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。     

极化SAR图像解译中的不相似性度量

不相似性度量常用来描述极化合成孔径雷达(SAR)样本数据之间的差异性,已被广泛应用于滤波、目标检测、分割分类和变化检测等多种极化SAR图像解译技术中。基于极化SAR数据的矩阵表达形式,从特征、统计分布、假设检验、信息论散度和信息几何等多角度出发,总结回顾了极化SAR图像解译问题中常见的不相似性度量,简要分析了其优势、存在的问题以及适用范围,并对极化SAR不相似性度量的研究趋势进行了展望。     

一种基于压缩感知的运动目标检测技术

运动目标检测是计算机视觉、图像处理等相关领域的研究热点，其核心就是对视频图像中的每一帧图像进行相应的研究和处理。本文主要研究思路是从压缩感知技术采样信号的角度出发，将每一帧的二维图像压缩采样成具有少量信息的一维信号，再通过信号重构用少量数据量将图像重构出来，最后通过目标检测技术对每一帧的图像进行运动目标提取。仿真实验表明该方法是可行和有效的，同时可以大大减少目标检测中所记录的数据量，解决海量数据的存储与传输问题。     

利用C语言求解方阵行列式及逆矩阵的探讨

行列式与逆矩阵是《线性代数》课程的重要内容之一。借助C语言实现了任意方阵行列式的计算与逆矩阵求解,算法设计完全从线性代数中行列式、逆矩阵相关概念与定理的内涵出发,综合运用C语言的基本知识与技巧,算法思维简洁、结构清晰。该程序的设计与实现,为深刻理解线性代数的基本概念与知识,提高学生的计算思维水平与编程能力提供了一种参考途径。     

一种超宽带多模喇叭的设计

采用模式匹配法结合优化算法，为新疆天文台110 m天线研制出一种工作频带为4~12 GHz的三倍频多模喇叭.该喇叭由225个圆波导台阶组成，除了加工制造易于实现之外，与常规多模喇叭以及波纹喇叭相比，最突出的优点是在超宽频带内具有等化的辐射方向图，非常适合用作超宽频带射电天文观测天线的高效率馈源或者用于其他需要超宽频带设计的天线.     

距离度量学习算法的精确性研究

距离度量学习是机器学习领域较为活跃的研究课题之一,文中利用UCI(加州大学欧文分校)数据库的数据对度量学习算法进行比较研究。为了寻找一种可靠的没有明确定义标志的算法,选择四种算法在UCI的六个数据集上对距离矩阵进行比较。每个样本数据集的性质(尺寸和维度)是不同的,因此算法的结果也不同。编码相似度算法在大多数情况下表现良好。在未来的实际应用领域,对于提高无标记数据和相似集的距离度量学习算法的精确性提供了研究基础。     

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。     

步长自适应的测量矩阵迭代优化方法

在压缩感知中，降低传感矩阵的列相干性可以提高重构精度。因为稀疏字典一般是固定的，所以目前主要通过优化测量矩阵来间接降低传感矩阵列相干性。提出一种改进的测量矩阵优化算法，使用梯度下降法更新测量矩阵并结合Barzilai-Borwen方法以及Armijo准则，使步长能够在迭代中自适应调整并保证算法收敛性。仿真实验表明，所提出的方法具有更快的收敛速度并且能够得到更优的测量矩阵。