融合主题相似度权重的主题社区发现模型

社交网络结构错综复杂,主题社区是进行个性化推荐和商业推广的重要途径之一。然而,现有主题社区挖掘方法,要么仅基于链接关系和文本信息挖掘主题社区,要么在已划分社区的基础上挖掘主题,忽略了主题与社区的相互作用,导致社区内部话题相似度不高。因此,提出新的社区主题计算方法,进而建立一种融合主题相似度权重的主题社区发现模型（TSWTCD）。利用文本信息提取主题,计算节点间主题相似度作为链接权重,将链接权重作为模块度参数划分社区。最后,根据提出新的社区主题计算方法得到社区主题。基于真实数据集的实验结果表明,TSWTCD模型提升了挖掘主题社区的质量。     

双向蚁群算法的智能消防疏散图路径规划

当前我国正处在城市发展高速时期,综合建筑不断涌现,这时可根据火灾实时信息自动调整疏散路径的智能消防疏散图应运而生。路径规划算法是智能消防疏散图的重点研究方向之一。针对智能消防疏散图需结合火场信息动态规划路径等问题,提出了一种改进双向蚁群算法。添加了双向搜索策略,提高了算法全局搜索能力;结合A*算法改进了初始信息素分布,减小了算法初期搜索盲目性;改进了信息素更新策略,提高了算法收敛速度;结合火场信息和转向惩罚系数对算法蒸发系数、启发函数和转移概率进行改进,降低了陷入局部最优风险,提高了算法搜索效率和路径平滑性,并有效避开了火灾影响区域。通过仿真验证了算法有效性。     

考场环境下考生视线估计方法

考生异常行为的监测容易使监考人员产生视觉疲劳。借鉴监考人员发现异常的过程,提出一种可用于考场异常行为分析的视线估计模型。为了减少图像中视线的信息损失,采用注视向量表示视线的大小和方向。该模型分为生成器、视线合成模块、鉴别器,先将考生头部图像输入生成器生成注视向量,再将头部位置和注视位置输入到合成模块得到真实注视向量。将头部图像与上述所得的两种向量输入鉴别器中,其生成对抗模式达到最优时,可得到生成真实值的生成器模型。实验结果表明,在多个考场环境中,该方法的性能优于所对比的几种方法。其中与Lian等人方法相比AUC（Area Under Curve）提高了2.6%,Ang（Angular error）和Dist（Euclidean distance）分别有效降低了20.3%和8.0%。     

基于Storm平台的多任务分组调度策略与实现

随着大数据与人工智能技术的飞速发展,高性能,实时性的流式计算系统逐渐取代传统基于数据仓库的批量计算系统.Apache storm作为一款开源,高容错,实时处理的分布式大数据流式计算平台,支持任务平均分配策略,单机任务指定策略等多种任务分配方案.当任务拓扑结构中存在多个任务时,且集群中只有某些机器支持某一任务执行时,传统的任务调度方法只能实现将单一的任务分配给单一指定的机器,使得整个集群的资源没有充分的利用.通过调整任务调度策略,获得满足条件的机器队列,查看机器队列中可用工作节点,将指定任务均匀分配给可用工作节点,其他任务仍通过默认策略分配给集群中的剩余机器,实现多任务的分组调度策略.     

Norm-DP模型行人检测优化算法

传统深度金字塔模型作为一种有效的行人检测算法备受关注,融合可变形部件模型和卷积神经网络模型,但特征提取部分使用的算法像素区域的大小不同,导致模型之间不能完全融合,在行人数量多、姿势复杂和有遮挡情况时的检测效果不理想。因此,提出一种基于规范化函数的深度金字塔模型(Norm-DP)算法,使用规范化函数融合可变形部件模型和卷积神经网络模型,直接从金字塔特征中提取正负样本,使用隐变量支持向量机进行模型训练,结合柔性非最大抑制(soft-NMS)算法和边界框回归(BBR)算法对定位框进行优化。分别使用INRIA和MS COCO数据集进行实验验证,在行人数量多、姿势复杂和有遮挡情况时,检测精度高于最优的可变形部件模型算法、卷积神经网络算法、深度金字塔模型算法和结合区域选择的卷积神经网络算法。     

文本情感对话系统研究综述

对话系统作为人机交互的重要方式,有着广泛的应用前景。现有的对话系统专注于解决语义一致性和内容丰富性等问题,对于提高人机交互以及产生人机共鸣方向的研究关注度不高。如何让生成的语句在具有语义相关性的基础上更自然地与用户交流是当前对话系统面临的主要问题之一。首先对对话系统进行了整体情况的概括。接着介绍了情感对话系统中的对话情绪感知和情感对话生成两大任务,并分别调研归纳了相关方法。对话情绪感知任务大致分为基于上下文和基于用户信息两类方法。情感对话生成的方法包括规则匹配算法、指定情感回复的生成模型和不指定情感回复的生成模型,并从情绪数据类别和模型方法等方面进行了对比分析。然后总结整理了两大任务下数据集的特点和链接便于后续的研究,并归纳了当前情感对话系统中不同的评估方法。最后对情感对话系统的工作进行了总结和展望。     

基于时空循环神经网络的下一个兴趣点推荐方法

下一个兴趣点推荐已经成为基于位置的社交网络(location-based social networks,LBSNs)中一个重要任务。现有的模型没有深入考虑相邻签到兴趣点之间的转移时空信息,无法对用户访问下一个兴趣点的长短时间偏好和远近距离偏好进行有效建模。本文通过对循环神经网络(recurrent neural network, RNN)进行扩展,提出一个新的基于会话的时空循环神经网络模型(sesson-based spatial-temporal recurrent neural network, SST-RNN)用于下一个兴趣点推荐。该模型通过设置时间转移矩阵和空间转移矩阵分别对用户的时间和空间偏好信息进行建模,综合考虑连续签到兴趣点的序列信息、时空信息以及用户偏好进行下一个兴趣点推荐。通过在2个真实公开的数据集上进行实验,结果显示本文提出的SST-RNN模型的推荐效果比主流的推荐模型有显著提升。在Foursquare和CA数据集上,ACC@5评价指标分别提升了36.38%和13.81%,MAP评价指标分别提升了30.72%和17.26%。     

荆江门弯道近期滩槽演变特点及影响因素分析

三峡水库运用改变了下泄水沙条件,坝下游弯曲河型均呈现“凸冲凹淤”演变规律,以致碍航问题日益突出。为研究弯曲河型滩槽演变特点及其成因,以下荆江河段荆江门弯道为例,利用三峡蓄水后近15 a实测地形资料,采用逻辑推理及统计分析方法分析其影响因素并预测了航道变化趋势。结果表明:三峡工程运用后,凸岸边滩年际间呈持续冲刷趋势,冲刷位置不断下移导致河段展宽引起航道条件恶化;在平滩流量(20 000~25 000 m³/s)持续时间＞15 d的年份,凸岸边滩冲刷后退,反之淤长;冲淤幅度与年均来沙量,尤其细沙(d≤0.125 mm)含量密切相关,基本呈同步变化趋势;荆江一期工程实施后,在当前水沙条件下凸岸边滩会继续受冲,形成枯水双槽,航道条件将恶化。水沙过程的改变是弯曲河型滩槽演变的主要原因,遇大水且来沙量较少的年份,荆江门河段很可能出浅碍航,这可为下荆江弯曲河段航道治理提供一定的参考价值。     

河湖淤泥絮凝沉降特性试验研究

絮凝沉降性能是河湖疏浚淤泥资源化处理中重要且未完善的研究课题。以武汉沙湖、官桥湖及南湖3种淤泥为研究对象,通过沉降筒试验,利用清浑交界面沉降速度和上清液浊度研究了粒径分布、初始含沙量及高分子聚合物对河湖淤泥絮凝沉降特性的影响规律,并探讨了沉降筒尺寸对试验结果的影响。试验结果表明:河湖淤泥粒径越小,淤泥絮凝沉降越慢,上清液浊度越小;随初始含沙量的增加,河湖淤泥整体沉降速度变小,但当初始含沙量增加到一定值后,初始含沙量的影响作用开始变弱;高分子聚合物会促进河湖淤泥絮凝沉降;沉降筒尺寸虽然对试验结果略有影响,但对于分析河湖淤泥絮凝沉降特性无较大影响。研究河湖淤泥絮凝沉降特性对于河湖通航、蓄洪、水质修复、疏浚淤泥的处理均有重要意义。     

长江源区浮游植物群落特征与水环境因子关系研究

为研究长江源头区域河流浮游植物群落结构与水环境因子的关系,于2017年5,8,9月份和2018年5,7,9月份在长江源区进行调查分析,并对浮游植物及水环境因子进行了Pearson相关性分析和典范排序分析。结果表明,共发现浮游植物6门79种,以硅藻门和蓝藻门为主。各采样点浮游植物平均密度71.66×10⁴ ind./L。典范分析表明,温度、化学需氧量、高锰酸盐指数、氨氮、总氮、溶解氧是影响长江源区河流浮游植物群落结构的主要因子。研究成果有助于了解长江源头地区浮游植物群落特征,为三江源生态保护提供数据支撑。