基于次声监测的泥石流实时预警系统

目前的泥石流次声报警设备经常受环境噪声干扰而频繁产生误报,导致无法投入到实际应用中。为了提高泥石流次声监测预警的准确率,基于泥石流次声和环境干扰次声的特征差异这一原理,采用单片机与上位机相结合的方式,借助混合编程、数据库与GIS二次开发等技术手段,设计与开发基于次声监测的泥石流实时预警系统进行现场泥石流次声信号监测与判识。对云南东川蒋家沟长期现场泥石流的监测验证了该系统的工作性能。实际应用结果表明：该系统不仅具有操作简便、响应及时和实时识别等特点,还具有较高的预警准确率,在长达2年的野外监测过程中,仅出现18次误报且无一漏报。     

面向制造任务的云制造虚拟车间构造方法

针对云制造模式下快速选择和组织相关制造资源、保证制造任务执行的问题,提出一种面向制造任务的云制造虚拟车间构造方法。该方法将制造过程抽象为制造任务执行链,链中的节点对应制造设备云服务或检验云服务,链中的有向边对应物流云服务;并通过行业域、地域和类型域来组织管理云服务,以构造规模较小的候选云服务集,同时减少功能匹配、性能匹配、价格匹配和时间匹配的计算量,达到快速构建云制造虚拟车间的目的。算例分析表明,相比其他方法,该方法能够在更短的时间内完成云服务的选择,并保证所选云服务的服务质量（QoS）在相关域中是更好的。     

基于用户空间位置评分云模型的Web服务协同过滤推荐算法

Web服务作为无形的产品,不具备真实环境下的空间地理位置坐标,针对服务推荐中无法衡量用户群体与Web服务之间的距离位置关系,造成用户相似度计算失衡,导致推荐不准确等问题,提出了基于用户空间位置评分云模型的Web服务协同过滤推荐算法.首先基于用户群体的行为数据量化Web服务的热度区域,通过空间位置量化评分描述用户对于Web服务的兴趣偏好;其次利用云模型来描述每个用户空间行为评分的整体特征,设计了云模型间相似贴近度的计算方法,基于该方法提出了一种用户差异程度系数评估算法,并作为调控系数优化了皮尔森相似度量;最后通过协同过滤找出用户感兴趣的Web服务.实验结果表明该算法使得用户行为偏好的区域划分更加精确,在推荐准确率上明显提高,为基于位置的Web服务推荐提供新颖的方案.     

融合口碑和地理位置的竞争关系量化模型

在同类服务或产品中识别和量化竞争是当前竞争关系挖掘领域关注的重要问题。提出科学合理的竞争关系评价指标,构建实体竞争关系综合评价指标体系,使用隐含Dirichlet分布(LDA)模型对消费者口碑评论进行降维和主题提取,构建口碑相似度函数,对实体用户口碑相似度进行量化表示。根据实体地理位置属性,计算实体空间距离,构建实体相邻关系并以具有相邻关系实体的距离作为聚类中心,使用K近邻(KNN)算法对其进行聚类。综合上述技术提出LTM模型,融合了用户评论、实体地理位置属性,量化实体间竞争关系。大量真实移动社交网络数据上实验结果表明所提方法在量化指标制定、实用性和时间性能上具有较大优势。     

信息化标准开放服务系统框架及业务体系设计

标准开放服务是标准供给侧释放资源、服务、工具等效能的途径,针对构建从信息化标准研制到工程实践的业务闭环和服务开放问题,本文设计了一种信息化标准开放服务系统总体框架,面向业务主管部门、标准编制项目组、标准应用项目组和业务运维人员,在体系管理、标准研制、应用服务三个业务域上,提供知识管理、项目治理、鉴定认证、信息化开发和服务开放等信息化业务。     

面向复杂路网低频GPS采样数据新型地图匹配算法

大数据时代低频采样交通轨迹数据呈指数级增长,准确、高效地对复杂路网中产生的海量低频浮动车数据进行地图匹配对出租车载客热点和路线推荐具有重要意义。基于上述考虑,提出了一种基于曲线拟合的改进算法,对缺失的轨迹数据和路网数据分别使用插值和均值化的方法进行补全,利用Geohash技术对路网和轨迹数据进行存储和搜索,充分考虑车辆速度和道路限速因素,使用轨迹点后向向量和路段向量对路候选段进行分析,设计综合评价函数得到最优匹配结果。实验结果表明,与传统垂直投影算法和曲线拟合算法进行对比,所提曲线拟合算法准确率较高,时间效率得到显著提升。     

基于改进北极熊算法的制造云服务组合优化

为了提高云制造环境下制造服务组合优化的效率,提出了一种基于改进北极熊算法的制造云服务组合优化方法。该方法对制造服务进行实数编码,并以服务功能和服务质量为评价指标,使用改进的北极熊算法对制造云服务组合优化问题进行求解,得到最优的服务组合方案。同时通过引入动态视野,对算法的局部搜索进行调整,并与遗传算法中的变异策略相结合,以提高求解多目标问题的效率,同时降低因初始参数影响而导致算法陷入局部最优的可能。算例分析表明,改进的北极熊算法在求解制造云服务组合优化问题上比原始北极熊算法、标准遗传算法、改进的灰狼优化算法和改进的粒子群优化算法具有更高的效率。     

面向多维稀疏数据仓库的欺诈销售行为挖掘

分销渠道系统中,产品制造商会分配给销售额较大的分销商更多返点利润鼓励销售,而分销商之间可能会联合起来将多个分销商的销售业绩累计在其中一个分销商上,获取高额利润,这种商业欺诈行为被称为挂单或窜货.由于数据中大量正常极值点的存在,使得传统异常探测算法很难区分正常极值和由挂单导致的异常极值;另外,多维销售数据本身就存在的稀疏性导致多维数据异常探测算法无法有效运行.为了克服上述问题,将人工智能和数据库技术结合起来,提出了基于分割率的特征提取方法和基于张量重构的挂单行为挖掘算法.同时,由于分销商之间存在多种挂单行为,设计了基于挂单模式偏序格的特征提取方法来对销售数据集中存在的挂单行为进行分类.在合成数据的实验中,所提出的挂单点挖掘算法能达到65%的平均AUC值,而传统特征提取方法仅达到36%和30%的平均AUC值.在真实数据上的实验结果表明,挂单行为探测方法能区分正常销售极值和挂单行为产生的异常极值.