一种基于AdHoc的城市车联网广播算法

针对城市场景下道路的复杂性,提出了一种基于节点相对距离与消息类型的广播算法（The Broadcasting Algorithm based on Relatively Distance and Message Type, RDMT-BA）。该算法应用节点的相对移动速度和消息类型决定接听广播的节点,再依据转发闪值和等待时间决定对广播进行转发的节点,进而提高转发的投递率和降低信道中的广播冲突。通过改变节点的数目和速度,文章同时分析了转发参数对覆盖率、转发节省数和延迟等性能的影响,并与洪泛算法进行比较表明,该算法在性能上更加有利于城市交通的管理和改善。     

一种多策略引导的电磁场优化算法

针对标准电磁场优化算法容易陷入局部极值点、收敛精度差等问题,提出了一种多策略引导的电磁场优化算法。算法中粒子受到三种不同来源的引斥力,在迭代过程中通过计算每种移动策略的临代电差、累计电差和综合电差来决定粒子的引导方式,并通过概率变异算法来避免陷入局部最优解。在经典的基准测试函数上,对新算法与其他算法的测试结果比较进行分析,结果表明该算法具有更高的求解精度和更快的计算速度。     

BM串匹配算法与改进算法的研究

串匹配算法在数字通信等方面应用广泛,BM算法是主要的串匹配算法之一。文章在分析了BM算法过程和一些现有的改进算法,对这些算法进行了比较,并结合BMG算法,提出了一个新的改进算法。该算法考虑了模式匹配时出现重复字符时,比较的前一个字符的出现情况以及模式串首字符的特性,提高了模式串移动m＋1位的概率,提高了匹配速度。     

一种基于贝叶斯网客户购物模型的商品推荐方法

提出一种新的基于客户购物模型的推荐系统框架,它把推荐过程形式化为客户购物信息的知识表达、知识推理过程。该方法首先对客户的购物历史数据进行学习,得到贝叶斯网客户购物模型,然后结合客户当前的购物行为,提出并实施了一种基于概率推理的推荐算法。实验表明该算法能高效实时地为客户产生个性化的商品推荐集合,且在覆盖率和准确率方面优于某些传统方法。     

一种基于贝叶斯网客户购物模型的商品推荐方法*

提出一种新的基于客户购物模型的推荐系统框架。它把推荐过程形式化为客户购物信息的知识表达、知识推理过程。该方法首先对客户的购物历史数据进行学习, 得到贝叶斯网客户购物模型, 然后结合客户当前的购物行为, 提出并实施了一种基于概率推理的推荐算法。实验表明该算法能高效实时地为客户产生个性化的商品推荐集合, 且在覆盖率和准确率方面优于某些传统方法。     

BM模式匹配算法剖析

在对典型的BF、KMP模式匹配算法进行比较分析的基础上,详细分析了BM算法.为了进一步加快算法的速度,对BM算法中已经部分匹配的移动位置情况进行改进.在原有的移动距离函数基础上增加一个新的移动距离函数,从而尽量利用已有信息进行更大的尝试位置移动,使算法具有更高的效率.通过引用具体实例,比较分析了改进前后的BM算法,结果证明改进后的BM算法的速度更快,效率更高.     

快速收敛参考独立分量分析方法

为提高参考独立分量分析收敛速度,提出了改进的快速收敛参考独立分量分析方法。该方法首先采用预白化方法对观测到的信号进行处理,降低后续处理算法的复杂度,然后采用收敛速度更快、结构更简单的牛顿迭代方法对其进行优化,提高其收敛速度。理论分析表明,改进后的算法相对现有算法每次迭代的计算量基本相同;实验仿真结果表明,相对现有方法,改进后的算法具有较快的收敛速度,且误差保持不变。     

一种基于GA-PSO算法的列车运行调整模型

本文针对列车运行时刻调整问题进行建模分析。首先,本文对该问题建立数学模型,并运用PSO算法对模型进行计算求解。在初步的求解过程中,针对PSO算法的收敛速度较慢等不利因素对其进行优化,提出了GA-PSO算法。最后,通过模拟实验得出GA-PSO在调度过程中能达到较高的准点率。     

基于进化FCM算法的基因表达数据分析

针对目前已知功能基因相对较少、基因表达数据的海量性、以及基因类属的不确定性等问题提出了一种基于进化策略的FCM(ES-FCM)算法。并用抑郁症基因芯片表达数据作为数据源对算法进行测试分析,其结果表明该算法有效地改进了FCM算法对初始数据敏感、易于陷入局部最小值,以及进化算法收敛速度相对较慢、计算量大等问题,从而得到较优的聚类结果。     

基于购物网站用户搜索日志的商品词发现

商品词是电子商务领域描述商品的新词。主要介绍基于购物网站用户搜索日志的商品词发现的方法。该方法从搜索日志中提取用户查询,对查询进行分词,采用N元递增分步算法和串频统计,计算候选串的条件概率,选择候选商品词。为了降低人工审核的成本,只对产出商品词的准确率进行评价。利用该方法在手机、面霜和香水三类商品的搜索日志上进行了实验,最高准确率达到92.58%。     

Session-based item recommendation in e-commerce: on short-term intents,reminders, trends and discounts

Many e-commerce sites present additional item recommendations to their visitors while they navigate the site, and ample evidence exists that such recommendations are valuable for both customers and providers. Academic research often focuses on the capability of recommender systems to help users discover items they presumably do not know yet and which match their long-term preference profiles. In reality, however, recommendations can be helpful for customers also for other reasons, for example, when they remind them of items they were recently interested in or when they point site visitors to items that are currently discounted. In this work, we first adopt a systematic statistical approach to analyze what makes recommendations effective in practice and then propose ways of operationalizing these insights into novel recommendation algorithms. Our data analysis is based on log data of a large e-commerce site. It shows that various factors should be considered in parallel when selecting items for recommendation, including their match with the customer’s shopping interests in the previous sessions, the general popularity of the items in the last few days, as well as information about discounts. Based on these analyses we propose a novel algorithm that combines a neighborhood-based scheme with a deep neural network to predict the relevance of items for a given shopping session.     

基于K-means算法的轨迹数据热点挖掘算法

针对渔船轨迹数据具有时间序列性、数量大的特点,提出一种轨迹热点挖掘算法。该算法克服了K-means算法在渔船轨迹数据上无法捕捉热点分布的缺点。其主要的思想是：首先使用时间维度来处理数据,以置信度和KL散度作为衡量所选取数据的可靠性、正确性依据,从大量的轨迹数据中选取信息含量较高的数据,然后使用K-means聚类算法进行数据的聚类。本文所提出的算法只需要设定显著水平参数a和时间间隔T,算法本身就可通过时间维度处理数据的方法自主完成数据的选择以及置信度、KL散度的计算,并引入聚类有效性度量的方法,使K-means通过自我寻找K值来实现热点挖掘的整个过程。在渔船轨迹数据上进行本文算法与K-means算法的对比实验和数据热力图的参照实验,结果显示本文所提的算法在寻找轨迹数据热点上有优越性和正确性。     

一种面向布尔时间序列的关联规则挖掘算法

布尔时间序列中的关联规则挖掘较难处理,因为多数关联规则仅挖掘不同事务共同出现的规则,难以体现同一事件在不同时间内动态变化间的关联性.鉴于此,提出一种新的关联规则挖掘框架,利用常量化表示布尔数据的时间属性,结合聚类算法和关联分析,提高规则的支持度,从而解决布尔时间序列数据在关联规则挖掘中的时间值表示问题,并使用多种指标评价规则与传统算法比较.在真实的中风病预后好转数据预测中验证了所提出算法的有效性.     

一种基于中心文档的KNN中文文本分类算法

在浩瀚的数据资源中,为了实现对特定主题的搜索或提取,文本自动分类技术已经成为目前研究的热点。KNN是一种重要的文本自动分类方法,KNN能够处理大规模数据,且具有较高的稳定性,但面临分类速度较慢的问题。以KNN方法为基础,引入特征项间的语义关系,并根据语义关系进行聚类生成中心文档,减少了KNN要搜索的文档数,提高了分类速度。仿真实验表明,该算法在不损失分类精度的情况下,显著提高了分类的速度。     

多数据项请求的多信道并行广播调度算法

为减少数据广播中用户请求的平均访问时间、提高广播性能,提出了一种新的基于减少数据访问冲突和应用重复广播技术的广播调度算法。该算法有效减少了多信道并行广播中多数据项请求的访问冲突,对热点数据项采取重复广播技术,极大地减少了对热点数据项请求的访问时间。仿真实验结果表明,该算法有效地降低了平均访问时间,提高了数据广播性能,特别是在访问概率偏斜率较大时具有更好的性能。     

基于未知环境状态新定义及知识启发的机器人导航Q学习算法

由于强大的自主学习能力, 强化学习方法逐渐成为机器人导航问题的研究热点, 但是复杂的未知环境对算法的运行效率和收敛速度提出了考验。提出一种新的机器人导航Q学习算法, 首先用三个离散的变量来定义环境状态空间, 然后分别设计了两部分奖赏函数, 结合对导航达到目标有利的知识来启发引导机器人的学习过程。实验在Simbad仿真平台上进行, 结果表明本文提出的算法很好地完成了机器人在未知环境中的导航任务, 收敛性能也有其优越性。     

一种基于POCS约束的图像代数重建算法

不完全投影数据的代数重建问题一直是CT应用中的热点问题.通过对相互垂直角度投影图像之间的关系分析,文中提出一种改进的代数重建(ART)算法.该算法采用记录射线穿过网格编号和射线与网格相交长度的方法计算投影系数矩阵,并在反投影过程中对不完全投影数据采用凸集投影约束的方法进行重建.实验表明该算法与ART算法相比,图像重建的速度与图像重建的质量都得到较大提高.     

基于改进高斯混合模型的机器人运动状态估计

针对复杂环境下机器人运动状态估计的精度改善问题,提出一种面向非线性非高斯系统的改进高斯和容积卡尔曼滤波估计方法.首先,引入加权信息量概念来改进期望最大化算法目标函数惩罚项,使得在优化过程中能考虑更全面的参数信息,以达到减少期望最大化算法的迭代次数和提高收敛速度的目的.此外,以基于马氏距离和Kullback-Leibler (KL)距离的高斯项合并方法为基础,提出一种能有效联合两类高斯项合并方式的融合模式.先单独使用马氏距离和KL距离进行高斯混合项合并,再对获得的高斯混合项进行加权融合处理,以改善高斯和滤波中多高斯项的合并性能和保真度.最后,应用非线性非高斯系统的高斯和容积卡尔曼滤波框架实现对复杂环境下机器人的运动状态估计.理论分析与仿真结果表明,该方法能实现对机器人运动更好的状态估计精度,并具有更强的鲁棒性能.     

Probabilistic fault diagnosis method based on the combination of nest-loop fisher discriminant analysis and analysis of relative changes

Bias of data location and increase in data variations are two typical disturbances, which in general, simultaneously exist in the fault process. Targeting their different characteristics, a nested-loop fisher discriminant analysis (NeLFDA) algorithm and relative changes (RC) algorithm are effectively combined for analyzing the fault characteristics. First, a prejudgment strategy is developed to evaluate the fault types and determine what changes are covered in the fault process. Two statistical indexes are defined, which conduct Monte Carlo based center fluctuation analysis and dissimilarity analysis respectively. Second, for the fault data containing those two faults simultaneously, a combined NeLFDA-RC algorithm is proposed for fault deviations modeling, which is termed as CNR-FD. Fault directions concerning bias of data location are extracted by the NeLFDA algorithm and then corresponding fault deviations are removed from the fault data. Then RC algorithm is performed on these fault data to extract directions concerning increase of data variations. These fault directions are used as reconstruction models to characterize each fault class. Particularly, the compromise between these two algorithms is determined by the Monte Carlo based center fluctuation analysis. For online applications, a probabilistic fault diagnosis strategy based on Bayes’ rule is performed to identify fault cause by discovering the right reconstruction models that can make the reconstructed monitoring statistics have the largest probabilities of belonging to normal condition. The motivation of the proposed algorithm is illustrated by a numerical case and the performance of the reconstruction models and the probabilistic fault diagnosis strategy are illustrated using pre-programmed faults from the Tennessee Eastman benchmark process and the real industrial process data from the cut-made process of cigarettes in some cigarette factory.     

基于特征提取的网络热点事件挖掘算法

为有效从网络中挖掘出民众关注的热点事件和话题,提高数据分类能力、热点追踪和检测正确率,在分析目前采用非结构化传统挖掘算法所存在问题的基础上,提出一种基于结构化分割的挖掘算法。首先通过分析热点事件挖掘处理流程,设计一种对热点事件数据挖掘的半结构化特征提取算法,对半结构化数据进行特征分割,生成大量请求,进而得到热点事件数据的分配因子,从而提高挖掘性能。仿真结果表明,该算法运行效率较高,精度较好,具有较高的稳健性。