骨架形状特征的目标识别算法

针对存在非刚性变化的目标识别,提出基于骨架形状特征的目标识别算法.该算法首先提取目标轮廓的骨架,以骨架接合点作为特征点,通过构造与其相连的骨架枝上的骨架特征不变量描述接合点;然后构建一种相似性度量函数对骨架接合点进行匹配,实现目标形状识别.实验结果表明,算法对目标的相似性变换具有较好的稳定性,在目标存在非刚性变化的情况...     

一种异质图的Lorentz嵌入模型

异质图嵌入的目标是用低维稠密向量表示原网络的拓扑结构和节点属性信息。为提高异质图嵌入质量、减少失真,提出了一种将异质图嵌入到基于Lorentz模型的双曲空间中的方法。该方法采用元路径约束的随机游走进行节点关系和语义的发现,模型基于负采样的极大似然为目标函数,使目标节点与邻居更相近,而远离非邻居节点,优化方法不同于欧式空间的黎曼梯度下降;在引文网上将所提算法与4种基准图嵌入算法进行比较,实验证明该方法不但获得了优于其他基准算法的预测精度,而且还保留了可解释的图的层次结构。双曲嵌入为异质图的研究提供了一种新的思路,能够为异质图的下游任务提供更高质量的嵌入结果。     

基于扩展卷积神经网络与度量学习的指静脉识别

针对在传统卷积神经网络(Convolutional neural networks, ConvNet)算法中由于提取的静脉特征信息不足而导致指静脉识别准确率不高的问题,提出了一种基于扩展卷积神经网络与度量学习的指静脉识别算法。该算法通过扩展卷积神经网络的宽度与深度来提高ConvNet的学习能力,并使用难样本采样三元组(Triplet hard loss with batch hard mining, TriHard)度量学习函数作为网络损失函数训练网络。此外,针对常用距离度量方法不能有效度量静脉特征之间的相似度的问题,在指静脉识别阶段采用了Wasserstein距离度量方法,以提高同源静脉间的相似度,降低异源静脉间的相似度。仿真实验结果表明:在FV-USM数据集上,指静脉识别准确率达98.33%,较使用ConvNet和常用距离度量方法准确率提高了3.56%;在MMCBNU_6000数据集上,指静脉识别准确率达98.02%,较使用ConvNet和常用距离度量方法准确率提高了2.01%。     

基于边重整化方法的新社团检测算法

现实网络构造过程中,存在连接数据不完整甚至自相矛盾等问题,且现有的社团检测算法易出现丢失部分连接信息等现象,为此,提出一种基于边重整化方法的新社团检测算法。根据“节点间相似性越小则属于同一社团的概率也越小”原理,引入节点间随机游走的稳态概率来衡量节点之间的相似性,不断移除相似性最小的现存连边,并补充相似性最大的丢失连边,以保持网络总连接边数不变。最后通过实例验证了新社团检测算法的有效性。     

基于MFCC相关系数的语音感知哈希认证算法

提出了一种基于梅尔频率倒谱系数相关性的语音感知哈希内容认证算法. 该算法提取分段语音的声纹梅尔频率倒谱系数作为感知特征. 为提高算法的安全性,算法利用伪随机序列作为密钥,计算得到梅尔频率倒谱系数与伪随机之间的相关度,最后量化相关值并加密生成感知哈希序列. 语音认证过程中,采用相似性度量函数用来衡量哈希序列之间的距离,同时与汉明距离方法进行了比较. 仿真结果表明,该算法对语音内容保持操作,如重采样、MP3压缩等具有较好的鲁棒性,相似性度量函数也对语音篡改检测定位具有较高的灵敏性.     

基于监督随机游走的有影响力用户发现算法

基于用户主题偏好的监督随机游走是当前热点研究之一。受微博文本稀疏性的影响,基于微博主题衡量用户影响力的研究较少。为研究某些领域的用户影响力强弱,文章提出一种基于监督随机游走的有影响力用户发现算法(TP-SRW)。通过研究微博用户自身的属性和微博文本的主题特征,构建基于用户交互信息的个体链接关系,并结合代表用户同质性的微博主题兴趣的相似性,构建有向加权网络模型。实验结果分析表明,在不同主题下挖掘高影响力用户,提出的TP-SRW算法和模型具有良好的性能。     

基于分组卷积的无监督注意机制行人重识别方法研究

针对传统的行人重识别算法需要依赖大量带标签的行人图像数据,以及系统难以部署等问题,提出使用ResNet50作为模型的骨干网络.通过增加CBAM注意力机制,分组卷积,层次聚类和实例学习等方法实现无监督行人重识别.同时,使用欧式距离来进行相似性度量,对最终识别结果加以验证.实验结果表明：所提出的基于分组卷积的无监督注意机制行人重识别方法能够提高网络模型在未知数据域的泛化能力,减少了模型的训练参数.     

一种基于归一化分割方法的集体行为识别算法研究

提出了一种基于归一化分割方法的集体行为识别算法,该算法通过运动个体的复杂特征定义个体间的相似性度量,得到集体行为聚类。实验结果表明,在多种视频场景中,该算法均能有效地识别集体行为模式;以真实聚类个数的差异作为评价指标,本方法具有更高的准确性。     

基于改进的标签传播算法的网络聚类方法

采用传统标签传播算法实现网络聚类时,由于标签初始分配过程随机、节点选择过程随机、且标签更新顺序随机的原因,影响聚类结果。为此,提出一种新的基于改进标签传播算法的网络聚类方法,即用图对网络进行描述,并为网络聚类提供基础。改进标签传播算法过程如下:求出网络中任意两节点拥有最大公共邻居的平均阶数,把相似性最高的节点和邻居节点看作初始核心社团,为其分配初始标签;引入基于随机游走的相似度矩阵,令节点选择和自身相似度最高的节点拥有的标签;通过H指数对标签算法更新顺序进行改进;依据改进后结果,按照标签传播算法网络聚类过程实现聚类。实验结果表明,本文所提的网络聚类方法具有更高的准确性和稳定性。     

一种基于注意力机制的节点相似性度量方法

在异构信息网络挖掘中,度量节点之间的相似性是一项非常有挑战性的工作.为了更准确地度量节点之间的相似性,通过结合注意力机制,从节点与元路径两方面单独进行计算,提出一种全新的节点相似性度量方法.通过在真实网络数据集上与传统算法进行实验对比,证明所提出相似性度量算法的准确性.     

基于点距离和密度峰值聚类的社区发现方法

在复杂网络中节点相似度度量以及密度峰值聚类算法的基础上,提出了一种基于点距离和密度峰值聚类的社区发现方法。首先,提出了基于节点相似度和节点间最短距离的节点距离度量。然后,应用密度峰值聚类方法探究网络中的社区结构,密度峰值聚类算法不仅能够检测出各个社区中心并进行相应的社区扩展,而且能够避免参数选择过程。最后,通过与经典算法在真实数据集和人工合成数据集上的比较实验,充分验证了本文方法的可行性和有效性。     

社会媒体群组探测的谱聚类研究与应用设计

改进了传统的谱聚类算法,并优化了初始聚类中心的选择方法。传统的谱聚类算法虽然具有算法复杂度较低、适用范围广等特点,但受高斯核函数尺度参数影响较大。设计的算法通过引入万有引力模型进行相似性度量,设计了基于引力的相似性度量方法,以此消除尺度参数的影响;另外,提出基于密度与距离乘积的初始聚类中心选取方法,优化了初始聚类中心的选择。在UCI基准数据集上的实验表明,改进的算法消除了尺度参数σ影响的同时,也达到了比较好的NMI指标和Accuracy指标。最后,使用改进的算法设计了基于微博用户的群组探测方法,取得了较为理想的用户群组划分结果。     

基于节点相似性的并行启发式网络拓扑结构发现算法

针对网络社区发现算法的低精确度与高复杂度问题，在节点相似性的基础上提出了一种适用于复杂网络的社区发现算法。利用邻接矩阵和经典决策规则，制定具有较高可靠性和准确性的相似性判定准则，实现网络拓扑中相邻节点之间关系的量化与计算。通过引入具有较少冲突的哈希表，提出具有并行运算结构的启发式社区发现算法，完成对复杂网络拓扑结构的高质量检测。仿真测试结果表明，与经典的Jaccard准则发现算法相比，基于节点相似性的发现算法具有更高的发现精确度及时间效率。     

基于概念格和随机游走的社交网朋友推荐算法

在社交网络朋友推荐上,现有方法通过用户注册的共同属性或者用户共同邻居来对用户进行朋友推荐,由于缺乏对用户之间关系的深入的挖掘,推荐精度不高。本文采用概念格从数据中挖掘知识,利用用户特征属性和社交网络图建立概念格,提出了弹性随机游走方法SRWR,并在此基础上用概念格知识指导随机游走,提出了融合概念格和随机游走的FCASRWR方法,度量了用户之间的相似性,算法最终根据相似度进行朋友推荐。实验采用Facebook的真实数据集,采用AUC和精确度评价指标,实验结果表明了该方法比目前主流的方法在指标上有较大提高,验证了方法的准确性。     

基于差分演化的复杂网络社区挖掘算法研究

社区结构的挖掘问题已经成为复杂网络中重要的研究方向,其挖掘算法是关键的核心问题.为了提高对社区结构进行挖掘的准确度,提出一种基于差分演化思想的复杂网络社区挖掘算法(Differential Evolution Community Detection Algorithm,DECD).DECD算法设计了一种新的编码方式,以模块密度函数作为优化目标,通过差分演化算法对复杂网络实施有效划分.实验结果表明,新的编码方式提高了编码速度并解决了社区重复编码问题,同时DECD算法能够提高复杂网络中的社区结构挖掘的准确度.     

基于随机游走的无线传感器网络节点定位方法

为提高无线传感器网络中的节点定位精度,提出一种自适应随机游走模型的节点定位算法.首先将随机游走应用于网络拓扑结构连通性中,构建节点间相对距离模型,并设计自适应算法,提高该模型有效性;然后通过将该模型嵌入经典定位算法distance vector-hop（DV-Hop）中实现系统节点定位工作.仿真和实验结果表明,该算法具有良好的鲁棒性和定位精度,误差比DV-Hop算法减少了20%~30%.     

一种基于图的多模态随机游走重排序算法

为了提高图像检索中的重排序效果,提出了一种基于图的多模态随机游走重排序算法。不同于现有的重排序算法根据检索返回的图像顺序设置图像列表得分序列初值,该算法将多模态融合应用于随机游走算法,避免单一模态获取图像内容的片面性,并利用多模态随机游走方法对返回图像列表得分序列进行初始化,然后利用多模态重排序算法最优化目标函数,对相关参数和得分列表进行迭代更新,从而获得最终重排序后的图像序列。实验显示了所提出的算法具有良好的重排序效果。     

基于花授粉算法的蛋白质网络功能模块检测方法

揭示未知蛋白质功能是后基因时代蛋白质组学中的核心内容之一,运用群集智能思想识别蛋白质相互作用网络(protein-protein interaction network, PPIN)中的功能模块已经成为该领域的一个研究热点。提出一种基于花授粉算法(flower pollination algorithm, FPA)的蛋白质相互作用网络功能模块检测方法(FPA for functional module detection in PPIN, FPA-FMD)。采用随机游走的方式对种群中的每个花粉进行编码,并利用花授粉算法特有的自花授粉和异花授粉机制优化种群,其中自花授粉采用重组策略和取优策略,异花授粉采用基于Levy机制的变异策略和基于差异度的自适应变异策略,4种策略分别从不同角度推进了种群的进化。在3个公共数据集上的仿真试验表明:与其他6种经典算法相比,本研究提出的算法的整体性能优良而且在F度量和准确度两项综合指标上具有绝对优势。     

基于局部模块度的社区层次结构发现方法

为了发现复杂网络中社区之间的层次关系,提出了一种基于局部模块度的社区层次结构发现方法。文章方法克服了多分辨率方法无法给出整个网络的层次划分以及无法直接定位造成社区层次变化的分辨率等方面不足,选取网络中的大度数节点基于R公式进行社区层次结构探测,根据局部模块度值变化过程中产生的极大值和极小值定义了社区层次区分度来判断是否到达层次边界。并对网络进行裁剪,从不同的大度数节点出发来发现网络中的全部层次结构。在经典数据集和人工生成网络上进行了实验,并与现有算法进行比较。实验结果证明章算法的有效性。     

无线传感网中基于定向游走的压缩感知数据收集算法

对于大规模无线传感网的工程应用,降低网络能耗、延长网络寿命和克服链路丢包成为设计传感网数据收集算法的关键因素。提出一种基于定向游走的稀疏压缩感知数据收集算法,网络节点以环状部署的方式非均匀分布在以Sink为中心的圆形区域内,每次数据收集过程由最外环内的随机唤醒节点发起,逐跳向内环定向游走,直至游走至CS数据缓冲区内结束收集过程。仿真结果表明,采用稀疏定向游走机制对全网数据进行投影采样,可以有效降低网络能耗,延长网络寿命。同时在有损链路环境下,该算法依然具有高精度的重构性能,克服了链路丢包对CS数据收集的影响。