基于图卷积神经网络的SDN网络流量预测

精确和实时的网络流量预测在SDN网络中扮演着重要角色,同时对流量工程、网络控制起到重要作用.由于网络拓补的约束和时间的动态变化,即空间和时间特征,使得网络流量预测问题已经成为一个公认的科学问题.为了有效提取空间和时间特征,提出一种基于神经网络的预测模型,即结合了图卷积和门控循环单元的模型.图卷积网络可以有针对性地提取到复杂拓补的空间特征,同时门控循环单元能提取到流量的时间特征,两者的结合可以有效地预测软定义网络中的流量.在模型性能比较方面,将提出的GCGRU与经典方法进行了比较.评估指标包括MSE,RMSE,MAE.实验结果表明,GCGRU能够更有效地进行流量预测.     

结合模拟退火与规则约简的模糊系统优化方法

从数据中学习模糊系统是其智能建模的重要方法之一,针对目前模糊系统建模及优化方法对于学习后的模糊系统的规则数以及结构优化关注不足而影响了其精度和可解释性的问题,提出了一种结合模拟退火与基于支持度约简规则的模糊系统优化方法。该方法通过支持度约简系统冗余规则进而提高模糊系统的可解释性;同时利用模拟退火算法优化模糊系统的隶属度函数参数进一步提高模糊系统的精度。针对回归任务,与BP（Back Propagation）神经网络、径向基（Radial Basis Function,RBF）神经网络以及经典的模糊算法WM（Wang-Mendel）在不同领域的3个经典数据集上进行实验比较,实验结果表明：该算法在预测方面取得了更高的精度;与WM算法相比,所提算法中规则数明显减少,进一步提高了系统的可解释性。     

基于手机传感器轨迹的路面地物检测方法

针对传统路面地物信息采集方法存在的数据采集周期长、成本高等问题,提出了一种基于手机传感器轨迹的城市路面地物检测方法.利用手机记录车辆行驶过程中各传感器数据的变化,分析经过姿态校正后的加速度数据,研究加速度变化与路况之间的联系,构建BP神经网络模型,并使用已采集数据对模型进行训练,以识别路面地物.实验结果表明,基于手机传感器轨迹的路面地物检测方法具有快速准确地检测路面地物信息的能力,且地物检测准确率大于85％,能够较为准确地检测路面地物,文中基于手机姿态传感器对手机加速度传感器姿态进行了实时矫正,利用手机垂直于路面的加速度变化检测路面地物,因此所提方法具有手机加速度传感器姿态无关性,此外,所提方法对硬件设备要求低、数据采集效率高,降低了路面地物信息采集的成本,具有广泛的应用前景.     

改进灰狼优化算法的K-Means文本聚类

针对K-Means算法在文本聚类过程中易陷入局部最优,造成文本聚类结果不准确的问题,提出了一种基于改进灰狼优化算法的K-Means文本聚类方法。在对文本数据进行分词、去停用词、特征提取以及文本向量化后,通过免疫克隆选择选出精英个体,并对精英个体进行深度探索以增加灰狼种群的多样性,避免早熟收敛现象的发生;将粒子群位置更新思想与灰狼位置更新结合,降低灰狼优化算法陷入局部极值的风险;与K-Means算法结合进行文本聚类。所提算法与K-Means算法、GWO-KMeans以及IPSK-Means算法相比,其准确率、召回率和F值平均都有明显提高,文本聚类结果更可靠。     

结合改进VGGNet和Focal Loss的人脸表情识别

针对目前表情识别准确率偏低,表情数据集中类别样本类间差异小、类内差异大以及误标注样本产生的误分类等问题,提出了一种结合改进VGGNet和Focal Loss的人脸表情识别算法。在迁移学习的基础上,通过设计新的输出模块对VGGNet模型进行改进,提升了模型的特征提取能力,能够较好地避免过拟合现象;通过设置概率阈值对Focal Loss进行改进,避免误标注样本对模型分类性能产生影响。实验结果表明,该模型在CK+、JAFFE以及FER2013数据集上的识别准确率分别达到了99.68%、97.61%和72.49%,在实际应用中泛化能力突出。     

利用邻域信息交互的在线流特征选择算法

开放动态环境下的机器学习任务面临着数据特征空间的高维性和动态性。目前已有在线流特征选择算法基本仅考虑特征的重要性和冗余性,忽略了特征的交互性。特征交互是指那些本身与标签单独统计时呈现无关或弱相关,但与其他特征结合时却能与标签呈强相关的特征。基于此,提出一种基于邻域信息交互的在线流特征选择算法,该算法分为在线交互特征选择和在线冗余特征剔除两个阶段,即直接计算新到特征与整个已选特征子集的交互强弱程度,以及利用成对比较机制剔除冗余特征。在10个数据集上的实验结果表明了所提算法的有效性。     

上市公司文本信息披露智能分析研究综述

对上市公司发布的文本信息披露进行分析是投资者了解公司经营状况、做出投资决策的重要途径,然而人工阅读和分析的方法存在效率低、成本高等问题。人工智能技术的发展则为文本信息的智能分析提供了契机,能够从海量企业文本数据中挖掘有价值的信息,充分发挥数据驱动的优势,大幅度提高分析效率,成为近些年的研究热点。对近十年关于上市公司文本信息披露智能分析的研究工作进行了总结,分别从文本信息披露的事件类型的研究现状、智能分析方法和应用场景三个方面进行了归纳,分析了该领域当前面临的挑战,最后根据现有方法的不足指出了未来可能的研究方向。     

图像超分辨率深度学习研究及应用进展

图像超分辨率重建是用低分辨率图像重建出对应的高分辨率图像的过程。目前,图像超分辨率技术已经成功应用于计算机视觉和图像处理领域。近年来,由于深度学习具有能够从大量数据中自动学习特征的能力,因此被广泛应用于图像超分辨率领域中。介绍了图像超分辨重建的背景,详细总结了用于图像超分辨率的深度学习模型,阐述了图像超分辨率技术在卫星遥感图像、医学影像、视频监控、工业检测任务方面的应用。总结了图像超分辨算法的当前研究现状以及未来发展方向。     

基于用户满意度的图标动态形式设计

为了增加用户对人机界面图标的可理解性,提高用户认知效率,提出一种基于用户满意度的图标动态形式评价方法.利用速率、方向、范围、路径分别定义图标旋转、左右、上下平移、缩放4种基本动态形式;采用阈限测量法获得图标动作时间的上阈、舒适值、下阈,通过线性回归建立图标动作时间与图标动作幅度间映射关系;通过Likert量表进行动态图标范围适合度调查;结合方差分析和最小显著性差异实验,分析图标动作时间和图标动作幅度对用户偏好满意度、认知负荷的影响,并用于指导动态图标设计.实验结果表明在4种基本动态形式下,移动端的动态图标最佳动作时间在450 ms左右;动作时间与动作幅度为正相关,设备尺寸、图标复杂度对动作时间的设定有决定性的影响;动作幅度的设定与设备尺寸相关.为人机界面中动态图标设计提供了一种动态图标量化分析模型,以便为人机界面的动态图标设计提供一定的理论参考.     

基于可拓表征与神经网络的苗族图案设计

针对苗族图案的文化传承及设计应用问题,提出基于可拓表征和神经网络的民族图案创新设计方法,对苗族蜡染图案进行解构、映射和重构.首先对苗族蜡染图案进行可拓表征,运用发散树法构建设计生长阶段模型对苗族图案基元进行拓展分析.其次基于感性工学对苗族蜡染图案进行感性意象分析,提出一种面向图案构型、纹样语义和种类的图案解构方法,构建图案特征要素解构空间和情感意象认知空间.运用神经网络构建感性预测模型根据用户意象偏好推荐图案构型等设计要素,对设计思维进行收敛,并与线性回归预测模型进行对比验证其优势性.最后根据神经网络感性预测模型推荐的特征要素应用形状文法对苗族蜡染图案进行细化设计.以苗族蜡染图案为例,验证该方法的可行性,为其他民族图案的解构及创新设计提供参考.