多粒度全光网中的多层联合路由

多粒度交换技术利用波带级路由以及光纤级路由,可有效降低光交叉连接器的复杂度.但多粒度交换增加了光网络的逻辑层次结构,使得网络中的路由与资源分配问题更为复杂,因此,在多粒度全光网中实现多层联合路由是提高网络性能的关键.本文对多粒度交叉连接结构进行了分析,并对多粒度全光网中的多层联合路由问题进行了研究.     

多粒度时序特征在离网预测中的应用

电信运营商为了发现可能离网的客户,针对不同的场景研究开发了多种离网预测模型。目前的离网预测模型首先选择一种时间粒度抽取特征,之后使用机器学习算法对抽取的数据建模。这类方法只考虑了模型对分类性能的影响,没有充分考虑数据的作用。针对上述问题,提出一种使用多种时间粒度抽取特征的方法,并尝试在模型训练的不同阶段对不同粒度的特征进行融合。实验结果表明,使用多种粒度抽取特征训练出来的模型性能会明显优于使用单一粒度抽取特征的模型。     

产品多粒度层次可拆卸性评价模型与方法

为了解决复杂产品可拆卸性分析问题,根据复杂产品层次性的特点,提出产品多粒度层次可拆卸性评价模型,该模型描述了从产品层到设计单元层的评价指标,并给出各指标的量化方法和准则.先用拆卸熵进行产品层的粗粒度评价;然后利用时间因子法构建设计单元层评价矩阵.为降低评价矩阵维数和消除评价指标信息冗余,采用主成分分析法对设计单元进行细粒度综合评价.通过分析评价结果进行反馈以指导设计和拆卸回收.以全自动洗衣机为例,运用提出的方法对其进行分析评价,并将结果用于指导产品的设计修改和拆卸回收,验证了该方法的可行性和有效性.     

基于多粒度特征选择和模型融合的复合电能质量扰动 分类特征优化

现代电力系统因其“双高”特性造成电能质量扰动模式愈加复杂,对复合扰动的准确分类提出了挑战。传统电能质量扰动分类方法在特征提取阶段所提取的特征由人为确定,难以判断所提取的特征对分类问题是否有效,加之多重复合扰动特征相互耦合导致扰动特征的可分性确定困难。为此,提出一种基于粒度的计算方法进行特征选择的模型。在提取的扰动特征集的基础上,通过构建多粒度空间反映特征分布差异性,进而挖掘各粒度下的最优特征子集以确定有效和冗余的分类特征,达到优化分类效果的目的。在此基础上,通过集成分类模型融合不同粒度空间最优扰动特征集所训练的同质弱分类器模型,提出一种新的电能质量扰动多粒度集成分类方法。该方法克服了现有方法在进行多粒度分类时通过寻找最优单粒度空间特征而导致的其他粒度空间信息丢失的问题。实验表明,多粒度特征选择算法可提取对分类有效的扰动特征,集成分类模型可进一步改善模型的分类性能。     

融合粗细粒度信息的长答案选择神经网络模型

答案选择是问答系统中的关键技术之一,而长答案选择在社区问答系统、开放域问答系统等非实体问答系统中有着重要地位.该文提出了一个结合粗粒度(句子级别)和细粒度(单词或n元单词级)信息的模型,缓解了传统句子建模方式应用于长答案选择时不能把握住句子的全部重要信息的不足和使用比较-聚合框架处理该类问题时不能利用好序列全局信息的缺...     

基于多粒度拓扑图的无线传感器网络逐级精化溯源方法

针对溯源数据分段传输方法要求所有分段准确到达基站（BS）后才能解码，鲁棒性较弱的问题，提出一种无线传感器网络（WSN）溯源逐级精化方法。首先，在BS端利用商空间划分理论将较大的WSN拓扑图划分为由少量抽象节点组成的较粗粒度的拓扑图；然后，利用字典编码溯源的方式分段传输溯源；最后，在BS端根据依次到达的分段进行逐级精化解码，实现了在BS端由粗到细逐级精化解码溯源的过程，且BS可以根据前期解码出的较粗粒度下的溯源信息判断是否放弃此数据还是须采用更细粒度的数据进行深入评估。理论分析、仿真与实验数据均表明，与传统分段方法相比，所提方法平均压缩比提高约51.8%，平均能量消耗降低约50.5%。     

基于注意力机制与局部关联特征的行人重识别北大核心CSCD

由于行人在真实场景下易受到背景、遮挡、姿态等问题的影响,为获取行人图像中更具辨别能力的特征,提出一种基于注意力机制和局部关联特征的行人重识别方法。首先,在网络框架中嵌入注意力模块以关注图像中表达能力强的特征;然后,利用图像中相邻区域的关联得到局部关联特征,并结合全局特征。本文方法在Market1501和DukeMTMC-ReID数据集上进行实验,Rank-1指标分别达到了95.3%和90.1%。结果证明,本文方法能充分获取判别力强的特征信息,使模型具有较强的识别能力。     

一种改进的多粒度光交叉连接结构

多粒度光交叉连接能够提供光纤、波带和波长三种粒度的光交换,这一机制能有效提高交换性能,同时通过交换端口数的减少来降低光交换的成本。在这种交换结构中,需要在下层进行交换的信号需要首先经过上层的交换,或者所有信号都需要被不加区分地解复用出来进行交换,这造成了信号的过大损耗和失真,以及交换端口的浪费。我们在介绍了现有的研究以后,提出一种改进后的多粒度光交叉连接结构。通过仿真分析,可以看出这一新结构能够比其他结构更灵活地配置交换端口,同时能够避免不必要的信号损耗和失真,降低交换成本。     

Multi-granularity spatial-temporal access control model for web GIS

The multi-granularity spatial-temporal-related access control (MSTAC) model was proposed to meet the spatial access control requirements for the service-oriented spatial data infrastructure (SDI). MSTAC extends the attribute constraints of role-based access control (RBAC), which includes the user's location attribute, the role's time constraint, the layer vector constraint of a map class, the scale and time constraints of a geographic layer, the topological constraints of geographic features, the semantic attribute expression constraints of geographic features, and the field constraint of feature views. Through this model, authorized users would be limited to access different granularity spatial datasets, such as the map granularity, the graphic layer granularity, the feature object granularity and the feature view granularity. Finally, the MSTAC model is achieved in a web GIS, which shows the positive and negative authorizations to different services in different data granularities and time periods.     

基于相关修正的无偏排序学习方法

在推荐系统中,学习有效的高阶特征交互是提升点击率预测的关键. 现有的研究将低阶特征进行组合来学习高阶交叉特征表示,导致模型的时间复杂度随着特征维度的增加呈指数型增长;而基于深度神经网络的高阶特征交叉模型也无法很好地拟合低阶特征交叉,影响预测的准确率. 针对这些问题,提出了基于多粒度特征交叉剪枝的点击率预测模型FeatNet. 该模型首先在显式的特征粒度上,通过特征剪枝生成有效的特征集合,保持了不同特征组合的多样性,也降低了高阶特征交叉的复杂度;基于剪枝后的特征集合,在特征元素粒度上进一步进行隐式高阶特征交叉,通过滤波器自动过滤无效的特征交叉. 在2个真实的数据集上进行了大量的实验,FeatNet都取得了最优的点击率预测效果.