一种基于矩阵补全的无线传感网数据收集方案

针对无线传感器网络中的数据收集问题,设计了一种基于矩阵补全的数据收集方案.首先利用低秩矩阵分解模型将传感器节点的数据收集问题转换为两个相互关联的凸优化子问题,然后利用基于改进Kaczmarz迭代的矩阵补全算法循环交替求解凸优化子问题.在Kaczmarz迭代过程中,依据Johnson-Lindenstrauss引理对投影操作降维,从而提高了矩阵补全算法的计算速度.实验结果表明与现有矩阵补全算法相比,文中所设计的矩阵补全算法在重构精度、成功重构概率以及重构时间等方面具有较优的重构性能.     

基于手机内置多传感器的瞬时心率估计

针对仅使用智能手机摄像头提取脉搏信号很难进行瞬时心率估计的问题,本文提出一种融合摄像头传感器与加速度传感器的瞬时心率估计方法(instantaneous heart rate estimation,IHRE)。该方法通过手机摄像头采集人体体表光电容积脉搏波信号(photoplethysmography,PPG),通过手机内置的加速度传感器计算人体腹部呼吸信号。将呼吸信号作为载波信号,采用变频复解调方法(variable frequency complex demodulation,VFCDM)解调PPG信号,得到瞬时心率信号。实验结果表明:以传统ECG方法为基准,IHRE方法比传统短时自相关方法(short-term autocorrelation,STA)有效率误差降低14.3%,而准确率提高11.5%。因此,IHRE方法可以在Android智能手机上实现有效和准确地的瞬时心率估计。     

中文分词及词性标注一体化模型研究

本文应用N-最短路径法，构造了一种中文自动分词和词性自动标注一体化处理的模型，在分词阶段召回N个最佳结果作为候选集，最终的结果会在未登录词识别和词性标注之后，从这N个最有潜力的候选结果中选优得到，并基于该模型实现了一个中文自动分词和词性自动标注一体化处理的中文词法分析器。初步的开放测试证明，该分析器的分词准确率和词性标注准确率分别达到98．1％和95．07％。     

面向知识图谱约束问答的强化学习推理技术

知识图谱问答任务通过问题分析与知识图谱推理,将问题的精准答案返回给用户,现已被广泛应用于智能搜索、个性化推荐等智慧信息服务中.考虑到关系监督学习方法人工标注的高昂代价,学者们开始采用强化学习等弱监督学习方法设计知识图谱问答模型.然而,面对带有约束的复杂问题,现有方法面临两大挑战:(1)多跳长路径推理导致奖励稀疏与延迟;(2)难以处理约束问题推理路径分支.针对上述挑战,设计了融合约束信息的奖励函数,能够解决弱监督学习面临的奖励稀疏与延迟问题;设计了基于强化学习的约束路径推理模型COPAR,提出了基于注意力机制的动作选择策略与基于约束的实体选择策略,能够依据问题约束信息选择关系及实体,缩减推理搜索空间,解决了推理路径分支问题.此外,提出了歧义约束处理策略,有效解决了推理路径歧义问题.采用知识图谱问答基准数据集对COPAR的性能进行了验证和对比.实验结果表明:与现有先进方法相比,在多跳数据集上性能相对提升了2%-7%,在约束数据集上性能均优于对比模型,准确率提升7.8%以上.     

求解子集和问题的采样格归约算法

子集和问题是计算机科学中的重要问题,也是构建多种公钥密码体制的基础.提出了采样归约算法,使用随机采样方法降低问题维度,将原问题分解并归约为多个更小规模的格上最短向量,降低了构造格的半径,从而提高求解的效率,得到原问题的精确解或提高近似解的逼近程度.给出了理论上采样归约算法最差情况的成功率.更进一步地,在目标解重量较低的情况下,可以进行分段采样,对问题增加限定条件,提高解题效率.实验结果表明,对于高维度的子集和问题,与CJLOSS等已有的格归约子集和问题方法相比,该算法可以更高效地求解出问题的精确解,而且可以提高近似解的逼近程度,输出近似解的平均长度达到了CJLOSS算法的0.55倍、DR算法的0.64倍.     

基于二部图模型的欠、过约束几何约束系统的识别和处理

采用表达几何基元参数和基本几何约束的二部图模型表示几何约束系统,提出一种新的基于二部图最大匹配的几何约束求解方法,并由二部图分解法对几何约束系统的欠、过约束属性进行识别。通过加入几何约束优先级,改进几何约束装配机制来处理欠约束几何约束系统;当处理过约束的几何约束系统时,由改进的人工蜂群算法识别一致性与非一致性过约束并对识别的过约束子域进行有效处理。研究结果表明,本文基于新的二部图模型的几何约束求解方法是行之有效的。     

基于双隐层极限学习机的模糊XML文档分类

随着大数据时代的到来,对异构和分布式的模糊XML数据管理显得越来越重要。在模糊XML数据的管理中,模糊XML文档的分类是关键问题。针对模糊XML文档的分类,提出采用双隐层极限学习机模型来实现模糊XML文档自动分类。这个模型可以分为两个部分:第一层采用极限学习机提取模糊XML文档的相应特征,第二层利用核极限学习机根据这些特征进行最终的模糊XML文档分类。通过实验验证了所提方法的性能优势。首先对主要的调节参数包括隐藏层节点的数目L,常量C和核参数γ进行了研究,接下来的对比实验说明提出的基于双隐层ELM(Extreme Learning Machine)的方法相较于传统单隐层ELM以及SVM(Support Vector Machine)方法,分类精度得到较大提高,训练时间进一步缩减。     

EMT中传感器位置偏差对成像结果的影响

以电磁层析成像(EMT)仿真系统为研究对象,讨论了检测线圈位置偏移和角度偏转对成像结果的影响。利用相对误差平均值、相对误差最大值和相对误差最小值等作为评价指标,比较了在二维空间上检测线圈各个轴向上位移偏差和角度偏转造成的检测值误差,给出了图像重建结果,得出结论:当测量数据存在噪声时,重建的图像位置会接近物场的边缘,即离近线圈传感器,对于校正传感器模型有实际意义。