基于软构件技术的OA系统的设计与实现

实现办公自动化是提高办公质量和效率,促进政务公开的一个重要手段。但是由于企业或单位的办公实际环境和需求千差万别,使得当前很多办公自动化系统存在开发周期过长、重复投资、可适应性和可维护性差等问题,无法真正满足用户需求。详细说明了基于构件的OA系统的正交结构模型,并阐述了基于构件的OA系统的实现方法。基于构件的OA系统具有敏捷性,能够随着办公业务的变化随时调整,以满足不同政府、企业的不同需求。同时它还具有良好的可扩展性、可维护性和可重用性。     

融合知识图谱的网络安全违法行为识别系统

《网络安全法》是我国第一部关于网络安全的综合立法,与大众的互联网生活息息相关.因此,一款面向大众的《网络安全法》智能违法行为识别系统有助于规范互联网行为.然而,现有智能违法行为识别系统构建方法难以适应《网络安全法》,这是由于:首先,现有方法需要专业司法语言进行交互,不适应普通大众的语言体系.其次,现有方法需要大量的案例训练模型,不适应案例匮乏的《网络安全法》.针对这些问题,本文提出了一个面向《网络安全法》的智能违法行为识别系统.该系统主要利用知识图谱技术解决上述问题,在构建网络安全法知识图谱的基础上,通过将普通用户的自然语言与知识图谱中的违法事件实体和违法主体实体进行实体链接的方式获得更强的特征,提高违法行为识别系统在训练集较为匮乏的条件下的准确度.通过在真实数据集上的实验,表明了提出的系统的准确度有明显提高.     

一种基于多视图协同学习的App分类方法

App分类是App检索、App推荐和用户偏好挖掘等智能服务的前提。现有App下载平台已提供了App的类别信息,但这些信息存在无法被第三方使用、无法满足定制的类别体系等问题,因此需要设计一种不依赖App下载平台的App分类方法,而要实现这一目标的挑战包括能利用的描述信息太少(通常仅有App的名称)和有标注样本的数量太少(特别是需要定制类别体系的时候)。针对这些挑战,提出了一种基于多视图协同学习的App分类方法:首先,基于互联网知识对App名称进行信息扩充;然后,从词频和主题两个视图描述App分类问题,并抽取词频分布特征和主题分布特征;最后,采用协同学习方法充分利用无标注样本来训练和融合基于这两个视图的分类器。基于大量真实App数据的实验表明:相比现有方法,提出的方法在分类准确度方面有一定优势。     

移动社交网络环境下的真实社会关系估计

移动设备的普及促进了移动社会网络的形成。移动社会网络基于用户的物理特征为其提供虚拟交互,而用户在真实世界中的社会关系知识可有效地用于改善移动社会网络服务质量。提出一种基于用户物理特征(包括由GPS坐标代表的位置特征和由蓝牙检测代表的邻近特征)估计其真实社会关系的方法。该方法首先基于用户的GPS轨迹挖掘语义化访问地点(如家、工作地点等),然后结合语义化访问地点和邻近特征估计用户间的社会关系类型。实验结果表明该方法可准确估计三种类型的真实社会关系(包括家人、同事和朋友)。     

一种基于地形因素的空气质量空间估计方法

空气质量监测对于污染评估、危害降低和环保治理等具有重要的指导意义。然而,由于空气质量监测站点的数量十分有限,且空气质量随位置的变化是非线性的,因此空气质量空间估计(即估计任意无空气质量监测站点位置的空气质量)是一项具有挑战性的工作。目前最先进的空气质量空间估计方法考虑了交通、人流、POI等因素,并基于机器学习技术建立估计模型。然而,这些方法仍存在如下不足:1)由于考虑的因素主要反映城区的特性,因此只能局限在城区范围内使用;2)直接使用从各类因素中提取的特征建立模型,没有对特征进行更深层次的提炼。针对上述问题,提出了一种基于地形因素的空气质量空间估计方法。在该方法中,首先建立地形数据库并提取地形特征,然后基于集成决策树模型对地形特征进行深层转换,最后基于因子分解机建立回归模型。基于真实数据的实验表明,该方法对估计自然地形(如高原、森林、水域等)区域中的空气质量有明显的优势。     

移动通信网络环境下的用户运动模式挖掘

为解决移动用户运动规律获取问题,提出了一种在移动通信网络(GSM)环境下,从用户低层基站位置信息中提取出运动模式的方法.针对基站连接的振荡、重叠等问题,该方法对原始基站位置数据进行分段、窗口化、分组和聚类处理,并将原始基站位置数据表示为聚类序列.采用关联规则挖掘算法从聚类序列中提取出用户运动模式.最后,基于真实基站位置数据,通过运动路径划分实验、位置数据聚类实验和运动模式挖掘实验对系统的有效性进行了评测,并给出了系统参数设置的建议.     

一种融合时空关联与社会事件的交通流预测方法

交通流预测作为智能交通系统的一个关键问题,是国内外交通领域的研究热点。交通流预测的主要挑战在于交通流数据本身具有复杂的时空关联,且易受各种社会事件的影响。针对这些挑战,提出一种用于交通流预测的深度学习框架。一方面,针对道路网络非欧氏的空间关联以及交通流时序数据的时间关联,设计了一种融合图卷积神经网络和循环神经网络的特征抽取子网络;另一方面,针对社会事件对交通流的潜在影响,设计了一种基于卷积神经网络的社会事件特征抽取子网络。最后,融合时空关联特征抽取子网络和社会事件特征抽取子网络,实现交通流预测模型。为了验证模型的有效性,文中基于真实交通流数据进行了实验。结果表明,所提模型与传统的预测模型相比具有较高的准确度,准确度提高了3%~6%。     

基于自适应多阶Markov模型的位置预测

准确预测用户的地理位置可以有效地改善基于位置服务的质量.针对标准Markov模型预测能力不足,以及多阶Markov模型阶数难以确定的问题,提出了一种基于自适应多阶Markov模型的位置预测方法.该方法采用一种基于规则图形的方式对原始位置信息进行抽象化处理,并使用一种基于训练数据的启发式方式自动确定用于预测的模型阶数.最后,基于真实的位置数据,对自适应多阶Markov模型的预测性能进行了评测.结果表明自适应多阶Markov模型的预测精度和预测长度始终高于多阶Markov模型,平均预测精度提高将近20%,平均预测长度提高将近10个单位区域,且不易受训练数据质量影响.     

基于软件体系结构的可复用构件模型*

在分析了构件间各种操作的基础上,将软件体系结构的概念引入现有的构件模型,用于对复合构件进行描述,从而改进了现有的构件模型,给出了一种基于软件体系结构的可复用构件模型,并给出了该模型的应用.     

基于分组残差联合空间学习的人体活动识别

针对基于多传感器的交互性人体活动识别任务,提出了一种基于窗口预处理和分组残差联合空间学习的多传感器交互性活动识别算法。首先,针对多传感器交互性活动数据预处理过程中的滑动窗口处理方式对人体活动识别的影响进行了实验分析和实验对比,包括不同滑动窗口大小和覆盖率等;其次,基于多传感器的交互性活动识别的窗口预处理结论,利用分组残差联合空间学习进行活动识别与分类,并设计多组对比实验,分别对网络模型、损失函数和分类器等进行了优化;最后,在Opportunity活动数据集上进行对比试验,该算法性能超过了现有的大部分其他活动识别算法。实验结果验证了基于窗口预处理和分组残差联合空间学习的多传感器人体活动识别算法的有效性。