基于社交属性的访问控制系统研究与实现

随着社交化的推进,社交网络平台在结构和业务特征上出现了新的特点。通过对社交网络业务环境的访问控制需求进行分析,结合访问控制的最新发展方向研究设计适合社交网络业务环境系统的访问控制方案,从而实现社交网络平台中的权限的灵活管理,为社交网络业务环境中的安全保护提供访问控制解决方案。     

基于贝叶斯过滤法的CSI室内定位方法

无线信号多径效应导致基于接收信号强度指示（RSSI）的室内定位方法的精度和稳定性下降。为解决这一问题,提出基于贝叶斯过滤法的信道状态信息（CSI）室内定位方法（BCL ）。将物理层的CSI结合RSSI作为参考信息,减轻信号接收端的多径衰减影响;在此基础上,采用贝叶斯过滤法进行数据处理,降低接收信号的时变性。实验结果表明,相比现有的典型室内定位方法, BC L有效提高了定位准确度和稳定性。     

基于Gilbert模型的无线传感器网络报文时间相关丢失率推测算法

在用Gilbert模型描述无线传感器网络中报文丢失过程的基础上,提出了一种基于Gibbs抽样的逻辑链路报文丢失时态依赖性推测算法,解决了传感器网络中报文丢失的时态依赖问题.仿真结果与理论计算结果相比表明:算法推测结果可以较准确地反映报文丢失在时间域上的关联关系.     

时态拟序数据索引TQD-tree

讨论一种新的时态数据库索引技术TQD-tree.不同于常规的“代数”方式,TQD-tree基于“序关系”数学框架,但与“代数”方式一样能够实现“一次一集合”的数据操作.提出给定时间期间集合上线序划分概念并建立构建算法,在线序划分框架内,提出时态数据索TQD-tree,并研究了相应查询和更新算法.设计了仿真实验,对TQD-tree的性能进行了基本评估.     

影响装配可靠性关键故障源提取方法*

针对产品在装配过程中可靠性低,产品故障频发及故障源多样性的问题,引入信息熵理论,首次提出“可靠度熵”的概念,对影响装配过程可靠性的故障源进行定量分析。建立可靠度熵的综合评判矩阵,结合专家打分法对可靠度熵综合权重进行评价和排序,同时结合客观性强的粗糙集对故障源进行属性约简,提取出影响装配过程可靠性的关键故障源。采取预防及改进措施减少故障源的发生,从而保证装配过程可靠性。以数控磨床的砂轮架为例,验证了上述方法的可行性和正确性。     

基于人工免疫算法的增量式用户兴趣挖掘

了解用户兴趣是为用户提供个性化服务的关键.用户兴趣有短期兴趣和长期兴趣之分,且具有不稳定性.受人工免疫系统的启发,巧妙地将免疫应答过程应用于用户兴趣挖掘.首先将概率与时间相结合,提出“概念时序动态”的概念,以更好地刻画用户在一段时间内对同一兴趣的关注程度;然后基于人工免疫原理,建立抽取兴趣标签的分类器来提取用户兴趣标签;最后针对增量式学习,建立兴趣标签的“概念时序动态”,刻画出用户兴趣自首次出现以来受关注的程度,以此为依据来判断兴趣是否存在迁移及遗忘现象,并为每个兴趣标签附上权重.其主要贡献是创造性地将人工免疫原理应用于用户短期兴趣和长期兴趣的挖掘,并具有增量特性,可以很好地体现用户兴趣迁移特征,是一种自然完整的用户兴趣模型.实验结果表明,该学习模型能够很好地发现用户关注的领域,其平均精度和召回率分别达到79.5％和74.4％,是目前最贴近用户的兴趣挖掘模型.     

微博检索的研究进展

随着微博的快速发展,微博检索已经成为近年来研究领域的热点之一。该文首先以TREC Microblog数据为基础,从分析微博文档和微博查询两方面出发,得出微博检索与传统文本检索之间的两点不同: 一是微博文档相较于网页具有很多独有的特征;二是微博查询属于时间敏感查询,即在排序时除了考虑文本的语义相似度,还需要考虑时间因素,将这类方法统称为时间感知的检索技术。这两点差异使得已有的信息检索技术不能满足微博搜索的需求。该文主要介绍了近年来这两方面的相关研究: 首先描述了微博本身的多种特征以及基于这些特征提出的检索方法;然后以传统信息检索过程为主线,分别介绍了将时间信息用于文本表示、文档先验、查询扩展三方面的排序模型,最后总结了已有工作并且对未来研究内容进行了展望。     

项目子相似度融合的协同过滤推荐算法

针对用户评分数据稀疏性和项目最近邻寻找的不准确性问题,提出了一种项目子相似度融合的协同过滤推荐算法.该算法根据目标用户每一属性取值,选取与该属性值一致的用户作为用户子空间,并在此空间上计算目标项目与其他项目之间的相似度(称其为项目子相似度).在此基础上,以项目子相似度为依据选取目标项目的K最近邻,计算其预测评分;最后对用户不同属性上的预测评分进行加权求和,得到目标项目的最终评分.实验结果表明,该算法能准确地选取目标项目的最近邻,明显改善了推荐质量.     

基于AVHRR和TM数据的时间序列较高分辨率NDVI数据集重构方法

由于技术条件的限制,一个传感器很难同时具有高空间分辨率和高时间分辨率。然而,在高分辨率尺度上监测地表景观季节性变化的能力是全球的迫切需要,融合周期短、覆盖范围广与分辨率高、周期长的遥感数据是一种较好的方法。基于AVHRR时间分辨率高和TM空间分辨率高及其数据积累时间长的特点,选择若尔盖高原为研究区域,在改进ESTARFM方法的基础上,对TM NDVI和AVHRR NDVI进行融合,构建高时空分辨率的NDVI数据集。研究结果表明:该方法能有机结合AVHRR NDVI的时间变化信息与TM NDVI的空间差异信息,有效实现高时空分辨率NDVI数据集的重构,3景预测高分辨率NDVI与MODIS NDVI产品相关系数分别达到了0.89、0.91和0.85。该方法能够在时间上保留高时间分辨率数据的时间变化信息,同时在空间上反映高空间分辨率数据的空间差异信息,从而为有效构建相对高分辨率时间序列NDVI数据集提供了可能的方法。     

一种基于自适应混合模型的背景减除法

针对局部二进制相似度(LBSP)背景建模方法易受外界环境变化如动态背景、光照改变、相机抖动等干扰的问题,在融合像素纹理与亮度信息的基础上,建立一种自适应混合背景模型进行运动目标检测。首先,利用每个像素的多通道自适应局部二进制相似度(LBSP)信息和亮度信息建立混合背景模型。然后,根据当前像素与混合背景模型的比较结果对其进行分类,并采用随机更新机制更新背景模型。实验结果表明,本方法不仅在正常外界环境下取得了较好的检测结果,而且还可以有效地减少动态背景、光照变化等复杂外界环境条件造成的干扰,提高检测结果的准确性。