基于代换加密的隐私保护协同过滤推荐算法

推荐系统中的隐私保护问题是当前的一个研究热点.为了解决推荐系统服务器不可信问题,提出了一种基于代换加密的隐私保护协同过滤算法.用户在客户端采用自定义代换加密机制,对评分信息进行加密并提交给推荐服务器,服务器根据收集的评分密文信息进行协同过滤推荐.同时,设计了一种用户模式相似度计算方法,用于在隐私保护协同过滤中确定每个用户的近邻,确保该推荐算法在无法获取用户评分语义的情况下,对用户的评分密文进行预测.采用公开的Movie Lens数据集和Netflix数据集对该算法的性能进行评估.实验结果表明,该算法能够以较小的计算代价和通信代价来实现隐私保护和精确推荐.     

基于光波迭加原理的相对深度和边缘检测算法

基于光波迭加原理导出了一种新的图像相对深度和边缘检测算法.新算法根据光波的迭加和衰减特性,通过对像素的迭加计算和对参数β的调整使得该算法实现两种功能:相对深度检测和边缘提取.实验表明,该方法能够较好的区分出不同距离的景物,并且能较好地提取图像的边缘.     

异构网格环境下的可信依赖任务调度

针对异构网格环境下依赖任务调度过程中网格节点行为可信性考虑不足的问题,根据网格节点的历史行为表现,构建了一个动态信誉度评估策略,为确立任务需求与资源节点行为可信属性之间的隶属关系,定义了隶属度函数,建立了一种安全可信的网格任务调度新模型.为了实现该模型,提出一种依赖任务可信调度的粒子群进化算法.该算法通过深度值和关联耦合度的引入解决了任务间的约束关系;为克服传统粒子群算法解决离散问题时的不足,结合网格任务调度问题的具体特点,重新定义并设计了新的粒子进化方程;为预防算法陷入局部最优,引入了均匀扰动速度.仿真实验表明,该算法与同类算法相比,在相同条件下具有较高的执行效率和安全可信优化性能等.     

自适应推理的知识求精

简要分析了传统的决策支持系统中的自适应知识库求精问题,提出了一种基于神经网络块间联系的规则的自适应推理知识求精算法.该算法能够有效地检查知识的一致性与相容性,及时发现并排除知识库知识之间的冗余和矛盾.该算法能够更好支持决策过程.     

多启发式信息蚁群优化算法求解取样送检路径规划问题

蚁群优化算法是一种求解组合优化问题的通用算法框架.取样送检路径规划问题是一种带约束的组合优化问题,本文给出了一种求解该问题的数学模型.为求解该问题提出了一种多启发式信息蚁群优化算法(MACO),在选择下一访问节点的概率计算公式中增加了一项启发式信息——起点到被选择点之间距离的倒数,并从理论上分析了该算法的收敛性.在9个算例上进行了仿真实验和分析,说明了新增启发式信息的有效性和适用性,验证了MACO算法可以有效求解该问题,并能获得质量更好的解.     

Point-GAT：图注意力机制与关键点检测的融合

针对以往基于关键点的目标检测存在小尺度上的检测结果不太理想,忽略关键点之间的类别语义信息的问题,提出了一种新的关键点检测算法Point-GAT。该算法通过在Hourglass和ResNeXt主干网络上加入快捷连接,解决网络深度增加带来的学习退化问题;使用反卷积和特征融合增强小尺度目标的检测效果;同时算法使用了图注意力机制,通过构建有向有权重图映射类别之间的语义关系,获得关键点之间的类别语义信息;在优化定位和回归函数的同时,加入分类损失函数分支来反映类别语义信息。在COCO数据集上实验结果表明,该算法平均精度达到了48.3%,在PASVAL VOC 2007和PASVAL VOC 2012数据集上平均精度均高于其他算法。     

面向鲁棒性的孪生有界支持向量机分类算法

孪生有界支持向量机（Twin Bounded Support Vector Machine,TBSVM）是近期提出的一种优秀的距离度量学习二分类算法。在TBSVM的目标函数中,使用L2范数距离作为度量准则,因此当训练样本中出现异常值或噪声时,L2范数距离的平方很容易夸大它们的影响。为了缓和这一问题,本文提出了一种鲁棒的基于L1范数距离度量的TBSVM分类算法（L1-TBSVM）。由于L1-TBSVM的目标函数中包含了非平滑的L1范数项,很难直接对它进行求解,故我们通过迭代增广向量来更新对角矩阵,直到目标函数值收敛到一个固定值,以此来获得最优解。该迭代算法简单有效,且易于实施。最后,通过合理的理论分析,以及在UCI数据集和人工数据集上的大量实验,检验了L1-TBSVM算法的可行性和有效性。     

基于蚁群系统的传感器网络广播与数据聚集算法

针对无线传感器网络能量受限和多跳路由的特点，将蚁群系统原理用于网络的广播和数据聚集中，提出并仿真实现了一种能够最小化传感器网络的总能耗算法．理论分析和仿真数据表明，基于启发式蚁群系统的算法，能够较快的收敛，并找到最优解或是近优解；在网络节点数不同（10～50）的情况下，该算法的单次广播能耗和通信距离比现有的两种主流广播协议算法分别减少了20％～60％和14％～20％，因此其网络生存时间增加了10％～100％，表明该算法总体性能优于传统算法．     

基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

应用于城市道路网的启发式深度优先有向搜索算法

针对具有大量道路节点的大型交通网络,提出了一种改进的深度优先算法.该算法在搜索过程中,首先对节点进行方向性选择,缩小了搜索的范围,同时引入启发式搜索函数,优先选择权值较低的点进行扩展,降低了深度优先的盲目性.因此,算法不仅能够在搜索早期找到最短路径,还能够提供多条备选路径.     

一种改进的近地表层析成像SIRT算法

针对联合迭代重建技术(simultaneous iterative reconstruction technique,SIRT)臆用于近地表层析成像时,由于系数矩阵A与旅行时残差△t不完全匹配而易出现修正过度的问题,本文提出一种改进的SIRT算法.用炮点与榆波点的距离d修正约束旅行时残差△t,改进了A与△t的匹配性较差的问题.验箅结果表明:该算法能够有效地抑制修正过度现象,而得到较好的重建图像.     

基于深度信息的单幅图像自动阴影检测

为解决复杂场景阴影的自动检测问题,提出一种基于深度信息的单幅图像自动阴影检测算法。该算法首先利用深度信息估计图像的法线、点云信息,并对图像进行多尺度纹理滤波;然后利用法线、点云和色度信息估计不同尺度下滤波图像的阴影置信度和亮度置信度,并对两种置信度图分别进行阴影边界相关的多尺度融合,消除纹理影响的同时保留了复杂的阴影边界信息和结构信息;最后利用拉普拉斯算子对阴影置信度进行插值优化,得到更精确的阴影检测结果。实验结果表明,对于简单场景和复杂场景图像,该算法都能完整检测出其中的硬阴影和软阴影,具有较好的阴影检测效果。通过与其他算法的阴影检测结果进行对比,验证了本文算法的准确性和鲁棒性。     

基于小波变换网络的自监督单目深度与位姿估计

基于小波变换与运动恢复结构的自监督学习范式,将二维离散小波变换嵌入神经网络并实现梯度传播,提出了一种新的单目深度与位姿估计算法。传统的神经网络在降采样过程中会造成信息丢失,且丢失的信息在后续阶段无法复原,对于深度估计任务,结构信息的丢失会降低模型性能。本文使用二维离散小波变换层替代传统的降采样操作,更好地保留图像中的结构细节并避免噪声累积。在上采样解码深度图的阶段,采用小波逆变换层取代传统的插值上采样方法,更有效地恢复图像信息,得到更精确的深度图。提出的算法相比传统的神经网络对噪声更有鲁棒性。在KITTI数据集上进行实验,证明了所提出的算法在自监督单目深度与位姿估计任务中有优异的性能表现。     

模型降阶中的Lyapunov方程求解方法

提出了一种综合使用PRIMA(Passive Reduced-Order Interconnect Macromodeling Algorithm)和Low-Rank Smith算法来处理模型降阶问题,该算法能够很好的求解Lyapunov方程的低秩近似解.使用本算法处理模型降阶中的平衡截断法产生的Lyapunov方程时,可以平衡误差与精度,使得平衡截断法在大规模系统中得以运用.     

基于优化策略和深度学习的低光照图像增强

针对低光照条件下采集的图像存在视觉感官较差、细节信息丢失的问题,本文基于非线性相机响应函数模型,提出了一种融合传统优化策略和深度学习技术的低光照图像增强方法。该方法采用非线性相机响应函数模型生成更优的中间图像,并通过专门设计的神经网络实现对中间图像细节的进一步增强。利用自建数据库和公共数据库对该方法进行测试,并与现有的方法进行比较。结果表明,在传统优化方法的支持下,所提出的深度学习方法能够恢复低光照图像的清晰细节,更接近真实的参考图像,为智能导航和自动驾驶提供高质量图像。     

基于信号飞行时间与误差分析的改进无线传感网络Bounding-box定位算法

为提高无线传感网络定位算法的实效性,针对Bounding-box定位算法定位精度不足的问题,提出了基于信号飞行时间与误差分析的改进Bounding-box定位算法。该算法根据累计距离误差,在正方形重叠区域重新划分离散小方格,然后按照累计距离误差最小化准则,选择对应离散小方格的中心点坐标作为待定位节点的定位位置。通过仿真实验表明,提出的改进Bounding-box定位算法,在距离测量精确和小误差情况下,能够明显提高定位精度。此外,真实环境实验表明,在采用信号飞行时间作为距离测量技术的条件下,提出算法的定位误差最小。更多还原     

信任关系辅助的隐反馈Web服务推荐研究

针对Web服务推荐现有技术缺乏显式打分数据缺点,提出使用隐反馈知识进行推荐的方法.该方法首先构造一个伪评分生成器,将用户隐反馈知识映射成为显式打分.基于矩阵因子分解模型,将信任知识引入服务推荐过程,建立一种融合社交信任信息的服务推荐模型,有效提高了服务推荐性能.实验表明,本文提出的基于隐反馈的服务推荐方法预测性能优于最近邻方法和SVD++方法;同SVD++方法的性能对比实验表明,引入信任知识能够进一步提高服务推荐的性能,具有较好的实际应用价值.     

一种基于GPU的并行三维各向异性扩散的超声图像斑点噪声滤波算法

三维的各向异性扩散的斑点噪声滤波算法(3D SRAD)计算密集,在CPU上串行处理运行效率较低,耗时长,不能满足实时系统的需求.为解决此问题,本文基于CUDA平台提出一种并行的3D SRAD算法——3D pSRAD.该算法从数据处理,任务分配以及纹理存储器和共享存储器的使用对并行处理进行了优化.实验结果表明,3D pSRAD提高了运算效率,计算加速比在60以上.     

矩形网格绘制等值线图中二义性问题解的一种算法

绘制等值线图中遇到矩形网格四个边都有等值点的情况时,连接点的方向会产生二义性问题,本文提出一种算法,利用双三次曲面拟合法,能较准确地解决该问题。     

基于图卷积神经网络的软件缺陷分派方法

软件缺陷的高效自动分派是保障开源软件质量的重要手段。已有研究多基于机器学习技术,从缺陷报告的文本内容和开发者之间的关系入手,研究软件缺陷的自动分派,而对缺陷报告之间的相关关系和基于深度学习技术的缺陷自动分派关注甚少。针对此问题,本文提出了一种基于图卷积神经网络的开发者推荐方法。该方法利用带权重的余弦相似度构建缺陷报告网络,再在增量学习方法下训练图卷积神经网络模型用于开发者推荐。将近年提出的3种方法设置为实验对照组,在大型开源软件项目Eclipse和Mozilla数据集平台上分别进行实验,结果表明本文提出的方法平均推荐准确率比其他3种方法最高提升了60%和70%左右。