从信息学的角度分析复杂网络链路预测

链路预测作为复杂网络分析的一项重要任务,其目的是寻找节点间缺失(新)的链路,识别虚假交互,对于挖掘和分析网络的演化,重塑网络模型具有重要意义.传统的链路预测方法多数采用拓扑结构信息、节点的属性信息和图的结构特征.应用这些特征等外部信息可以得到很好的预测效果.本文从信息学的角度全面分析、回顾和讨论了复杂网络链路预测的发展现状,提出了链路预测技术和问题的系统分类.首次将分层的思想引入链路预测分类体系中,把当前的链路预测方法分为基于监督学习的技术、基于半监督学习的技术、基于无监督学习的技术和基于强化学习的技术.对每种技术的优缺点、复杂性、所使用的具体特征,开源实现及应用建议进行了详细的分析.最后,讨论了当前复杂网络链路预测技术未来的发展方向.     

高并发校园快递超市系统

为解决校园师生方便收发快递快件, 基于PHP技术设计与实现了一种安全、高并发的校园快递超市管理系统. 系统基于thinkphp开源框架, 采用页面静态化、Memcache等技术, 在Web方式下实现可支持一定并发量的快递快件信息的查询、录入、签收、监控、统计等功能. 结果表明该系统提高了快递超市的工作效率; 规范了快递快件管理; 系统数据可帮助快递企业提供决策支持.     

基于S3C44B0X的机器人嵌入式控制系统

介绍了一个基于S3C44B0X处理器的机器人控制系统的硬件设计与实现,操作系统的移植,并对系统的实时性作了初步的分析测试.该系统性能好、功耗低、重量轻、实时性好,非常适合作为家用保安机器人的控制器.     

基于中小企业校企合作的高职院校软件人才培养实践

分析高职院校在校企合作过程中存在的问题,强调中小企业在校企合作中的重要作用,提出针对软件行业人才培养的"1+N"校企合作模式,从构建产教融合创新实践基地、创新校企合作模式、改革专业教学模式等方面探讨如何进行基于中小企业校企合作的高职软件人才培养,最后通过实施成效说明"1+N"校企合作模式的有效性.     

卷积自编码器融合核近似技术的异常检测模型

图像中的异常检测是计算机视觉中非常重要的研究主题, 它可以定义为单分类问题;针对图像数据集的规模大,维度高等特性,一种新的深度卷积自编码器(Convolutional Autoencoder, CAE)与核近似单分类支持向量机(One Class Support Vector Machine, OCSVM)相结合的异常检测模型CAE-OCSVM被提出;模型中的深度卷积自编码器负责学习图像的本质特征表示,然后使用随机傅里叶特征对卷积自编码器学习本质特征进行核近似,核近似后输入线性单类支持向量机进行图像异常检测。核近似技术克服了核学习技术时间复杂度高的问题;同时深度卷积自编码器与核近似单类支持向量机通过梯度下降法实现了端到端的学习;模型的AUC性能在四个公开的图像基准数据集上进行了实验验证,同时模型与其它常用的异常检测模型在不同的异常率的情况下进行了性能对比;实验结果证实CAE-OCSVM模型在四个公开图像数据集上的性能都优于其它异常检测模型,表明了CAE-OCSVM模型更适合大规模高维数据集的异常检测     

接种微生物对煤矿废弃基质的改良与培肥作用

针对煤矿废弃物煤矸石和粉煤灰生态治理难的特点，将它们作为生物基质来进行利用将是一种很好的途径，通过接种菌根真菌与根瘤菌，对废弃基质进行生物改良，结果表明，植物根系对基质理化性状有一定的改良与培肥作用，提高了基质pH和EC值，使之更趋近于植物正常生长的酸碱范围.两种微生物都能够与植物形成较好的共生关系，长期种植豆科植物有利于基质中N的积累.双接根瘤菌和AM菌根真菌促进了植株对煤矿区固体废弃物中难溶性P的吸收和利用.     

融合渐近性的灰狼优化支持向量机模型

大数据的发展对数据分类领域的分类准确性有了更高的要求;支持向量机(Support Vector Machine,SVM)的广泛应用需要一种高效的方法来构造一个分类能力强的SVM分类器;SVM的核函数参数与惩罚因子以及特征子集对预测模型的复杂度和预测精度有着重要影响。为提高SVM的分类性能,文中将SVM的渐近性融合到灰狼优化(Grey Wolf Optimization,GWO)算法中,提出了新的SVM分类器模型,该模型对SVM的参数与数据的特征子集同时进行优化,融合SVM渐近性的新灰狼个体将灰狼优化算法的搜索空间导向超参数空间中的最佳区域,能够更快地获得最优解;此外,将获得的分类准确率、所选特征个数和支持向量个数相结合,提出了一种新的适应度函数,新的适应度函数与融合渐近性的灰狼优化算法将搜索引向最优解。采用UCI中的多个经典数据集对所提模型进行验证,将其与网格搜素算法、未融合渐近性的灰狼优化算法以及其他文献中的方法进行对比,其分类准确率在不同数据集上均有不同程度的提升。实验结果表明,所提算法能找到SVM的最优参数与最小特征子集,具有更高的分类准确率和更短的平均处理时间。