一种无线传感器网络环境下的查询路由与负载均衡机制

针对无线传感器网络节点数量多、通信距离短、能量有限的特点,提出一种查询增益路由算法以及基于路由的负载均衡机制。查询增益路由算法通过查询增益矩阵维护路由信息,并依据历史查询成功记录来选取路由节点;而基于路由的负载均衡机制可以在查询路由过程中记录节点的能量信息,转移负载,使得查询路径中各节点的能量消耗得到均衡。仿真实验结果表明,查询增益路由算法可以在降低节点能量消耗的前提下提高查询成功率,而基于路由的负载均衡机制可以进一步降低查询增益路由算法的能量消耗。     

基于Apache Lucene的地址匹配技术研究

地址匹配技术常常被用于对属性地址信息快速定位,也是解决目前GIS系统分析能力瓶颈的重要方法。首先分析了中文地址匹配技术应用的现状以及常用地址匹配方法的优缺点,在此基础上给出了基于全文检索技术的地址匹配方法,并使用参考规则进行匹配结果优化,随后使用实验证明了方法的准确性。     

基于Web技术进行移动应用开发和中间件的研究

提出了一种基于纯Web技术来进行移动应用开发的新型开发模式,并指出其可行性和意义.基于这样的一种开发模式,通过MUI和HTML5+的技术实现一个跨平台的移动端体育竞技平台.最后打包部署在包括ios、Android手机与平板等所有移动端设备上运行,验证了这样的一种开发模式的可行性与优势所在.在Web技术日益发达的今天,这样的开发方式会得到越来越广泛的关注和应用.     

三维网络拓扑结构的水声传感器网络MAC协议

水声传感器网络Underwater Acoustic Sensor Network(UWASN)由于其广阔的应用前景,近年来逐渐被人们关注。然而由于水下环境的限制性,水声传感器网络具有其一些独特性。例如,与二维的陆地传感器网络不同,水声传感器网络是三维的。如今,现有的介质访问控制Medium Access Control(MAC)协议大多是针对二维无线传感网络,很少有基于三维水声传感器网络的 MAC 协议。针对水下三维网络,提出了基于三维网络拓扑结构的水声传感器网络 MAC 协议。该协议将网络中的节点生成树结构,并利用子节点与父节点之间的关系,通过动态节点算法实现三维动态的水声传感器网络。此外,详细分析了节点间的碰撞并有效解决各种碰撞,从而大大提高了信道利用率。通过仿真软件对比不同协议在同一网络拓扑中的实验结果,证实文中协议能够有效节约大量能源。     

一种基于聚类集成技术的混合型数据聚类算法

提出了一种基于集成技术和谱聚类技术的混合数据聚类算法CBEST。它利用聚类集成技术产生混合数据间的相似性,这种相似性度量没有对数据特征值分布模型做任何的假设。基于此相似性度量得到的待聚类数据的相似性矩阵,应用谱聚类算法得到混合数据聚类结果。大量真实和人工数据上的实验结果验证了CBEST的有效性和它对噪声的鲁棒性。与其它混合数据聚类算法的比较研究也证明了CBEST的优越性能。CBEST还能有效融合先验知识,通过参数的调节来设置不同属性在聚类中的权重。     

基于霍夫森林和半监督学习的图像分类

机器学习中的监督学习算法需要用有标记样本训练分类模型。而收集训练样本,并进行分类的过程,需要耗费大量人力物力以及时间。因此,如何高效率地完成图像分类一直是业内研究的热点。提出了一种基于霍夫森林和半监督学习的图像分类算法,能用较少的样本训练分类器,并在分类的过程中不断获取新的训练样本。并对部分训练结果加以人工标注,该方法有效提高了标注效率。利用COREL数据对该算法进行了实验验证,结果表明,该算法可以利用少量的训练样本,得到令人满意的标注精确度,提高人工效率。     

一种基于文档模式的GML压缩方法

GML已成为地理空间数据编码的事实标准.GML文档一般体积庞大,存储和传输时占用巨额资源.提出了一种基于文档模式的有效GML压缩方法,通过用文档推导出的模式验证文档本身,对树自动机的状态转换路径进行比特编码,对坐标数据增量编码,实现GML文档压缩.对真实GML文档的压缩实验表明,所提出方法的压缩率优于通用文本压缩器(gzip和PPMD)、主要高性能XML压缩器(XMill,XMLPPM和XWRT)以及现有GML压缩器GPress.     

基于残差量化卷积神经网络的人脸识别方法

针对大规模人脸识别问题,基于残差学习的超深卷积神经网络模型能取得比其他方法更高的识别精度,然而模型中存在的海量浮点参数需要占用大量的计算和存储资源,无法满足资源受限的场合需求.针对这一问题,本文设计了一种基于网络参数量化的超深残差网络模型.具体在Face-ResNet模型的基础上,增加了批归一化层和dropout层,加深了网络层次,对网络模型参数进行了二值量化,在模型识别精度损失极小的情况下,大幅压缩了模型大小并提升了计算效率.通过理论分析与实验验证了本文设计方法的有效性.     

基于LSTM的POI个性化推荐框架

近年来,随着基于位置的社会网络（Location-Based Social Network,LBSN）热度的不断增加,为用户推荐下一个POI （Point-Of-Interests）也显得越来越重要.而对应的各种应用搜集到的用户的行为时间、地理、好友以及标签等信息的增多,使得POI推荐变得更加容易.目前针对POI推荐,已经有部分算法提出,但是他们受限于自身的局限性,还都不能很好的解决这个问题,例如,个性化马尔科夫链（Factorizing Personalized Markov Chain,FPMC）、张量分解（Tensor Factorization,TF）、RNN （Recurrent Neural Networks）等.但是,这些模型由于其本身缺陷,都不能完美的糅合POI场景中的所有信息.在这篇文章中,我们扩展了长短时记忆循环神经网络（Long-ShorT Memory recurrent neural networks,LSTM）,提出一种全新的推荐框架POI-LSTM来解决POI推荐问题.POI-LSTM借鉴Embedding的思想,对用户信息、好友关系、POI信息和评论信息进行向量化后,输入到神经网络中,同时利用LSTM捕捉用户的兴趣特征和兴趣的变化趋势,最终能够在不同的输入层拟合社交网络信息和语义信息,同时利用用户历史行为的时间和地理位置信息来为用户推荐下一个兴趣点.