融合标签预处理与节点影响力的重叠社区发现算法

针对节点初始标签散乱及标签传播随机性大的问题,提出一种融合标签预处理与节点影响力的重叠社区发现算法。首先,计算节点影响力,逐步选择影响力值最大的节点作为中心节点;然后,用中心节点的标签对同质的邻居节点进行标签预处理,减少了初始标签数量,降低了后续标签传播的随机性,并初步识别出了重叠节点;其次,通过标签隶属系数识别重叠节点,用节点影响力值选择非重叠节点标签,提高了算法的稳定性和准确性;最后,以最大化自适应函数增量为目标,对内聚度弱的社区进行合并,提高了社区质量。仿真实验结果表明：对于六个真实网络,所提算法在50%的数据集上具有最大的扩展模块度值;而在不同混合度、节点重叠度和节点最大归属社区数的人工基准网络上,该算法在标准化互信息（NMI）指标上都具有最好的性能。综上所述,该算法对各类网络都具有较好的适应性,且具有接近线性的时间复杂度。     

基于特征点密度的DCT域盲检测数字水印算法

针对数字水印图像遭受几何攻击问题,提出了一种融合图像不变特征和频域稳定特性的强鲁棒数字水印盲检测算法。通过构造自适应尺度不变特征变换(SIFT)算法和Harris角点补位法,利用在不同尺度空间获取的特征点的密度自适应地调整水印信息嵌入到离散余弦变换(DCT)域的强度;将图像子块的特征向量集进行Arnold置乱,生成密钥文件,与隐秘图像的特征向量做双向特征匹配,获得几何失真参数并进行图像恢复性校正,以盲检测的形式提取IDCT反变换域水印信息。从实验结果来看,该算法比使用离散小波变换(DWT)和离散傅里叶变换(DFT)的峰值信噪提高13%,水印相似度提高11%,说明该文算法在获得较好的不可见性的同时,对几何攻击和常规信号处理均具有良好的鲁棒性。     

On multiple-model extended target multi-Bernoulli filters

In this paper, we propose a multiple-model (MM) version of the extended target multi-Bernoulli (ET-MB) filter for estimating multiple maneuvering extended targets. A Gaussian mixture (GM) implementation of the MM-ET-MB filter for linear Gaussian models and a sequential Monte Carlo (SMC) implementation of the MM-ET-MB filter for nonlinear models are presented. Two numerical examples are provided to verify the effectiveness of the MM-ET-MB filter for estimating multiple maneuvering extended targets.     

基于随机匹配的非局部相似块搜索算法

针对非局部相似块搜索问题,提出一个基于随机匹配的k近邻块匹配算法.在基于Jump Flooding传播的块匹配算法基础上,改进其候选参考块的产生方式,增加从查询块的局部邻域中随机产生候选参考块这一方式.这一改进提高了候选参考块匹配的可能性,进而提高了算法的匹配精确度.实验结果表明改进算法在时间效率和并行性上,与原算法相差不大,但在匹配精确度上,要优于原算法.     

物联网技术在武夷智慧旅游中的应用探究

物联网技术作为智慧旅游发展的关键技术,可以推动我国现代旅游信息化建设,满足旅游者的信息需求,因此,物联网在旅游业的应用具有广阔的发展前景。文章侧重研究物联网技术在武夷智慧旅游服务中的应用,从游客立场出发,探究了物联网技术在武夷山导航、导游、导览过程中向游客提供的相关技术服务的发展现状,从技术层面,提出了物联网技术在武夷山旅游服务中可开发的创新旅游服务项目。     

融合标签预处理与节点影响力的重叠社区发现算法

针对节点初始标签散乱及标签传播随机性大的问题，提出一种融合标签预处理与节点影响力的重叠社区发现算法。首先，计算节点影响力，逐步选择影响力值最大的节点作为中心节点；然后，用中心节点的标签对同质的邻居节点进行标签预处理，减少了初始标签数量，降低了后续标签传播的随机性，并初步识别出了重叠节点；其次，通过标签隶属系数识别重叠节点，用节点影响力值选择非重叠节点标签，提高了算法的稳定性和准确性；最后，以最大化自适应函数增量为目标，对内聚度弱的社区进行合并，提高了社区质量。仿真实验结果表明：对于六个真实网络，所提算法在50%的数据集上具有最大的扩展模块度值；而在不同混合度、节点重叠度和节点最大归属社区数的人工基准网络上，该算法在标准化互信息（NMI）指标上都具有最好的性能。综上所述，该算法对各类网络都具有较好的适应性，且具有接近线性的时间复杂度。     

融合权重和结构的加权非负矩阵分解的链路预测

链路预测的目标是根据已知网络结构信息去预测尚未连接的节点间形成链接的可能性。大部分现存链路预测方法仅关注无向无权网络,忽略自然权重与网络结构,从而导致预测精度下降。为此,文章提出一个加权非负矩阵分解（WNMF）的链路预测模型。该模型同时保持自然权重和加权网络局部结构。首先,将权重网络的邻接矩阵分解映射到低维潜在空间,以保持原始网络自然链接权重,然后将3个经典的加权共同邻居（WCN）、加权Adamic-Adar（WAA）和加权资源分配（WRA）作为指示矩阵分配给非负矩阵分解模型,以保持网络局部结构,并融合以上两类信息提出3个基于加权非负矩阵分解框架（WNMF框架）的链路预测模型:WNMF-WCN、WNMF-WAA和WNMF-WRA。此外,采用拉格朗日乘法规则学习所提3个模型参数。在6个真实世界加权网络上将现有链路预测模型与本文链路预测模型相比较,其结果表明,所提模型的PCC和Precision值最高可分别提升22.8%和23.5%。     

基于双特征融合与自适应提升机制的图像动作识别算法

针对复杂环境中动作识别易受到光照变化、目标旋转,遮挡等导致目标位置不精确,目标漂移以及识别错误等问题,提出了一种基于双特征融合与自适应提升的动作识别算法。首先,基于时空上下文(spatio-temporal context,STC)机制,通过时空上下文关系与视觉系统特性来提取图像序列特征,降低光照变化、遮挡对行为动作的影响;同时,利用卷积神经网络(convolution neural network,CNN)来处理图像序列,分别获得STC特征与CNN特征;其次,引入主成分分析算子,定义双特征融合规则,对获得STC特征与CNN特征进行组合,形成一种更准确、完整的特征表示;然后,通过得到的新特征,利用自适应提升算法(adaptive boosting algorithm,ABA)进行分类训练,完成对行为动作决策判断。在Weizmann、Hollywood数据集上测试表明,相对于当前常用的动作识别方法,所提算法对各种行为动作具有更高的识别精度与鲁棒性,更能适应复杂背景和动作变化。所提算法具有较高的人体动作识别精度,在视频监测、人机交互等领域具有一定的应用价值。     

一种基于MACA的自适应跟踪算法

针对视频序列图像目标跟踪中经常因场景复杂、目标颜色多样以及目标发生旋转、遮挡和速率变化时丢失目标问题,提出了一种多模式自适应CamShift算法（MACA）.通过将Cam-Shift算法对H分量敏感的特性推广到S、V分量,构造了凸函数组合模型,利用多目标规划最优求解法获取自适应颜色识别最佳组合解,配合倾角识别和基于IIR滤波的目标运动状态信息预测跟踪技术,取得了理想的跟踪效果.将MACA算法应用于自适应实时跟踪系统进行验证性实验表明,该算法具有良好的实时性和鲁棒性.     

一类时间空间分数阶Klein - Gordon方程的孤立波解

利用1/G展开法对一类时间 - 空间分数阶Klein - Gordon方程进行了求解,并得到了丰富的行波解.所得解主要为该方程的孤立波解和扭曲波解.选取部分解进行相图分析显示,所得解均是有效的.该研究结果扩展了分数阶Klein - Gordon方程的应用范围.