The Application Model of Moving Objects in Cargo Delivery System

Consider a database that represents and manages the information about moving objects and their locations such as the material delivery system, the communication is vital and constant among the database (delivery center), the moving objects (the material on road) and database application users (the owner of the material). We need to establish the new model for moving objects such as location model, indexing, dynamic attributes, spatial and temporal query, etc. in database management system (DBM…     

基于环签名的医疗区块链隐私数据共享模型

随着医疗行业信息化的推进,医疗领域已进入大数据时代,但在数据异构、互操作性和隐私保护等方面仍面临诸多挑战。针对上述问题,该文构建了基于环签名的去中心化医疗大数据共享模型。该模型基于区块链去中心化思想维护一个可靠的医疗数据账本,确保隐私数据的不可篡改。构建了基于环签名的隐私数据存储协议,利用其完全匿名性保障了医疗数据和病人身份隐私的安全性;提出了基于智能合约自动化执行预设指令的医疗信息严密访问控制管理机制,通过明确划分医疗隐私信息访问权限来保障医疗隐私数据的权威性和机密性。经安全性测试结果表明,相比于传统医疗大数据共享模式,该模型具有更好的实时性和鲁棒性。     

多项式相位信号参数估计新方法*

改进了多项式相位变换,并提出了多相位信号参数估计方法。仿真证明了在较低信噪比的情况下,参数估计的均方误差接近Cramer-Rao界。采用傅里叶系数插值的频率估计算法提高了该方法的运算速度。分析和仿真结果证明了该方法的有效性。     

基于自监督学习的社交网络用户轨迹预测模型

针对当前用户轨迹数据建模中存在的签到点稀疏性、长时间依赖性和移动模式复杂等问题,提出基于自监督学习的社交网络用户轨迹预测模型SeNext,对用户轨迹进行建模和训练来预测用户的下一个兴趣点（POI）。首先,使用数据增强的方式来丰富训练数据样本,以解决数据不足及个别用户足迹太少导致的模型泛化能力不足的问题;其次,将循环神经网络（RNN）、卷积神经网络（CNN）和注意力机制分别用于当前轨迹和历史轨迹的建模中,以此从高维稀疏的数据中提取有用的表示,用来匹配用户过去最相似的移动方式。最后,通过结合自监督学习并引入对比损失优化噪声对比估计（InfoNCE）,SeNext在潜在空间学习隐含表示来预测用户的下一个POI。实验结果表明,在纽约数据集上,SeNext比最新的VANext（Variational Attention based Next）模型的预测准确度在Top@1上提高了11.10%左右。     

区块链技术原理与应用综述

近年来,随着数字加密货币逐步走进人们的视野,其底层的区块链技术也引起了研究者的高度重视。区块链作为一种分布式账本技术,具有多方维护、不可篡改、公开透明等特点。首先,将区块链结构按层级进行划分,从低到高介绍了每层的作用和原理,根据开放程度将区块链分为公有链、联盟链、私有链,以比特币、Hyperledger Fabric为例分析了公有链和联盟链的工作机理。其次,对区块链的底层核心技术共识算法、智能合约、隐私安全做了详细阐述。最后,分析了区块链的研究进展并进行了展望。     

基于自适应时间戳与多尺度特征提取的轨迹下一足迹预测模型

基于位置的服务已经成为人类生活方式的一部分,各种移动终端设备产生了大量时空上下文用户信息,其可被用于预测用户的下一个足迹.目前已提出一些解决方案来预测用户下一个足迹,包括递归运动函数(RMF)、矩阵分解(MF)、差分自回归移动平均模型(ARIMA)、马尔可夫链(MC)、个性化马尔可夫链(FPMC)、卡尔曼滤波器(KF)、高斯混合模型和张量分解(TF).除此之外,也可以使用诸如ST-RNN,POI2Vec,DeepMove,VANext等深度神经网络方法来预测用户的下一个足迹,这些方法利用递归神经网络(RNN)捕获来自人类活动的顺序运动模式.然而,现有方法使用一些人为设定的阈值来分割人类移动性数据以进行用户运动模式学习,人为固定时间戳设置不仅引入了人为主观因素,而且忽略了不同用户之间的差异性,这可能会导致移动模式发生偏差;而且现有方法针对用户轨迹特征提取过于单一化,单一特征忽略了很多用户轨迹潜在信息.基于自适应时间戳与多尺度特征提取的轨迹预测模型(AMSNext)旨在首次结合历史轨迹数据的时间统计特性,自适应地为每一个用户定义个性化时间戳,关注不同用户运动模式之间的差异性;并结合时间序列特征提取方法多尺度对用户轨迹特征进行提取,同时为实现多尺度特征量纲统一,将会采取归一化因果嵌入对特征进行向量嵌入.实验证明,该模型可以取得较高的预测精度.     

基于Cauchy-Schwarz逼近的网络坐标导引

针对拓扑结构突变时网络坐标系统存在的剧烈抖动问题, 定义节点导引步和误差修正步, 通过坐标的延迟发布实现突变抑制。在导引步节点保持坐标广播静默, 并基于Cauchy-Schwarz不等式生成迭代序列, 逼近节点坐标的较优初值; 在修正步执行Vivaldi算法, 修正自身坐标并广播更新。仿真实验显示, 该方法能在保证定位精度的前提下, 有效抑制拓扑结构突变对网络坐标系统产生的剧烈影响, 显著提升网络坐标系统泛化能力。     

分布式环境下动态网络时延矩阵正则化重建

时延矩阵的重建是延迟敏感型应用优化的重要基础。在深入探讨分布式网络环境下一类基于矩阵分解的非梯度下降重建算法鲁棒性的基础上,分析了时延序列抖动对算法中的不适定与病态问题反演求解的强烈影响。为了降低这种影响,在引入正则化项改善系数矩阵谱特征的基础上,提出了一种时延序列的中值-卡尔曼时空联合滤波框架以抑制抖动污染,并通过统计特征的提取实现了拓扑突变感知,从而提高动态环境下的时延矩阵重建的性能。实验结果表明,滤波重建算法可在保留时延序列主要统计特征的基础上有效避免时延噪声造成的性能损失,并提供平稳的时延估计服务,始终将应力系数保持在较低的水平上。     

近邻保持降维技术在网络异常检测中的应用

针对入侵检测中的高维数据处理问题,以直推式网络异常检测方法为原型,提出了一种基于近邻保持降维方法的新模型。该模型能够用于高维数据的降维,从而减少欧氏距离的计算量,加快异常检测算法的训练及检测速度。采用著名的KDD cup99公用数据集的仿真实验表明,相比较基于主成分分析法和单类支持向量机的网络异常检测模型来说,基于近邻保持降维技术的检测模型能够在降维的同时,保持较高的检测率和较低的误报率。