在线社交网络研究概述

在线社交网络是伴随着互联网技术发展产生的,它属于众多复杂网络中的一种。近年来,对于在线社交网络的研究不断深入,研究方向可以细分为网络拓扑特征的分析、虚拟社区划分算法的研究、传播动力学研究、网络采样与重构、网络拓扑识别等。大数据研究的兴起使得在线社交网络的研究更加受到人们的关注。当前,人们的日常生活几乎离不开在线社交网络,也因此每天都会有大量的用户数据产生,分析、利用这些数据可以帮助人们了解自己并创造更多的价值。     

基于卡尔曼过滤的多传感器协作数据重构算法研究

本文针对多传感器系统存在的数据易丢失、易受干扰和易失真等问题,在卡尔曼过滤的基础上结合协同合作方式提出了一种协作数据重构算法。该算法从一阶线性化、二次加权突变平滑和随机统计特征等方面出发建立了适用于多传感器系统的卡尔曼过滤算法,然后基于中继转发信号和自适应感知时间间隙,给出了协作数据重构多传感器系统协同过程控制算法。数学分析和实验结果表明,所提算法与压缩感知重构算法相比在监测数据准确度、均方差、功耗和能耗等方面表现出优势。     

一种新的跳频信号重构算法

为解决跳频信号压缩感知重构中稀疏度未知和稀疏字典规模庞大的问题,提出了一种基于多峰值匹配的压缩感知重构算法。该算法借鉴传统匹配追踪类算法结构,采用多峰值匹配原则进行原子选择,通过一次迭代确定候选集,然后利用回溯思想对候选集进行二次筛选获得支撑集,实现了跳频信号的精确重构。仿真结果表明,该算法重构性能与传统正交匹配追踪算法相近,同时重构速度大大提高。     

云化SFT下的径集域与割集域的重构与研究

为了克服原有SFT体系中径集域和割集域处理具有模糊性、随机性和离散性故障数据能力不足的问题,使用云模型和SFT相结合的方法来解决该问题。首先使用云模型云化SFT特征函数,得到云化特征函数,进而云化径集域和割集域,最终得到云化径集域和云化割集域。云化径集域和云化割集域没有严格的分界线,分布区域是通过云滴表示的。若云滴表示的元件/系统故障概率小于P_b,这些云滴存在的区域即为云化径集域;反之大于P_b的云滴存在的区域为云化割集域。通过实例分析了元件X₁和系统的云化径集域和云化割集域,得到了他们适合工作的环境因素变化范围组合。分析过程和结果表明云化径集域和云化割集域能克服原始故障数据的不确定性。     

WSN中基于压缩感知的高能效数据收集方案

可靠高效的数据收集是无线传感器网络（Wireless sensor networks,WSN）应用中的关键问题.然而,由于无线通信链路的高失效率、节点资源受限以及环境恶劣等原因,网络容易发生丢包问题,使得现有的数据收集方法无法同时满足高精度和低能耗的要求.为此,本文提出了一种基于压缩感知的高能效数据收集方案.该方案主要分为节点上的数据处理和数据收集路径优化两个步骤.首先设计了基于指数核函数的稀疏矩阵来对感知数据进行稀疏化处理,然后综合考虑了数据的传输能耗和可靠性等因素,采用分块矩阵的思路,将单位矩阵和准循环低密度奇偶校验（Low density parity check,LDPC）码的校验矩阵相结合构造了测量矩阵,并证明了它与稀疏矩阵之间满足限制等距性质（Restricted isometry property,RIP）.最后,将数据收集路径优化问题建模为哈密尔顿回路问题,并提出了基于树分解的路径优化算法进行求解.仿真结果表明,在网络存在丢包的情况下,本文方案仍然能够保证数据收集的高精确度,相比于其他数据收集方案而言,本文方案在数据重构误差和能耗方面的性能更优.     

贪婪重构算法StOMP及其改进

为了对新型的采样定理:压缩感知理论CS(Compressed Sensing)进行深入的研究并将其应用于图像压缩编码,对压缩感知中的贪婪重构算法进行综述并分析该类算法的优缺点。通过理论分析与仿真实验,对比各算法的性能与效率。该类算法中StOMP需要人为地进行参数设置,而人为设置的参数值往往使算法的重建效果较差。针对该问题,利用粒子群优化算法对StOMP中的参数进行配置,以此来提高StOMP的重建效果。实验表明经过参数配置后的StOMP算法在重构效果上平均提高了2.62 dB,最大能提高13.63 dB。     

步长自适应的前向后向匹配追踪算法

稀疏度自适应的匹配追踪算法(SAMP)是基于压缩感知理论的信号重建经典算法。针对稀疏度未知的信号重建,提出步长自适应的前向后向匹配追踪(AFBMP)算法,AFBMP算法在稀疏度自适应匹配追踪算法的框架下,前向搜索过程中采用对数型自适应变化的步长选择匹配原子,然后通过后向策略修正前向阶段造成的错误,删除支撑集中的部分错误原子,最终实现信号的精确逼近。实验表明AFBMP算法比SAMP算法能够更加高效地重建稀疏度未知的信号。     

基于笔画曲率特征的笔迹鉴别方法

现有的手写汉字脱机笔迹鉴别方法存在只能针对特定字符或需要大量样本字符等问题,为此提出一种基于笔画曲率特征的笔迹鉴别方法。首先运用数学形态学对采集的笔迹图像进行预处理,在横、竖、撇、捺四个方向提取具有代表性的笔画骨架,然后对笔画骨架进行圆的重构,提取四个方向笔画圆的曲率作为特征值组成笔迹特征矩,根据待鉴别的笔迹特征矩与数据库中笔迹特征矩向量夹角相似性度量结果对样本做出判断。实验结果表明该文方法对于待鉴别样本字符的内容没有要求,样本字符数量要求低、应用范围广、鲁棒性强。     

基于非线性重构模型的植物叶片图像集分类方法

提出一种基于非线性重构模型的植物叶片图像集的分类识别方法。该方法首先使用高斯受限玻尔兹曼机(GRBMs)通过非监督预训练来初始化模型的权值;然后针对每一个植物叶片图像集用初始化的模型训练得到一个特定的模型;最后根据测试样本的最小重构误差和测试样本集的最多投票策略来判定测试样本集的类别。该方法通过图像预处理来处理图像,避免了图像在缩放时发生形变,并采用基于k-means的特征提取方法来提取植物叶片图像特征。实验结果表明,该方法能够准确地对植物叶片图像集进行分类识别。     

基于ANTLR的Web应用测试脚本自动重构方法

Web应用在各个领域得到广泛应用,为保证Web应用程序质量,需要对它进行详尽的测试。基于脚本的自动化测试越来越流行,逐渐的被应用在了Web应用程序测试中。功能测试脚本一般用于Web应用的功能和接口测试,很难发现Web应用中可能存在的缺陷或者性能瓶颈。很多研究人员通过扩展功能测试脚本或者重新编写性能测试脚本来测试Web应用程序的缺陷问题。这种方式效率低下,资源开销大。为此,我们提出了一种基于ANTLR开源库的测试脚本自动重构方法,首先对测试脚本进行优化,加速测试脚本执行速度,然后对测试脚本进行增强,从而构造出一个快速暴露Web应用程序缺陷的性能测试脚本。