基于卷积的时态CBR快速检索算法及应用*

探讨了如何增强CBR对一种常见的时态信息,即时间序列数据的检索能力;分析了已有的基于傅里叶频谱分析的时间序列检索算法应用于CBR时遇到的问题,并根据时态CBR检索的需要,提出了一种新的基于循环卷积和傅里叶变换时间序列检索算法.理论分析和数值实验结果都证明,提出的算法在检索效率上有一定的优势.将采取这种检索方法的时态CBR应用于时间序列的预测问题中,取得了较好的预测效果且具有较高的预测效率.     

一种支持时间序列数据的CBR检索算法

探讨了如何为CBR（基于范例的推理）增加对一种特殊的范例类型——时间序列数据的支持．分析了基于谱分析的时间序列相似度比较算法不适用于CBR检索的缺点，并在此基础上设计了一种综合性能很好的CBR检索算法．思路是把时间序列相似度比较转化成一个卷积问题，并用DFT来简化这个卷积的计算．通过对这种CBR检索算法进行了深入的理论分析和认真的实验，结果证明，提出的算法是一个高效的算法．在这个检索算法的基础上，CBR就能够席用到时序数据的分析推理中，具有广阔的应用前景．     

一种基于k-NN的案例相似度权重调整算法

对于CBR中的案例检索问题,结合经典案例相似度计算方法,对目前在各实际系统中应用最为广泛的k-NN算法进行改进。经过特征约简,在假设时间因素对历史案例可采纳程度有显著影响基础上,提出了一种小规模的基于时序的案例特征权重多阶段调整算法。该算法适用于数值型特征项相似度计算。     

案例推理系统中欧式距离检索算法的改进

案例检索是基于案例推理系统的中心环节.目前应用最多的欧氏距离检索算法在实际应用中经常出现计算的相似度结果偏离工程实际的情况.利用一种归一化效用函数在最近邻法原理基础上提出一种改进的欧氏距离检索算法.实际工程应用结果证明改进的算法不仅有效而且简单实用.     

基于多维时态关联规则的演化模糊推理预测算法

挖掘时态关联规则的目的是为了发现带有时态信息的项集之间有趣的关系.由于数据库经常动态更新,时态关联规则的挖掘也应该适应数据库的更新.然而,现有的大多数算法不仅需要重新挖掘更新的数据库,浪费了大量的时间和效率,而且不能利用已存在的规则定量地预测某些项的变化趋势.本文提出了一个基于多维时态关联规则的演化模糊推理预测建模算法（Evolving fuzzy inference model based on multidimensional temporal association rules,EFI-MTAR）,主要优势是构建了一种基于多维时态关联规则的模糊推理建模算法（Fuzzy inference modeling algorithm based on multidimensional temporal association rules,FI-MTAR）,实现了对时间序列的定量预测.此外,为了降低规则更新的代价和加快规则预测的速度,提出了概念漂移检测策略来处理时间序列数据以适应数据库的动态更新.实验结果表明了本文提出算法的有效性和准确性.     

一种基于相似度矩阵的本体检索匹配算法

针对用户查询与知识文档间检索失配问题,提出了一种基于相似度矩阵的本体检索匹配算法。该方法是对现有的检索匹配算法的一种改进。方法利用领域本体来快速确定候选匹配集;进而从三个层次来综合计算元素间的相似度;利用相似度矩阵得到两本体间的相似度。实验结果表明,在查全率、查准率和响应时间方面都有较好的表现。     

基于概念语义相似度计算模型的信息检索研究

以电子商务领域本体为基础,旨在提出一种改进的基于概念语义相似度计算模型,该模型结合基于距离和基于内容两个方面,能够更为全面精确地量化本体中概念结点之间的语义相似度。据此,进行查询关键词集概念扩展和查询与结果文档的相似度计算,最终形成检索算法。实验对比于Lucene检索算法,通过选取热点概念关键词从准确率、召回率、响应速度3个指标来评估检索算法的性能。实验证明,提出的检索算法与基于Lucene的信息检索方法相比,检索性能有较大提高。     

基于用户浏览行为聚类Web用户

本文结合Web用户浏览行为的特点,提出了一种新的路径相似度的计算方法,在计算相似度时不仅把用户的浏览模式仅作为一种序列模式来考虑,还充分考虑了用户在网上浏览的时间因素.然后,把粗糙度的概念引入Leader聚类算法中,提出粗糙Leader聚类算法.最后,使用标准数据集进行了试验,证明基于此种相似度计算方法,应用粗糙Leader算法聚类Web用户的有效性.     

基于相似度预测的WSN数据收集算法

针对基于拟合曲线的数据预测机制在WSN数据收集应用中区间敏感的问题,提出了基于时间周期的拟合曲线相似度序列,将基于预测的数据收集问题转化为一定精度下预测相似度的估计问题.基于特征相似度服从高斯分布的假定,研究准确预测感知相似度的最大概率,采用贪婪算法动态调整预测相似度.最后,采用PSO算法实现基于预测相似度的预测数据推断.仿真实验结果表明,该算法达到了预期效果,在能耗方面有较大的提高.     

基于时间序列分段的气象数据压缩算法

直接采用风速、温湿压等气象参数原始时间序列对其进行短期预测、相似匹配、分类聚类等数据挖掘工作不但效率低下,而且会影响时间序列数据挖掘的准确性和可靠性。提出了一种简单快速的基于特征点的筛选算法对时间序列进行分段线性表示。对气象参数等时间序列进行实验,并就计算性能和拟合误差与另外一种序列分段算法进行了对比分析,结果表明该方法能有效地提取序列的主要形态,同时降低对于阈值的依赖,具有计算代价小、快速方便、通用性强等特点,在气象数据压缩上具有较好的应用前景。     

Mean-value analysis and convolution method for queue-dependent servers in closed queueing networks

In this paper, we formulate a recursive relation for the marginal probabilities of a closed network with K customers in terms of the same network with K ? 1 customers. Mean-value analysis (MVA) is an application of this relation, together with Little's formula. It is shown that the convolution method, too, can be based on the same recursive result. This leads to a new convolution algorithm called normalized convolution algorithm (NCA), which like MVA works entirely with probabilities and throughputs rather than with quantities such as normalization contacts. NCA avoids a difficult problem, the occurrence of floating-point over-flows in the original convolution algorithm.We shall also solve a numerical stability problem found in MVA. Finally, we show how MVA and the convolution algorithm can be combined in the same problem to yield a hybrid method retaining the best properties of both methods.     

基于MobileNet的多目标跟踪深度学习算法

针对深度学习算法在多目标跟踪中的实时性问题,提出一种基于MobileNet的多目标跟踪算法.借助于MobileNet深度可分离卷积能够对深度网络模型进行压缩的原理,将YOLOv3主干网络替换为MobileNet,通过将标准卷积分解为深度卷积和逐点卷积,保留多尺度预测部分,以有效减少参数量.对于检测得到的边框信息,利用Deep-SORT算法进行跟踪.实验结果表明,所提出方法在跟踪效果基本不变的情况下可提升处理速度近50%.     

一种基于分布式编码的卷积优化算法

卷积在统计学、信号处理、图像处理、深度学习等领域有着广泛的应用,且起到了至关重要的作用。在深度神经网络中,使用卷积运算对输入信息进行特征提取的方法是实现神经网络的基础计算单元之一。如何优化卷积的运算速度,提高卷积计算效率一直是亟需探讨的问题。近年来,很多研究指出分布式计算架构可以提高卷积神经网络的计算速度,进而优化深度学习的训练效率,然而由于分布式系统中普遍存在落跑者问题(straggler),该问题可能会拖慢整个系统执行任务的时间,因此该问题也成为了分布式深度学习中一个待解决的问题。文中针对二维卷积计算,结合Winograd算法和分布式编码,提出了一种优化的分布式二维卷积算法。Winograd算法能够有效地加速单次二维卷积计算的速度,分布式编码通过使用一种基于分布式冗余的编码方式能够缓解straggler节点对整个分布式系统计算延迟的影响。因此,提出的分布式二维卷积算法可以在加速二维卷积计算的同时有效缓解分布式系统中的straggler问题,有效提高了分布式卷积的计算效率。     

带PCA卷积的稀疏表示图像分类算法

针对不同卷积核可以提取不同的图像特征,而卷积核的训练比较困难这一问题,提出一种带主成分分析（PCA）卷积的稀疏表示分类算法。先对训练样本集做分片去均值化处理,然后直接应用PCA算法提取所有分片的前K个特征向量作为卷积核,再用这些卷积核对原始图像进行卷积操作;并提出一种自动加权策略,对卷积处理后得到的K个特征图像进行加权叠加操作;最后对特征图像进行分块直方图统计稀疏化,并应用稀疏表示分类算法进行分类。在公共人脸数据集AR、CMU Multi-PIE、ORL以及数字手写体数据集MNIST上与常用分类算法进行对比实验,实验结果表明,带PCA卷积的稀疏表示分类算法具有更高的分类准确率。     

基于稀疏表示和梯度先验的图像盲去模糊

针对目前基于稀疏表示的图像盲卷积算法细节恢复有限等问题,提出一种基于稀疏表示和梯度先验的图像盲卷积算法。虽然每个图像块可以通过字典稀疏表示,但是图像块重构出的图像常常出现“伪像”,本文将梯度先验知识和超拉普拉斯先验知识融入稀疏表示盲卷积模型中,采用迭代方法交替估计中间清晰图像和模糊核,一旦获得模糊核,采用超拉普拉斯非盲去卷积算法恢复出最终的清晰图像。实验结果表明,与其他去模糊算法相比,本文算法在抑制振铃方面效果显著。     

基于AT-NMS的Mask RCNN改进算法

大数据下的目标检测算法常常会出现目标漏检和重复检测问题,针对此问题提出一种基于自适应阈值-非极大值抑制AT-NMS的Mask RCNN改进算法Mask RCNNAT-NMS.首先在ResNet基础上添加可变形卷积模块增强提取目标多层卷积特征的能力;其次使用AT-NMS算法提取目标候选区域的深层信息;然后通过ROI Align 2次量化处理实现对目标更加精确的定位;最后通过3个分支实现目标实例分割、目标分类和目标边框回归.实验结果表明,在PASCAL-VOC2012和Indoor CVPR_09数据集上,相比于AT-NMS算法,Mask RCNNAT-NMS算法的重复检测率和目标漏检率均有所降低,并且识别精度有所提升.由此可见,Mask RCNNAT-NMS算法能够缓解因固定阈值引起的目标漏检和重复检测问题,且能在此基础上提高检测精度.     

Adaptive discretization of an integro-differential equation with a weakly singular convolution kernel

An integro-differential equation involving a convolution integral with a weakly singular kernel is considered. The kernel can be that of a fractional integral. The integro-differential equation is discretized using the discontinuous Galerkin method with piecewise constant basis functions. Sparse quadrature is introduced for the convolution term to overcome the problem with the growing amount of data that has to be stored and used in each time-step. A priori and a posteriori error estimates are proved. An adaptive strategy based on the a posteriori error estimate is developed. Finally, the precision and effectiveness of the algorithm are demonstrated in the case that the convolution is a fractional integral. This is done by comparing the numerical solutions with analytical solutions.     

多任务学习及卷积神经网络在人脸识别中的应用

随着深度学习的发展,近年来人脸识别借助深度学习技术取得了巨大突破。但是在已有的基于深度学习的人脸识别框架中,各个任务（人脸鉴别、认证和属性分类等）都是相互独立设计、运作的,使得整体算法低效、耗时。针对这些问题,提出一种基于多任务框架的深度卷积网络。通过将人脸鉴别、认证和属性分类同时作为网络目标函数,端到端地训练整个深度卷积网络,算法简洁高效。此网络可以同时完成上述三个任务,不需要额外的步骤。实验结果显示,即使在有限的数据支持下,该方法依然能够取得不错的性能,在人脸识别权威数据集LFW上获得了97.3%的精度。