基于鱼眼图像的全景漫游模型

介绍了如何利用鱼眼镜头所拍摄的图像建立起在固定视点上沿空间任何方向的全景漫游模型的方法,它克服了使用普通镜头需要拍摄多幅照片,经过拼结,缝合处理后才能形成全景图的缺点,试验结果证明了该方法的有效性.     

基于树自动机的XQuery子类型关系和值-域关系

XQuery是W3C提出的一种对XML结构文档或数据进行查询的语言规范,该语言规范对其类型系统仅做了功能性的描述,而没有涉及在编译实现中遇到的两个类型之间子类型关系和值-域关系的判断方法.本文描述和分析了这两种关系,基于树自动机,给出了XQuery类型系统中子类型关系和值-域关系的判断算法.     

一种基于图像的运动物体检测及高度分析算法

现代监控系统要求做到无人值守，而智能视觉监控能很好满足这个要求。文中为实现这种智能视觉监控系统做了一些算法上的研究工作：实现了对运动物体进行实时检测和追踪，并利用透视几何中的消影点、消影线以及交比的约束方法对运动物体高度进行了分析。试验结果表明，此方法将自适应阈值应用到物体检测中使检测结果更加精确，并且自动估算出的物体的高度误差也很小，具有一定的实用性。     

块时间递归离散Gabor变换的并行格型结构实现方法

虽然Gabor变换在语音与图象处理、雷达、声纳、振动信号的处理与理解等很多领域被认为是非常有用的方法,然而实时应用却因其很高的计算复杂性而受到限制。为了有效地和快速地计算离散Gabor变换,论文提出了在临界抽样条件下和在过抽样条件下,一维离散Gabor变换系数求解的块时间递归算法以及由变换系数重建原信号的块时间递归算法,研究了两算法使用并行格型结构的实现方法,并讨论和比较了算法的计算复杂性和优越性。     

一种求解摄像机内参数的非线性方法

提出了一种求解摄像机内参数的非线性方法。首先对空间单个矩形的图像获得含参数，的圆环点的图像，其中r为该矩形的长宽比；进而由圆环点对摄像机内参数的约束获得一组非线性方程；通过把非线性方程组求解问题转为含3个参数的最优化问题来确定摄像机的内参数。该方法的特点在于，无需知道矩形的任何信息，也容易将所获得的非线性方程组转化为最优化问题。实验结果表明，该方法具有较高的求解精度。     

基于时间序列相似搜索和粗糙集的数据挖掘研究

提出了一种能够对含有时间序列数据的数据库信息进行数据挖掘的方法。首先使用时间序列相似搜索方法对其中的时间序列数据进行模式发现，然后将时间序列数据转化为离散型数值，进一步使用粗糙集理论进行数据约简和规则提取。通过使用这种方法能够对含有时序数据的信息进行充分的挖掘并发现其中的规律。     

对特定区域搜索引擎的自动分类系统的研究

随着因特网的飞速发展，特定区域搜索引擎（Domain-spedfic search engines）正变的越来越重要，因为这种搜索引擎通常能提供更精确的结果和一些一般的搜索引擎所不能提供的信息。然而特定区域搜索引擎通常需要花很多的时间来组建和维持。文中提出一个基于机器学习的方法来自动完成和维持这种特定区域搜索引擎，即运用最大加权依赖树分类方法改进以往的方法进行自动分类，使分类结果更为精确。运用此技术可以组建一个新的特定区域搜索引擎，将给人们的生活、学习提供方便。     

模糊聚类在信息检索中的应用

信息检索是与数据库系统并行发展了很多年的一个领域,它主要研究大量文本的信息组织和检索。典型的信息检索问题是基于用户的输入来定位相关的文本。而文本的相关性是一个模糊的概念,为了对这个模糊的概念以客观的度量,提出了一种新的文本间相关性的计算方法,该方法利用词频矩阵和模糊相似矩阵,在基于相关性检索的一组文档中,使用模糊聚类中的最大树算法,计算出一组文档间的相关度,最后用一个实例加以说明,得到了比较客观的结果。     

面向健康体检数据的多目标Top-k频繁模式挖掘方法

为解决现有的模式挖掘方法没有充分利用体检数据中检查项的异常程度与特定疾病之间相关性的问题,提出一种面向健康体检数据的多目标Top-k频繁模式挖掘方法.首先,针对体检数据的特点,提出异常度和覆盖率两个指标,在此基础上,将Top-k频繁模式挖掘建模为一个多目标优化问题;其次,针对该问题,提出一种基于偏好的种群初始化策略和一个面向模式和项的双层更新策略,并基于此设计一种高效的进化多目标优化算法进行求解.实验结果表明,所提出方法所获得的Top-k个模式不仅能够有效地反映其与特定疾病之间的关联性,而且能够提供多样化的模式,为健康管理提供重要的参考依据.     

基于卷积神经网络交互的用户属性偏好建模的推荐模型

潜在因子模型（LFM）以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能。然而,大多数LFM仍然存在一些问题：第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联。针对上述问题,提出一种新的推荐模型：基于卷积神经网络（CNN）交互的用户属性偏好建模的推荐模型（UAMC）。该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分。在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验。实验结果表明,所提模型在均方根误差（RMSE）上与稀疏数据预测的神经网络分解机（NFM）模型相比分别降低了1.75%、2.78%和0.25%,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性。