基于增强学习与QoE需求函数的自适应无线网络择取优化机制

为了使网络择取机制能在未知的网络信息条件下仍可适应复杂多变的网络;并可迎合客户动态变化的QoE需求,且能对其进行优化,提出了增强学习与QoE需求函数相融合的自适应网络择取优化机制。从各类用户出发,划分不同性质的业务,并引入随机离散原则,建立QoE需求函数;根据QoE反馈信号,兼顾切换决策的主观与客观性,嵌入最小二乘法,构建网络切换决策优化模型,获得决策最优值;计算切换开销与客户需求的概率中间值,并定义了最优网络切换规则,耦合增强学习对网络进行择取/切换;设计增强学习参数更新法,完成会话业务发送。在MATLAB仿真平台上对该机制以及其他几种无线网络择取方法进行了测试,实验结果显示:随着网络切换开销权重的不断增大以及转移概率矩阵的实时变化,所提出的机制的性能最好,而且最稳定。     

改进的软件错误报告自动分类算法

软件错误报告的自动分类能够节省大量人力和时间,然而用户提交的错误报告主观性较强,对错误报告的描述较随意,造成自动分类的效率低下。为此,基于传统的词频-逆向文件频率( TF-IDF )算法,结合文档内词条频度与词条在同类别及不同类别文档中的分布情况,提出2种特征降维的改进算法,降维后再对词条进行权值处理,进一步提高特征降维的效果。实验结果表明,应用该算法得到的错误报告自动分类在精确率、召回率、F1值和准确度等指标上比现有算法都有明显提高。     

基于权重阈值寻优的案例推理分类器特征约简

为提高案例推(case-based reasoning,CBR)分类器的分类准确率并降低时间复杂度,本文提出了一种基于权重阈值寻优的特征约简策略.首先通过基于数据驱动的方法对特征权重进行分配,得到每个特征的权重结果;其次,设计特征权重重要度阈值的适应度函数,并利用遗传算法对该重要度阈值进行优化搜索,最后根据得到的优化阈值与特征的权重分配情况,删除权重小于该阈值的特征从而完成特征的约简过程.通过对比实验,本文所提策略能够有效提高CBR分类器的分类准确率并降低时间复杂度,表明了权重阈值寻优约简策略的可行性与优越性.验证了本文方法不仅可以降低CBR分类器的时间复杂度,而且能够提高CBR的决策与学习能力.     

基于机会网络中社交关系的转发机制

由于现有的机会网络转发机制不能完全适应社会网络中基于社交关系的判断与分析,为此通过建立社交关系的分类,构建机会网络中的社会关系树结构模型,提出了一种新的转发机制。该机制设置了节点权重值,由节点所处的层次和社会关系的可利用性及可靠性决定。通过路径权重值,选择最有价值的路径进行消息的传递。通过仿真实验,所提出的转发机制有效地降低了网络中的消息副本数和降低了路由开销。     

基于改进粒子群算法的航班降落调度问题研究

航班降落调度是多约束的整数规划问题,也是组合优化中的典型NP难题之一.针对传统粒子群算法易陷入局部最优和求解组合优化问题能力不强的缺点,提出改进策略.改进的算法通过禁忌搜索策略生成初始粒子群以满足航班调度多约束的限制,引入遗传算法的交叉变异等操作以增强粒子群间信息交流能力,重新定义惯性权重和加速度因子,以增强粒子的多样性和收敛性,加入进化交叉算子以增强粒子的局部寻优能力.通过与修补遗传算法、罚函数遗传算法进行对比,经多次运行后的结果表明,提出的改进算法的局部搜索能力和全局搜索能力都得到增强,同时也验证了算法的可行性和有效性.     

车辆网络中一种有效的警告消息散布协议

针对车辆网络的警告消息散布问题进行研究,提出一种有效的警告消息散布协议WMD.在WMD中,时间被分成一个个带时间槽的时间帧,每个时槽被分成两个子时槽,第一个时槽用来实时获取邻居位置,第二个时槽用来散布警告消息.为了实时获取邻居位置,WMD采取自适应的发送策略.通过理论分析,对每个时间帧的发送次数以及每个时间帧的长度进行优化.基于真实车辆行驶数据进行仿真实验.实验结果表明,相比其他方法,WMD实现了较快的散布速率和较高的接收率.     

基于特征偏好的聚类研究

传统的聚类方法,如k均值和模糊c均值,通常并不区分数据特征对聚类的不同贡献或重要度,因此在面对高维数据聚类时,常会导致偏低的聚类性能,这归咎于聚类时未考虑高维数据特征间所存在的高度相关性或冗余.而通过在聚类时为每一特征引入权重并通过聚类目标的优化,不仅能自动获得对应的权重,而且也获得了聚类性能的提升.尽管如此,但无监督获取的特征权重未必吻合用户所期望的特征间的相对重要性(或偏好).因此尝试利用用户给定的实际偏好设计出能反映特征偏好的聚类方法,其将现有独立于个体聚类的全局加权型偏好聚类方法拓展至聚类依赖的局部特征加权型方法,由此弥补了前者的不足,提升了偏好聚类算法的性能.     

基于属性选择的改进加权朴素贝叶斯分类算法

朴素贝叶斯分类算法简单且高效, 但其基于属性间强独立性的假设限制了其应用范围. 针对这一问题, 提出一种基于属性选择的改进加权朴素贝叶斯分类算法(ASWNBC). 该算法将基于相关的属性选择算法(CFS)和加权朴素贝叶斯分类算法(WNBC)相结合, 首先使用CFS算法获得属性子集使简化后的属性集尽量满足条件独立性, 同时根据不同属性取值对分类结果影响的不同设计新权重作为算法的加权系数, 最后使用ASWNBC算法进行分类. 实验结果表明, 该算法在降低分类消耗时间的同时提高了分类准确率, 有效地提高了朴素贝叶斯分类算法的性能.     

基于Web信息使用改进的无监督关系抽取方法构建交通本体

领域本体是对领域概念及其关系的一种高效合理的展现形式.在构建领域本体过程中,常常遇到的问题就是尽管本体概念完备但概念间关系复杂多样导致人工标记关系代价过高.使用无监督学习的关系抽取算法对包含丰富的领域概念的web信息进行抽取解决了这一问题.然而,传统的无监督学习的算法没有考虑到"单样例多概念对"的问题,导致最终抽取的概念关系不完整.本文利用交通领域的Web信息构建本体,将样例概念关系对权重引入传统的无监督学习方法Kmeans中,解决了此项问题并通过实验证明该算法取得了良好的效果.     

协同过滤技术的改进研究

协同过滤算法应用于个性化推荐系统中取得了巨大成功,它是通过用户项目评分数据,以用户之间或者项目之间相互协作的方式来产生推荐。然而,邻居用户的相似度计算不精确一直是阻碍推荐系统推荐精度进一步提高的主要因素。从提高用户间相似度计算精度出发,提出了一种改进算法,该算法通过考虑不同特征、加强平均值影响、惩罚热门项目的比重,对用户的相似度计算方法进行改进,以期生成更加合理的邻居用户集,最后,根据评分预测公式进行预测,最终产生推荐。在MovieLens数据集上的实验表明,改进算法计算用户间的相似度更加精确,推荐算法的预测精确度有了显著提高。