基于隐马尔科夫模型的潜在个性化路线推荐

现有路线大多基于历史轨迹的相似性进行推荐,容易忽略潜在新路线. 为解决这一问题,利用隐马尔科夫模型对个性化的潜在路线推荐问题进行建模,提出一种可发现隐藏路线的推荐算法（HMMPath）;根据用户指定的类别关键字序列生成访问点序列,结合路线长度、个性化路线分数以及访问点序列的可能性,为用户推荐满足个性化需求的路线;在真实签到数据集上通过改变数据集大小、查询类别关键字数量、查询类别关键字类型和推荐路线数量等参数验证所提算法的准确率和运行效率。结果表明,所提方法在包含4个以下短查询类别序列上的推荐准确率在70%以上,表现出了较好的推荐准确度.     

计算给定流约束的通讯网络可靠度的一个新算法

给出了给定流值的通讯网络非可靠度表达式的较简单的计算方法。定义了一个失效边集，满足：保证系统非正常工作。所有这样的组都可从极小割（系统图）中得到，而且算法简单、迅速。     

改进双向二维局部保持投影的人脸识别算法

为更好地处理图像小样本问题,且克服二维局部保持投影（2DLPP）算法只能保持数据局部性质的缺陷,通过结合二维主成分分析（2DPCA）和二维线性鉴别分析（2DLDA）的算法特性,提出了一种改进的双向二维局部保持投影的人脸识别算法。首先,引入样本类别信息改进权重矩阵,增强2DLPP算法对样本变化的鲁棒性;其次,提出改进2DLPP+2DPCA、2DLPP+2DLDA两种融合算法并分别用于输入样本图像数据的行、列方向特征提取。在特征选择后得到行、列方向上的最优投影;最后,通过对样本数据进行行、列方向投影,利用最近邻分类器对样本数据进行分类并获得在给定数据集上的识别结果。在人脸数据集ORL、YALE和AR上的实验结果表明,该算法在人脸识别性能上总体优于2DPCA、2DLDA、2DLPP、（2D）2PCA、（2D）2LDA、（2D）2PCALDA和（2D）2LPP-PCA等算法。     

一类推广的（VDP）问题的外逼近算法

对于约束集是凸集的（VDP）问题提出一种新的外逼近算法。该算法把凸集的使用多面集的外逼近程序和求解约束集是多胞形的（VDP）问题的外逼近算法相结合。给出了具体的算法过程并对收敛性进行分析。     

对称广义特征值问题的一种算法

本文给出了一个化对称广义特征值问题为对称三对角特征值的一种算法。（A，B）A和B是对称阵，B是半正定阵，可以被化为（A，B），这里A是不可约对称三对角阵，B是正定对角阵，显然求解（A，B）是容易的，由（A，B）的特征值和特征的向量（y,λ），几乎不用什么算法就可得到（A，B）的特征值和特征向量（X，λ），另外，我们给出了计算（A，B）特征值的个数公式。     

一种基于松弛循环差集的对称分布式互斥算法

为在全分布系统中实现对称的分布式互斥，需要设计出对称的分布式互斥算法。通过证明循环请求集与松弛循环差集的等价性，将求取包含任意数量节点的分布式系统对称请求集的问题转化为求取任意数量节点集合的松弛差集问题，并在此基础上提出了一种基于循环松弛差集的对称分布式互斥请求集生成算法。在请求集生成算法的基础上，引入了转移应答消息和请求集重构消息，重新定义应答消息的结构以使其能够携带更多的信息，重新设计了分布式互斥算法的相关过程，从而改进了Makawa类分布式互斥算法的性能。该算法具有较高的时间效率和空间效率，其求取的请求集尺寸较小，使分布式互斥算法的消息复杂度降为0（2（N的平方根）），同步时间降为T，节点容错能力达到N-1。基于松弛循环差集的分布式互斥算法克服了以往分布式算法必须牺牲一种性能指标以提高另一种性能指标的缺点，具有很高的应用价值。     

基于动态波长路由技术的光突发交换网中传输丢失率的研究

研究了基于动态波长路由技术的光突发交换技术的网络（DWB-OBS）中降低传输丢失率的实现算法，提出了一种新的动态首选波长集（D-VWS）资源预留算法，给出了基于D-PWS预留算法的完全候选路径集（E-CPS）的业务信道分配方案，用以控制DWB-OBS网络中各优先级业务的丢失率，对应用D-PWS资源预留算法的DWB-OBS网络进行仿真，并和静态首选波长集（S-VWS）预留算法进行了比较．     

基于AdaBoost算法的混凝土抗压强度预测

论文采集1 030组混凝土抗压强度试验数据,通过训练AdaBoost算法,得到可用于预测混凝土抗压强度值的模型。结果表明：AdaBoost算法模型可以在给定输入变量的情况下准确有效地预测混凝土抗压强度;10折交叉验证决定系数R2的平均值达到0.952,平均绝对百分比误差（MAPE）达到11.39%,说明十折交叉验证具有较高准确率;AdaBoost算法与人工神经网络和支持向量机独立学习算法比较,表现出集成学习算法的优越性;讨论了AdaBoost算法模型中训练数据集数量、弱学习器类型和输入变量的数量相关因素,发现使用1 030数据集的80%可以获得良好的预测结果。     

OFDMA下行链路的延迟加权动态子载波分配算法

研究了正交频分多址（OFDMA）下行链路的资源分配算法，提出了延迟加权动态子载波分配算法（DWDSA）. 算法采用内环和外环的控制结构，内环控制的主要功能是在给定某一确定的功率分配方案时，对子载波进行有效分配；外环控制采用延迟调节资源分配算法的参数. 通过仿真表明，DWDSA算法在排队延迟和缓冲区占用方面有很好的性能改善；并且算法兼顾了排队延迟和信道条件，在满足服务质量的同时提高了资源的利用率.     

三维永久磁铁磁场的A—ψ方法研究与其在MRI系统中应用

分析了三维永磁磁场的磁矢量位（A）算法与标量位（ψ）算法的优缺点,提出了在铁磁区域用磁矢量位,在非铁磁区域用标量位作为求解变量的A-ψ方法,开发了集A,ψ,A－ψ三种求解方法于一体的有限元计算软件,并用于永磁式MRI主磁场的设计计算中,计算结果与实测结果进行比较表明Aψ法为最佳。     

基于单元重要性分析的公路网络布局方案优化

为了有效改善路网运行状态,借鉴网络可靠性分析方法,对路网进行了畅通可靠性分析;针对路网可选 规划方案过多的问题,通过单元重要性分析,确定数量合理的公路网新建或改建备选方案集合,并以路网综合效 益最大为目标,建立公路网络规划方案优化的模型;利用枚举法等离散优化方法,确定最优公路网规划方案.通 过实例计算证明,利用本文提出的模型及方法可以得到合理的路网布局优化方案.     

基于免疫理论的车联网的城市路网实时容量研究

已有路网容量研究不能解决实时路网容量计算问题,难以掌握实时路网中的实际运行车流;传统的路网容量算法基本是离线处理或通过人工调查进行理论计算,很难解决实时路网容量的难题,为此,提出了一种基于免疫理论的车联网城市路网实时容量新方法. 该方法将免疫网络理论引入车辆自组织网络,利用抗体识别抗原的原理,完成通信链路检测,同时,可以通过统计抗原抗体识别对获取路网中的车流,不仅解决了实时性问题,还解决了传统方法需要建立准确数学模型的难题. 选取了实际路网中的区域进行验证,实验结果与传统方法获取的路网容量非常接近,证明了该方法的有效性.     

一种利用方向模板的遥感影像道路提取方法

道路连接是自动提取道路信息的关键技术,设计了一种方向模板用于道路的自动搜索和连接,并给出基于该方向模板的道路提取方法。首先对原始遥感影像进行边缘信息增强处理,然后用增强处理后的图像作为线特征增强系数,与原图像对应相乘,增强道路线特征;再结合图像的8连通性,统计每个连通成分像素点的个数,设定阈值去除点噪声和短线段噪声,得到不连续的道路段;最后利用方向模板,在给出道路起始点和终止点的基础上,利用该模板的方向规则连接道路。实验结果表明,该方法具有很强的适应性,提取的道路精度高,效果好。     

路网限制环境中基于匿名蜂窝的位置隐私保护

为了解决路网限制上下文环境的位置隐私保护问题,提出一个基于匿名蜂窝的位置隐私保护算法.根据路网环境特殊的点、线网络结构,事先将道路网络处理成由道路交叉点为圆心的圆形基本匿名区域——匿名蜂窝组成的网络.使用Hilbert曲线对匿名蜂窝进行空间编码,在算法中使用B+树对其进行索引.讨论了基于匿名蜂窝对用户查询进行匿名处理的2种成组方法：相邻结点优先成组和相邻路径结点优先成组,并对它们进行分析比较.在具体描述该算法的同时,进行了理论分析.通过实验验证了算法的可行性.实验结果表明:基于匿名蜂窝的相邻路径结点优先成组方法能够较好的增强算法应对推理攻击的鲁棒性.     

基于表象式语义网络的图匹配算法

提出了一种在表象式语义网络中的查找方法,表象式语义网络问题的求解一般都是通过图匹配实现的,首先根据待求解的问题的要求构造一个带变量节点的语义网络,然后与计算机视觉系统中己存储的语义网络进行图匹配。当语义网络中的询问部分与系统中的语义网络图匹配后,则与询问部分匹配的事实就是问题的解。图匹配问题可以通过构造一个图的附属数据结构来完成,这个附属数据结构也称为相连图(association graph),对于两个图G=(V,A)以及G′=(V′,A′),构造相联图G″=(V″,A″),也就是说,V″是所有可能节点匹配对的集合,A″是所有相容节点匹配的集合。这相当于在相联图中寻求一个最大的基团(clique),其中基团定义为G″的完全连通的一个子图。最大基团满足其节点集合不是任何其他基团节点集的适当子集。     

Real-time origin-destination matrices estimation for urban rail transit network based on structural state-space model

The major objective of this work was to establish a structural state-space model to estimate the dynamic origin-destination(O-D) matrices for urban rail transit network, using in- and out-flows at each station from automatic fare collection(AFC) system as the real time observed passenger flow counts. For lacking of measurable passenger flow information, the proposed model employs priori O-D matrices and travel time distribution from historical travel records in AFC system to establish the dynamic system equations. An arriving rate based on travel time distribution is defined to identify the dynamic interrelations between time-varying O-D flows and observed flows, which greatly decreases the computational complexity and improve the model's applicability for large-scale network. This methodology is tested in a real transit network from Beijing subway network in China through comparing the predicted matrices with the true matrices. Case study results indicate that the proposed model is effective and applicative for estimating dynamic O-D matrices for large-scale rail transit network.     

城市客运枢纽选址方法

介绍了一种城市客运枢纽的选址方法。根据这个方法,可以从一系列道路节点中,选出交通条件最好的一些节点,做为枢纽候选点,综合考虑其他因素后,确定枢纽位置。这个选址算法以图论中最短路原理为基础,编有计算机程序,并对北京进行了试验。针对枢纽选址过程的复杂性,提出人-机参与枢纽选址,以综合考虑其他影响因素。     

On Minus Paired－Domination in Graphs

The study of minus paired-domination of a graph G = ( V, E) is initiated. Let S lontain in V be any paired-dominating set of G, a minus paired-dominating function is a function of the form f: V→ { - 1, 0, ｝such that f(υ) = 1 for υ∈S, f(υ)≤0 for υ∈V- S, and f(N[υ])≥l for all υ∈V. The weight of a minus paired-dominating function f is ω(f)=∑f(υ), over all vertices υ∈V. The minus paired-domination number of a graph G is γp^-(G)= min｛ω (f)| f is a minus paired-dominating function of G｝. On the basis of the minus paired-domination number of a graph G defined, some of its properties are discussed.     

基于车载激光点云的道路交叉口检测与识别

道路交叉口是道路交通网的重要组成部分,其位置和类型是高精地图、自动驾驶等应用服务的基础数据.目前研究多关注车载激光点云的道路边界提取,较少关注道路交叉口类型识别.为此,本文提出一种基于动态图神经网络的道路交叉口分类方法.首先分析地面超体素的几何和空间分布差异进行提取道路边界点;然后计算道路边界点曲率,利用滑动窗口中曲率...     

Sm∨Fn的全色数

设G（V,E）是阶数至少是2的简单连通图,k是正整数,若厂是从V（G）∪E（G）到{1,2,…,k}的一个映射,使得：对于任意的uv,vw∈E（G）,u≠w,有f（uv）≠f（vw）;且对于任意的uv∈E（G）,u≠v,有f（u）≠f（v）,f（u）≠f（uv）,f（v）≠f（uv）,则称f为G的一个k-全染色（简记成k-TC of G）．而Xt（G）=min{k｜k—TC of G},称为G的全色数．设G和H是点边都不相交的简单图,V（G∨H）=V（G）∪V（H）,E（G∨H）=E（G）∪E（H）∪{uv｜u∈V（G）,v∈V（H）},则称G∨H是G与H的联图。给出m＋1阶星和n＋1阶扇的联图的全色数。