基于结构化噪声矩阵补全的Web服务QoS预测

随着面向服务计算技术的快速发展,越来越多具有相同或相似功能的Web服务被部署在网络上。用户进行服务选择之前,通常需要根据历史调用信息对未使用过的服务QoS进行预测。由于历史调用信息收集过程缺乏有效的监督和约束机制,所采样的QoS信息往往容易受到结构化噪声污染,从而导致现有方法预测性能急剧下降。为了克服这个困难,通过将Web服务QoS预测问题建模为L2,1范数正则化矩阵补全问题,提出了一类基于结构化噪声矩阵补全的Web服务QoS预测方法。真实数据集上的实验结果表明,该方法不仅能精确地辨识出QoS采样矩阵中噪声行所在位置,而且能对缺失Web服务QoS进行有效预测。     

面向异构无线传感器网络的节点调度算法

针对传感器网络中的节点冗余问题,提出了一种冗余判别方法来关闭冗余节点,以达到延长网络生命周期的目的.首先按邻居节点的不同位置对节点进行分类,研究了每组邻居节点的网络覆盖率与工作节点数k之间的约束关系,在此基础上,按不同的冗余法则对节点进行判断,关闭冗余节点.理论分析和实验结果表明,提出的算法能关闭网络中的冗余节点从而有效地延长网络的生存时间.     

指定测试者的基于身份可搜索加密方案

对指定测试者的基于身份可搜索加密(dIBEKS)方案进行了研究。指出Tseng等人所提dIBEKS方案并不是完全定义在基于身份密码系统架构上,而且方案不能满足dIBEKS密文不可区分性。首次提出了基于身份密码系统下的指定测试者可搜索加密方案的定义和安全需求,并设计了一个高效的dIBEKS新方案。证明了dIBEKS密文不可区分性是抵御离线关键字猜测攻击的充分条件,并证明了新方案在随机预言模型下满足适应性选择消息攻击的dIBEKS密文不可区分性、陷门不可区分性,从而可以有效抵御离线关键字猜测攻击。     

基于Multi-Agent的卫星网络控制系统研究

一个有效的控制系统是卫星网络安全运行的重要保障。针对卫星网络组网模式的异构性、复杂性以及智能性等特点,本文提出了一种基于Multi-Agent的卫星网络分布式分层智能控制系统MASNDLIC,对卫星网络控制系统的体系结构和MASNDLIC的功能结构模型进行了分析。通过引入多Agent,可以有效改善卫星网络控制系统中各个组成部分的协作能力与主动性、提高整个星地一体化的卫星网络控制系统的工作能力。     

防止ZQSn10—1锡青铜“冒锡汗”的方法

凝固温度范围宽的ZQSn10—1锡青铜凝固时容易产生反偏析,从而出现“冒锡汗”现象。对于不便采用金属型和干砂型挂冷铁的铸件,采用湿型铸造,低温、快速浇注的方法,也能防止“冒锡汗”,起着减轻反偏析铸造缺陷的作用。     

基于弹性网稀疏表示的芯片参数成品率估算方法

当前集成电路芯片参数成品率估算通常预设大量扰动基函数进行芯片性能模型构建,易造成成品率估算方法复杂度过高.而若随意减少扰动基函数数量,则极易造成成品率估算精度缺失.针对此问题,本文提出一种芯片参数成品率稀疏估算方法.该方法首先根据工艺参数扰动建立具有随机不确定性的漏电功耗模型;然后按照关键度高低,利用弹性网自适应选取关键扰动基函数对漏电功耗模型进行稀疏表示建模;最后,利用贝叶斯理论及马尔科夫链方法对漏电功耗成品率进行估算.实验结果表明,该方法不仅可以使所构建的漏电功耗模型具有一般性和稀疏性优点,而且能够对漏电功耗成品率进行准确估算,与蒙特卡罗仿真结果相比估算误差不超过5%.同时,相较于蒙特卡罗采样,该方法还可以大幅减少算法仿真时间,具有更好的仿真效率.     

变化光照目标图像合成的球调和方法

光照是真实感绘制技术中的一个关键因素。研究了朗伯反射的球调和表示，提出了一种基于球调和函数的任意光照目标图像生成方法。该方法在给定目标基图像及其对应光照属性的基础上，通过基图像数据矩阵的奇异值分解（SVD）分离场景环境光分量、反演计算场景反射率和表面法向量等。新光照条件下绘制图像时，采用四阶球调和函数拟合入射光和朗伯反射核计算直接光照；间接光照采用分离出的基图像环境光分量拟合。实验表明：该方法能够保证绘制精确度，适合复杂光照条件下的目标图像生成。     

一种光照鲁棒的图像拼接融合算法

针对传统图像拼接方法只能处理光照一致图像的问题,提出了一种对环境光照鲁棒的全景图拼接算法。该算法首先使用圆环投影来获取待拼接图像的匹配特征序列,不仅克服了传统图像特征提取方法中的区域局限性问题,而且较好地实现了光照变化的图像匹配;然后使用统计参数来调整待拼接图像的整体亮度,以解决光照变化问题;最后对于传统图像融合处理中采用线性加权函数通常引起的最终拼合图像重叠区域模糊问题,构造了包含图像梯度的能量函数,用于计算重叠区域的全局最优融合因子。实验表明,该算法对光照变化图像的拼接融合能取得满意的视觉效果。     

基于智能优化的分布式网络流量预测方法

网络流量预测是网络管理的重要内容,高效的流量预测方法可提高网络管理效率.针对网络流量的时变性等问题,提出了一种基于智能优化的分布式网络流量预测方法.该方法采用果蝇算法优化3次指数平滑预测模型中的平滑因子,对时间窗口内收集到的网络流量进行预测,从而有效地提高3次指数平滑模型下网络流量预测的准确度与效率.仿真实验表明:相比传统3次指数平滑预测模型,此方法可解决平滑因子的不确定性所导致的预测结果误差问题,有效提高了网络流量预测精度.     

自适应主动半监督学习方法

主动学习从大量无标记样本中挑选样本交给专家标记.现有的批抽样主动学习算法主要受3个限制：（1）一些主动学习方法基于单选择准则或对数据、模型设定假设,这类方法很难找到既有不确定性又有代表性的未标记样本;（2）现有批抽样主动学习方法的性能很大程度上依赖于样本之间相似性度量的准确性,例如预定义函数或差异性衡量;（3）噪声标签问题一直影响批抽样主动学习算法的性能.提出一种基于深度学习批抽样的主动学习方法.通过深度神经网络生成标记和未标记样本的学习表示和采用标签循环模式,使得标记样本与未标记样本建立联系,再回到相同标签的标记样本.这样同时考虑了样本的不确定性和代表性,并且算法对噪声标签具有鲁棒性.在提出的批抽样主动学习方法中,算法使用的子模块函数确保选择的样本集合具有多样性.此外,自适应参数的优化,使得主动学习算法可以自动平衡样本的不确定性和代表性.将提出的主动学习方法应用到半监督分类和半监督聚类中,实验结果表明,所提出的主动学习方法的性能优于现有的一些先进的方法.