基于大规模矩阵Jordan分解的外包计算

目前,外包计算已成为减轻用户庞大计算量的重要策略之一。针对大规模矩阵的Jordan分解需要用户付出大量的计算资源问题。文章设计了一个安全、结果可验证、高效的外包协议,达到了节省用户计算资源的目的。通过线性变换、元素的重排列对原始矩阵进行加密,保护了用户隐私信息,并运用高效的验证算法对云端返回的结果进行了高效验证。文章通过计算复杂度分析,验证了该协议的高效性。     

地理分层结构与社会关系的兴趣点推荐

随着基于地理位置的社交网络的兴起,兴趣点(POI)推荐引起了人们的许多关注。POI推荐向用户推荐他们可能感兴趣但没有访问过的地方,从而解决用户"下一步去哪"的问题。本文提出新的用户相似性度量、全局影响力以及热门POI的概念。综合考虑了多个影响因素之间的关系,以地理分层结构的矩阵分解模型(HGMF)为基础,提出新的POI推荐算法HGS-MF。在Yelp和Gowalla社交网络数据集上对HGS-MF进行了评估。实验结果表明,HGS-MF方法的实验表现均优于传统的POI推荐算法。     

融合信任和基于概率矩阵分解的推荐算法

针对推荐精度不准确、数据稀疏、恶意推荐的问题，提出融合信任基于概率矩阵分解（PMF）的新推荐模型。首先，通过建立基于信任的协同过滤模型（CFMTS）将改进的信任机制融入到协同过滤推荐算法中。信任值通过全局信任及局部信任计算获得，其中局部信任利用了信任传播机制计算用户的直接信任值和间接信任值得到，全局信任采用信任有向图的方式计算得到。然后，将信任值与评分相似度融合以解决数据稀疏、恶意推荐的问题。同时，将CFMTS融入到PMF模型中以建立新的推荐模型——融合信任基于概率矩阵分解模型（MPMFFT），通过梯度下降算法对用户特征向量和项目特征向量进行计算以产生预测评分值，进一步提高推荐系统的精准度。通过实验将提出的MPMFFT与经典的PMF、社交信息的矩阵分解（SocialMF）、社交信息的推荐（SoRec）、加权社交信息的推荐（RSTE）等模型进行了结果的对比和分析，在公开的真实数据集Epinions上MPMFFT的平均绝对误差（MAE）和均方根误差（RMSE）比最优的RSTE模型分别降低2.9%和1.5%，同时在公开的真实数据集Ciao上MPMFFT的MAE和RMSE比最优的SocialMF模型分别降低1.1%和1.8%，结果证实了模型能在一定程度上解决数据稀疏、恶意推荐问题，有效提高推荐质量。     

核子空间投影和广义特征值分解的云数据隐私保护

云数据及大量网络数据需要在保护用户隐私的前提下进行统计和分析,对此提出核子空间投影和广义特征值分解的云数据隐私保护算法。将云数据进行数学化建模,该算法将隐私保护作为数据转换问题进行处理,转换问题分为隐私不敏感任务和隐私敏感任务两类。该算法形成类间散布矩阵,寻找子空间维度来解决特征值分解问题,并对广义特征值排序,得到广义特征向量对应的最大广义特征值;对云数据进行转换,实现数据隐私保护。实验结果表明,该方法能够实现用户隐私保护,并且核广义特征值分解算法优于子空间隐私保护算法,且两种隐私保护算法都优于其他隐私保护方法。     

基于VMD与KFCM的柴油机故障诊断算法

针对柴油机的故障诊断问题，提出了一种基于变分模态分解（variational mode decomposition，简称VMD）与核模糊C均值聚类算法（kernel fuzzy C-means clustering，简称KFCM）联合的故障诊断方法。首先，针对VMD算法中分解层数K的选择问题进行了自适应优化；然后，从优化VMD算法的分解结果中选取3个关键分量计算最大奇异值，并将其作为3维的特征向量输入KFCM算法中进行分类识别；最后，对仿真信号以及某型柴油机的模拟故障实验信号使用优化VMD、传统VMD和经验模态分解（empirical mode decomposition，简称EMD）方法分别进行分解与识别。结果表明，笔者提出的方法明显改善了模态混叠现象，提高了模式识别的诊断正确率，提出的联合算法具有更好的应用前景。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

低信噪比下雷达回波谱矩快速估计方法

针对在低信噪比下机载气象雷达回波多普勒参数（谱矩）估计不准确的问题，本文在气象目标的雷达回波频谱服从高斯分布的基础上，给出了一种利用协方差矩阵分解的快速参数化谱矩估计算法。通过理论分析，推导出雷达回波的协方差矩阵具有范德蒙结构特性，进而将用于谱矩估计的代价函数转化为类傅里叶变换结构，然后进一步通过快速傅里叶变换和高斯加权滑窗计算代价函数，实现快速的谱矩估计。仿真实验结果表明，该方法在信噪比低于5 dB时仍可以有效估计雷达回波的谱矩参数，同时运算复杂度大大降低，而且在谱宽值较大情况下仍能保持较好的估计性能。      

基于EMD与BP神经网络的齿轮故障诊断

针对基于传统BP神经网络的齿轮故障诊断方法存在收敛速度慢，误差较大等问题，提出经验模式分解（EMD）与BP神经网络相结合的齿轮故障诊断方法。首先简述经验模式分解和BP神经网络的基本原理，然后采用EMD方法提取齿轮时域信号中的各个IMF分量，计算IMF分量中故障信号能量特征参数，将这些能量特征参数作为BP神经网络输入参数进行故障诊断。在齿传动故障实验台上采集足够的样本数据进行实验研究。结果表明:与传统的BP神经网络相比，可将训练误差从0.01降低至0.001左右。此外，训练迭代次数可减小至10次以内。     

EBHP分解飞温模型建立及控制分析

对乙苯过氧化氢(EBHP)分解构建了飞温模型,绘制有冷却和无冷却体系两种工况的飞温曲线,分析了乙苯注入、紧急冷却水通入措施对飞温的抑制作用。工艺模拟试验结果表明:该EBHP飞温模型能较好预测温度随时间的变化情况,认定120℃为系统报警温度值,140℃为系统联锁值。以某63/30万t/a的苯乙烯/环氧丙烷(SMPO)装置为例,假定EBHP进料量为1000 t/h,用EBHP飞温模型核算,乙苯注入量(w)为30%的进料量时、或者紧急冷却水通入量(w)为进料量的6.5%时,系统均能快速终止飞温,且效果明显。这一研究结果为装置的安全设计和稳定运行提供了依据。