VANETs信任传播建模

提出了一种用于车载自组网(VANETs)的可靠信任传播模型,该模型通过引入属性相似度概念在陌生节点间建立信任关系,并进一步建立了一种新的动态包转发规则,从而实现了车载自组网的可信路由, 并给出了一种计算属性相似度的推荐方法. 仿真结果表明,所提出的信任传播模型具有较高的准确性.     

一种新的车辆自组网可信路由协议

由于车辆自组网(VANET)没有集中服务的控制中心,所以原有较成熟的安全控制技术不再适用.提出经验信任值的概念作为信任的一种度量标准,并引入上一跳节点的信誉作为经验信任的影响因子,研究VANET中基于经验信任的节点行为,根据节点的经验信任值设计一种新的动态包转发规则,鼓励包正确转发,约束自私节点,从而实现了车载自组网的...     

智能车载交通信息系统

面向路网交通路况信息的采集、融合、发布及实时更新问题,提出了一种基于车载自组网技术,可自动采集、传播和动态生成路网实时交通路况信息的智能化车载交通信息系统,进而构建了相应的系统模型.该系统无需集中式交通信息系统相关设施,直接利用路网各路段行驶车辆的自身资源及车载自组网通信技术,实现交通路况信息的实时采集、自主传播及整个路网交通拥堵信息的自动生成与动态更新功能,并通过车载终端供驾驶员实时参考.     

E-business信任关系网建模

通过引入属性相似度的概念,提出了一种可用于解决E-business中的可信传播和信任值预测且无需第三方认证实体存在的属性匹配模型,给出了一种计算属性相似度的推荐方法,设计了一种可使用户之间的信任度随着交易的进行而不断更新的模拟Epinions交易方案(亦称为优先购买机制)。实验结果表明,通过建立对有限的邻节点的信任度,可以较准确地预测出每个节点对网络中任意陌生节点的信任度。     

基于三角形形心的智能车辆无线定位算法设计

针对“距离-损耗”模型在车载自组网无线定位中的局限性,根据此模型提出了一种基于三角形形心的近似定位算法模型,设计了合理的校准方法对给出的模型进行校准.建立车载自组网软硬件实验环境,从距离误差和定位精度两方面对标定的模型进行了实验验证.结果表明,超过95%实验数据的定位精度小于3 m,研究得到的无线定位算法能满足低速情况下车辆主动安全的需要.     

无线自组网中的信息传输问题及模拟试验研究

在用户群体之间高效传输信息是组建无线自组网的基本目标之一.对无线自组网中的信息传输问题进行了阐述和分析,说明了现有的机制及其面临的问题.针对3种信息传播模型,在不同的网络场景下模拟了无线自组网中节点之间的信息传输情况,包括传染模型、信息连锁反应模型和多跳信息传播模型.模拟结果表明,无线自组网的信息传输能力与信息传播模型...     

基于发布／订阅模式的车载自组网数据分发算法

基于车载网络环境提出了一种基于发布／订阅模式的车载自组网数据分发算法。首先利用车载自组网中节点接入路边单元的历史记录,预测车辆节点的位置;基于车载节点订阅消息的有效时间和节点数量,计算综合权值确定路边单元中消息优先级;根据车载自组网节点密度,限制数据包分发跳数。仿真结果表明,所提出的算法能显著减少冗余消息副本,降低传输时延和网络负载,提高数据传输成功率。     

车载自组网的隐私保护问题

车载自组网是一种基于车辆通信的移动自组网络, 是智能交通的发展方向。认证过程中的隐私保护问题是其面临的核心问题。文章对车载自组网面临的隐私威胁进行分析, 对面向车辆身份保护和面向车辆位置保护方面所采用的关键技术进行讨论, 指出未来车载自组网隐私保护问题应从建立车辆信用评价机制、使用密码学算法进行位置隐私保护和应用可否认的密码学等方面加强研究。       

IEEE 802.11 p车载自组网的HSCPN建模及分析

针对分析模型和仿真模型研究车载自组网IEEE 802.11p广播模式网络性能存在的不足,采用层次随机着色Petri网( HSCPN,hierarchical stochastic colored Petri net)对协议的媒体访问控制层进行建模,模型着重描述了消息的产生、重传、退避和虚拟碰撞的过程.在此模型的基础上,对网络性能指标进行了分析.结果表明：高优先级队列的消息具有较小的时延和时延抖动. HSCPN建模方法的采用可直观地了解协议的运行机制,有利于协议的改进,并可为车载自组网的部署提供理论依据.     

着色Petri网在信任协商中的应用研究

自动信任协商是一种在陌生者之间通过双方不断迭代披露数字信任证书,从而建立信任的一种方法.提出了一个基于着色Petri网的自动信任协商模型,给出了着色协商Petri网的定义及关系范式映射到着色Petri网的方法,在此基础上阐述了模型的构建方法,给出一个建模实例并进行分析.     

一种改进的新浪微博好友推荐算法

目前新浪微博的好友推荐机制存在一些缺点,通过研究微博社区结构和权威用户对好友推荐的影响,提出了一种改进的基于新浪微博的好友推荐算法。在同一微博社区中,通过查找权威用户,并结合用户之间的兴趣相似度和信任度进行好友推荐,推荐过程中两次计算了用户的兴趣相似度并引入用户间信任度传播模型。选取微博社区中目标用户进行实验的结果表明,权威用户在好友推荐中起了重要作用,提高了好友推荐的效果。同时通过将该算法推荐的好友列表和原新浪微博推荐的好友列表作对比,实验表明该算法具有较好的推荐效果。     

一种基于用户信任网络的推荐方法

为了解决推荐中存在的数据稀疏、准确度不高等问题,提出了一种基于用户信任网络的推荐方法. 首先利用基本的社会网络,融合用户的基本信任关系、角色影响力、属性相似关系、偏好相似关系构造带权重的社会网络,然后基于此网络提出关键路径发现算法以发现满足约束条件的用户信任网络,最后基于用户信任网络进行推荐. 在Filmtipset数据集上对影响推荐质量的各个因素进行了对比分析,结果表明,基于用户信任网络的方法能得到更好的推荐效果.     

基于属性比较和信任传递的信任启动

为了解决在电子商务系统中评估没有用户评价或者只有少量评价的商品的信任值问题,提出了一种以申明属性对比和信任传递的信任启动模型。属性对比通过把商品申明的属性值与可以求评价信任值的同类商品的实际属性对比后获得信任值;信任传递通过聚合商店内可以求出评价信任值的其它商品的信任值后获得信任值,通过评估评价可信度等措施降低恶意评价的危害,提高评估信任值的准确度。分析和测试结果表示提出的信任启动模型能达到预测目标,与其它方法比较具有明显的优势。     

面向属性概念格基于覆盖的压缩

提出了一种直接从形式背景出发,获得简化面向属性概念格的方法。针对一个形式背景,引入对象集和属性集上的相似度,产生对象邻域与属性邻域,进而根据对象的相似程度或属性的相似程度来调整对象邻域或属性邻域的大小,控制面向属性概念格节点的个数,实现对面向属性概念格的动态压缩。该方法可以分别从对象的覆盖和属性的覆盖两个角度压缩面向属性概念格中节点的个数,且压缩后的概念集为原概念集的子集,从而达到简化知识库的效果。     

Coupled Attribute Similarity Learning on Categorical Data for Multi-Label Classification

In this paper a novel coupled attribute similarity learning method is proposed with the basis on the multi-label categorical data (CASonMLCD). The CASonMLCD method not only computes the correlations between different attributes and multi-label sets using information gain, which can be regarded as the important degree of each attribute in the attribute learning method, but also further analyzes the intra-coupled and inter-coupled interactions between an attribute value pair for different attributes and multiple labels. The paper compared the CASonMLCD method with the OF distance and Jaccard similarity, which is based on the MLKNN algorithm according to 5 common evaluation criteria. The experiment results demonstrated that the CASonMLCD method can mine the similarity relationship more accurately and comprehensively, it can obtain better performance than compared methods.     

基于用户关系挖掘的多策略推荐算法

个性化推荐服务为解决网络信息过载问题提供了有效手段。传统的推荐方法大多只关注于如何提高推荐的准确性,而忽略了推荐多样性对用户体验的影响。文章将社会网络用户关系挖掘应用于用户偏好预测及推荐中,提出了一种基于用户关系挖掘的多策略推荐算法。采用信任传播模型挖掘用户间的信任度,计算用户偏好配置文件的余弦相似性获得用户间的相似度,并给出4种将用户信任度、相似度结合的策略,在定义用户偏好预测函数的基础上采用Topn原则为用户给出推荐结果。实验结果表明,文章方法不仅减少了数据稀疏性的影响,而且兼顾了推荐准确性与多样性指标,提高了推荐系统的整体性能。     

融合信任传播和矩阵分解的协同推荐算法

针对现有基于模型的协同推荐算法推荐精度不高和覆盖面较小的问题,引入社会网络中的信任信息对基于矩阵分解的推荐模型进行扩展,提出一种融合信任传播和矩阵分解的协同推荐算法。首先,基于社会网络中的直接信任关系,提出一种信任传播规则,实现社会网络中信任关系的传递;然后,利用矩阵分解技术降维处理大规模数据集的优势,提出一种融合信任传播机制和矩阵分解模型的协同推荐算法。在Epinions数据集上的实验结果表明,本文提出的推荐算法不仅提高了推荐的精度,而且增加了推荐的覆盖面。     

基于投影及优势度的不确定语言群决策方法

针对属性权重信息不完全的多粒度不确定语言多属性群决策问题,提出一种基于投影及优势度的群决策方法.该方法采用连续区间二元语义的有序加权调和平均(ITC-OWH)算子将多粒度不确定语言评价矩阵转化为二元语义决策矩阵,基于投影法构建目标规划模型,从而确定单个决策者的属性权重向量.在每个决策者之下,计算任意2个方案之间比较的综合属性优势度,根据综合优势度矩阵及决策者权重向量获得群体综合优势度矩阵,由各方案的总优势度获取方案的排序结果.最后,将提出的群决策方法应用到潜艇研制方案遴选问题中,验证了该方法的可行性与有效性.