基于TG–LSTM神经网络的非完整时间序列预测

针对传统模型对含数据缺失的非完整时间序列预测精度不高的问题,利用长短期记忆(LSTM)神经网络强大的时序建模能力,提出一种带时间门的长短期记忆(TG–LSTM)神经网络.首先,提出一种能同时对输入值在线估计和输出值实时预测的TG–LSTM单元结构;其次,基于TG–LSTM结构设计一种网络的前向传播算法,实现输入填补和输出预测同步进行;然后,建立TG–LSTM神经网络的学习算法来对输入填补和输出预测任务整体训练;最后,通过在Mackey-glass基准数据集,月平均气温数据集和污水处理出水氨氮预测中的实验结果表明:与传统方法相比,TG–LSTM神经网络模型能以更高精度对非完整时间序列进行填补和预测.     

窗口大小自适应的空间耦合LDPC码译码算法

空间耦合低密度奇偶校验（Spatially-Coupled Low-Density Parity-Check,SC-LDPC）码具有接近香农限性能,基于置信传播译码算法,窗口译码（Windowed Decoding,WD）能够获得较小延时的同时也存在一定的局限性。为了进一步提高WD的译码性能,对SC-LDPC码的窗口译码算法提出了提前终止译码和动态调整窗口大小相结合的改进方法。该方法监测窗口大小的动态变化及相应窗口的平均迭代次数,通过加性高斯白噪声信道下的仿真分析,与传统窗口译码相比,其误码率降低,且计算复杂度更低。     

部分相干双涡旋光束在海洋湍流中的传输

基于广义惠更斯―菲涅耳原理,推导了部分相 干双涡旋光束在海洋湍流中传输时光强分布的理论表 达式,详细研究了部分相干双涡旋光束在海洋湍流中的传输特性。研究结果表明,在传输距 离较小的情况 下,双环结构扩展随着外环拓扑荷数的增加而增大,传输一定距离以后光束转化为空心分布 ,当传输距离 足够长后,光强分布转化为类高斯分布。研究还发现,双涡旋光束在海洋湍流中的强度分布 也受到海洋湍 流相关参数的影响,并且随着海洋湍流的相关参数的改变,光束转化为类高斯分布所需要的 传输距离也随 着改变。另外,在传输距离较短的情况下,光源的相干性越好,光束的双环结构越明显,并 且中间的“暗核” 越明显。所得结果对于部分相干双涡旋光束应用于水下湍流环境有着重要的意义。     

一种基于节点影响力的信息传播概率算法

在社交网络上的信息传播的研究中,设定一个传播概率,运用各种传播模型来模拟信息传播过程,是最常见的一种方式,然而人为设定的传播概率对传播过程有很大影响。根据复杂网络的相关研究,计算信息源节点的影响力,并以此为基础提出了一种计算信息传播概率的方法。实验对比了人为设定的传播概率与考虑了信息源节点影响力的传播概率对传播结果造成的差异,并通过证明影响力算法的有效性,说明了计算后的传播概率更加合理。     

基于局部约束的自适应图标签传递方法

标签传递是一种有效的基于图的半监督分类方法,被广泛应用于图像分类、文本分类等任务中。在基于图的半监督分类方法中,图的构建在一定程度上影响算法的性能。尽管已有大量的图构建方法被提出,然而现有方法存在图的构建与后续学习过程分离以及忽略数据的局部结构问题。为了解决上述问题,提出了一种基于局部约束的自适应图标签传递方法。在该方法中,将图构建与标签传递结合形成统一框架,并且在图构建过程中同时考虑样本的局部性与稀疏性,使得优化图更具有稀疏性和判别性,从而有利于标签传递。还提出了一种迭代优化算法求解目标函数,并在四个数据库上进行大量的实验,证明了所提出方法的有效性。     

基于LeaderRank和节点相似性的多标签传播重叠社团挖掘算法

针对基于多标签传播重叠社团挖掘算法COPRA因随机更新策略带来的不稳定性以及需要预先输入参数的局限性等问题,提出一种基于LeaderRank和节点相似性的多标签传播重叠社团挖掘算法.该算法首先利用LeaderRank算法对网络中的节点进行重要性排序从而确定节点的更新顺序,减少标签不必要的更新.在标签传播过程中,根据节点相似性重新设计标签的更新策略,提高算法的稳定性.将算法应用于人工网络和真实网络中进行实验,实验结果表明该算法在挖掘重叠社团上具有较高的准确性和稳定性.     

局部扩展的标签传播蚁群优化重叠社区发现*

社区发现是分析复杂网络重要的方法。为了提升社区发现算法速度和高精度命题,提出一种局部扩展标签传播算法与蚁群优化结合的重叠社区发现框架（ELPA-ACO）。首先利用局部扩展的标签传播社区发现算法快速获得蚁群初始信息素和位置,然后,结合网络中节点的拓扑结构、内部标签属性、历史信息和节点的传播相互影响力等因子改进蚂蚁转移概率,进一步提高划分精度。在未知网络和真实网络验证,ELPA-ACO算法可适应多种网络划分,无论是速度还是精度都有显著提高。     

基于复杂网络的IC-SEIR网络舆情传播模型研究

基于传染病模型进行舆情传播的研究中,已有传播模型中节点的状态转化仅取决于设定的概率,并不符合真实的传播情况。根据现实中用户传播舆情信息的行为特征,将兴趣度与亲密度引入舆情传播的过程中,并扩展了SEIR模型中的状态转移途径,提出了IC-SEIR网络舆情传播模型,使用兴趣度、相似度来描述节点的相似性,亲密度来描述节点间连接的紧密程度,并且节点的状态转移方向取决于这两种属性。在Matlab平台下采用Facebook数据集进行仿真分析,仿真结果表明,当初始传播点为度大节点或兴趣度分布为均匀分布或常数时,舆情信息更容易传播,当亲密度分布为常数时对舆情传播也有促进作用,为进一步研究社会网络中舆情传播的过程与趋势提供参考。     

隐式反馈场景中结合信任与相似度的排序推荐*

推荐系统作为解决信息过载问题的有效工具,能通过海量历史行为数据挖掘用户偏好,为其提供个性化推荐服务。针对如何利用隐式反馈数据实现个性化推荐进行研究,提出了一种结合信任与相似度的排序模型TSBPR。首先计算受信度与相似度的混合权重取代二值信任关系,初始化新用户信任列表实现将新用户连接进信任网络,其次利用邻居的特征及信任矩阵修正目标用户的特征矩阵解决信任传递问题,最后通过在贝叶斯排序模型(Bayesian Personalized Ranking,BPR)中引入重新构建的信任模型及用户特征得到优化的模型参数并生成最终的项目排序列表。通过实验仿真,证明了TSBPR模型可以提高推荐性能和有效解决冷启动问题。     

基于故障传播的模块化BP神经网络电路故障诊断

大规模的数模混合电路所含故障模式众多,电路故障状态复杂,且易发生传播,因而电路故障诊断难度较大。针对大规模电路发生故障时存在故障传播的问题,提出一种基于故障传播的模块化BP神经网络（MBPFP）故障诊断方法。首先,在电路模块划分的基础上分析子电路间的故障传播,并将故障源和故障传播源"模块化";然后,通过子电路的异常检测模型进行一级定位,缩小故障原因集合,确定故障模块;最后,利用目标模块的BP神经网络模型进行二级定位,实现故障诊断并识别故障模式。与传统BP神经网络等方法进行比较的实验结果表明,MBPFP故障诊断方法具有较高的故障覆盖率,在定位准确率方面提高了至少8个百分点,其性能优于传统BP神经网络等方法。