的问题,提出基于集成学习的异常点检测系统。为解决异常检测对象多样性的问题,构造监测序列的特征矩阵,采用自组织映射神经网络对监测序列进行聚类;对监测序列进行过采样,解决异常发生频率很低的问题;对异构的异常点检测器进行基于委员会的学习,集成各检测器的检测优点,提高检测的精度。通过带有标注的监测序列对异常点检测系统进行验证,结果表明,该系统效果优于单一检测系统,验证了设计的有效性。