基于灰关联分析的V-MDAV算法研究

距离度量会影响微聚集算法的聚类效果,为了提高算法的隐私保护能力,采用灰关联分析中的均衡接近度替代V-MDAV算法中的欧氏距离度量记录间的距离,提出基于灰关联分析的V-MDAV算法,即V-GRAV（variable-size grey relation to average vector）算法。由于均衡接近度既包含灰关联度对整体接近性的测度,又具有均衡度对序列均衡性测度的特点,克服了欧氏距离受局部奇异值影响较大的问题,所以V-GRAV算法在保证信息损失与V-MDAV相近的同时,较大程度地降低隐私泄露风险,实验证明了算法的有效性。     

配送中心配送决策问题及其鱼群算法优化求解

以经济配送为视角,分析并构建了配送中心配送决策问题的数学模型。引入实数编码对鱼群算法进行改进,使之适用于模型的求解运算。继而,通过算法编码的设计分析,详细讨论了实数编码下鱼群算法寻优求解的实现步骤。最后利用与传统遗传算法进行同算例求解比较,验证了该模型及改进算法的有效性。     

基于时间效应的兴趣点推荐混合模型

在基于位置的社交网络中,兴趣点实时推荐数据和用户签到数据存在高稀疏性问题。提出一种基于时间效应的混合推荐模型。通过用户潜在兴趣点数据模型计算用户时间行为影响分数和地理位置影响分数,并用线性统一模型进行处理,选取Top S个兴趣点作为用户的潜在兴趣点。将用户的潜在签到记录引入基于时间效应的矩阵分解模型中,考虑时间差异性和连续性对推荐结果的影响,在此基础上进行优化求解,提出推荐策略。实验结果表明,与LRT模型、UTE+SE模型相比,该模型的推荐效果较好,其准确率和召回率最高可达0.103 4和0.111 8。     

能源消费的——时序神经网络预测模型

时间序列分析是系统辨识与系统分析的重要方法之一，在能源系统中存在大量时间序列，具有很强的季节性、波动性。人工神经网络（Artificial Neural Network）是一门崭新的信息处理科学，是用来模拟人脑结构和智能的一个前沿研究领域。鉴于能源消费系统的复杂性及非线性的特征，根据1978～2005年福建省能源消费的数据，采用时序一神经网络模型建立福建省能源消费预测模型，并运用该模型对福建省未来15a的能源消费量进行预测。     

融合时间加权信任与用户偏好的协同过滤算法

针对现有的协同过滤推荐算法中存在评分数据稀疏和用户兴趣动态变化的问题,提出了融合时间加权信任与用户偏好的协同过滤算法。考虑到用户评分时间的不均匀,对时间权重进行改进,并将其融入到直接信任计算中,缓解用户兴趣动态变化的问题。通过信任传递得到的间接信任以及建立用户对项目标签的偏好矩阵得到用户之间的偏好相似度来缓解数据的稀疏性。融合用户的信任度与偏好相似度进行推荐。实验结果表明,与其他基准算法相比,提出的算法具有更高的F1值,提高了推荐质量。     

氰尿酸的造粒

发明的背景 (A)发明的范围生产氰尿酸的一般工业方法是将尿素高温分解,然后酸洗精制。用这种方法生产的是一种粉状氰尿酸,不能自由流动,在贮存中结块,并且很难溶于水。作为高质量的商品必须能自由流动,以便于包装和装卸,特别是散装运输。本发明的目的在于得到一种制备能自由流动并易溶于水的粉末状的氰尿酸的方法。     

污水处理微机控制系统

1 前言随着工业生产的发展,环境污染日益严重,特别是水的污染,对人们的生产和生活影响极大,已成为急待解决的社会问题,因此对于污水处理的研究具有重要的现实意义。抚顺石油化工研究院采用的间歇式活性污泥法是一种较好的净化污水的方法。由于原有的污水处理试验装置是人工操作的,因此我们在原有的试验装置基础上研制一套微机控制系统,可对四套试验装置按不同的工艺方法进行自动控制。该系统现已投入使用,效果良好。     

基于增强二部图网络结构的推荐算法

协同过滤推荐算法的数据稀疏性与冷启动问题影响和制约了推荐的质量.基于用户-项目二部图的信任计算可以有效的利用用户间的潜在联系提高推荐性能.提出一种融合基于二部图的增强繁殖信任与JMSD相关系数的推荐方法,包括对改进的加权用户-项目自适应繁殖信任度的计算,在此基础上融合用户偏好的增强信任度机制,以及线性加权JMSD相关系数,两组数据集下的对比实验表明,与三种基准算法对比改进的算法模型具有更低的平均绝对误差（MAE）,更高的召回率（Recall）,提高了推荐质量.     

LBSN中融合类别信息的混合推荐模型

针对基于位置的社交网络（Location-Based Social Network,LBSN）中用户签到数据的高稀疏性问题及用户隐私问题,提出了一种混合推荐模型（SoGeoCat）.首先,通过用户潜在兴趣点数据模型,学习用户的潜在兴趣点;其次,将用户的潜在兴趣点纳入融合类别信息的矩阵分解模型中并优化;最后,根据用户特征矩阵、兴趣点特征矩阵,提出推荐策略.基于Foursquare真实数据集,实验结果表明：（1）相比于其他几个推荐模型,该算法将用户的潜在兴趣点填充至用户-兴趣点矩阵中,可以有效地缓解数据稀疏性的影响;（2）该算法可保护用户家庭信息;（3）在推荐模型中纳入类别信息的影响能提高推荐效果.     

基于聚类的快速数据流匿名方法

为了防止敏感信息的泄漏,保护用户隐私,常采用概化和抑制等技术在共享数据前对其准标识符进行匿名化。与静态数据集不同,数据流具有潜在无限、高度动态等特性,使得数据流匿名需要解决更加复杂的问题,不能直接应用静态数据集的匿名方法。在分析现有数据流匿名方法的基础上,提出一种采用聚类思想进行数据流匿名的方法,通过单遍扫描数据识别和重用满足匿名条件的簇,以实现数据流的快速匿名。真实数据集上的实验结果表明,该方法在满足匿名要求的同时能够降低概化和抑制处理带来的信息损失,并且具有较低的时间和空间复杂度。