度量空间中的Top-k反向Skyline查询算法

不同于传统的度量空间Skyline查询,提出了一种新颖的度量空间中的Skyline查询MkRS(metric top-k reverse skyline).MkRS从反向角度执行度量空间中的Skyline.给定查询对象q和单调参考函数f,MkRS返回k个包含m个数据对象的子集,以至于每个子集G的度量Skyline包含q.评估这种查询,需要执行从输入数据集P中n个数据对象里选择m个对象的穷举搜索以及每个排列子集的度量Skyline.这些计算由于巨大的搜索空间而需要极高成本.提出了基于排序机理的算法STS(sort and threshold skyline),它可以提前终止计算,仅需要检查很少部分的子集.然后,利用信息重用技术给出了基于重用的STS算法rSTS(reuse STS),进一步减少了STS中80%以上的I/O访问.大量的实验表明提出的算法有效、快速.     

Bloom filter empowered smart storage/access in IoMT [edge-fog-cloud] hierarchy for health-care data ingestion

Today's era of smart technologies has shifted the paradigm of how things work in almost every domain. This change has also affected the utmost need of human beings, that is, sustainability in healthcare. With the help of technologies like the Internet of medical things (IoMT) devices and cloud-based applications, doctors can now monitor and diagnoses their patients remotely. In the data analytics process for health-care data, more precision and challenges are present. Data must be transferred from a lower layer to final storage (cloud-based) during data ingestion so that subsequent operations such as mining, accessing, and streaming can be performed on these data. This article addresses some of the important issues to maintain sustainability in healthcare like authentication, smart scheduling of devices, the removal of redundant data on the final layer, and improving access times for stored data. Bloom filter (a probabilistic data structure)-based solutions are proposed at different layers of IoMT (edge-fog-cloud). The comparative analysis of state-of-art techniques with the proposed has shown significant improvement over various metrics. The proposed framework has been evaluated experimentally on real health-care datasets.     

基于决策空间变换最近邻方法的Pareto支配性预测

为提高在决策空间运用最近邻方法预测多目标优化Pareto支配性的精度,提出一种基于决策空间变换的最近邻预测方法.在分析目标函数与决策分量相关性的基础上,提出属性变化趋势模型的构造方法,建立低计算成本的属性趋势代理模型.通过属性趋势模型引入决策空间到目标空间的映射知识,对多目标问题的决策空间进行变换,使决策空间的最近邻更有效反映目标空间的最近邻.选取具有不同相关系数特征的典型多目标优化问题,进行Pareto支配性预测的可对比实验,结果表明在新空间中运用最近邻方法可显著提高分类准确性.     

基于动态卷积概率矩阵分解的潜在群组推荐

近年来,群组推荐由于其良好的实用价值得到了广泛关注.然而,已有的群组推荐方法大多都是根据分析用户对服务的评分矩阵直接将个体用户的推荐结果或个体用户偏好进行聚合,没有综合地考虑用户-群组-服务这三者间的联系,导致群组推荐效果欠佳.受潜在因子模型与状态空间模型启发,结合评分矩阵、服务描述文档以及时间因素,共同分析用户-群组-服务间的联系,提出了一种基于动态卷积概率矩阵分解的群组推荐方法.该方法首先利用基于卷积神经网络的文本表示方法获取服务潜在特征模型的先验分布;然后,将状态空间模型与概率矩阵分解模型相结合,获得用户潜在偏好向量与服务特征向量;之后,对用户偏好向量运用聚类算法来发现潜在的群组;最终,对群组中的用户偏好采取均值策略融合成群组偏好向量,并与服务特征向量共同生成群组对服务的评分,实现群组推荐.通过在MovieLens数据集上与同类方法进行对比实验,发现所提方法的推荐有效性与精确性上更具有优势.     

基于Sugeno型模糊神经网络的空间杆系结构的压电驱动器主动控制

基于自主研发的压电主动杆件的振动控制特性,采用主动杆件两端节点的相对位移和相对速度作为输入以及控制电流作为输出,设计了空间杆系结构的Sugeno型模糊神经网络控制系统。首先通过LQR方法对结构进行控制产生训练数据样本,再利用神经网络的自适应学习功能进行模糊划分及产生模糊规则,最后利用模糊系统的推理能力对空间杆系结构模型进行基于地震响应的主动控制仿真,同时与基于经验的Mamdani型模糊推理规则进行仿真对比。仿真结果表明两种模糊推理模型对结构模型的控制都能达到良好效果,但是由于Sugeno型模糊推理的计算简单,其仿真速度比Mamdani型模糊推理快几十倍,而且省去了人为的经验总结过程,因而采用Sugeno型模糊神经网络控制器更能满足工程应用的要求。     

空间桁架梁固有振动的能量变分解析解

目前人们对空间桁架梁的振动特性研究得较少,该文首先采用Timoshenko梁的连续化模型来模拟空间桁架梁,推导得到了空间桁架梁的等代抗弯刚度和等代抗剪刚度,并采用能量变分法对空间桁架梁的固有振动进行分析,给出空间桁架梁的竖向振动频率和振型的解析解。然后采用有限元软件ANSYS对几种不同算例进行模拟,通过模态分析得到空间桁架梁的频率与振型。将能量变分法求得的频率解析解与有限元分析求得的频率数值解进行对比,结果基本上是一致的,将两种方法得到的振型对比,结果吻合良好。该文所提出的能量变分解析解可供空间桁架梁的工程设计参考。     

手臂延伸与抓取运动时间协调小脑控制模型设计

该文在Hoff-Arbib最小加加速度(minimum jerk)控制理论的基础上,提出一种具有生物学意义的小脑控制模型,用以解释延伸和抓取过程中,手臂运动与预抓取之间时间协调的问题。在对这种模型如何学习超前状态和剩余时间(TTG)预测两个关键功能进行讨论的基础上,重点对2维空间的延伸与抓取运动进行了仿真。结果表明,由Hoff-Arbib模型所获得的有关延伸与抓取运动的动力学的一些关键特征,小脑控制模型也能实现,有些性能甚至更好。总之,通过训练和学习,模型能获得精确平滑的运动轨迹。     

基于色彩空间自然场景统计的无参考图像质量评价

RGB色彩空间中各色彩分量间存在强相关性, 图像发生失真会改变各分量间的相关性. 基于此, 本文提出了一种新的通用无参考图像质量评价方法. 首先, 根据人类视觉对RGB色彩空间中绿色分量更为敏感的颜色感知特性, 提取了G分量MSCN系数及其4方向邻域系数的统计特征; 其次, 在分析RGB色彩空间中R、G及B分量间相关性的基础上, 分别计算RGB色彩空间各色彩分量及其纹理、相位间的互信息, 利用互信息作为统计特征来描述其各分量间的相关性; 进而, 结合上述统计特征, 分别利用SVR和SVC构建无参考图像质量评价模型和图像失真类型识别模型; 最后, 在LIVE、CSIQ 及TID2008图像质量评价数据库上进行了算法与DMOS (Different mean opinion score)的相关性、失真类型识别及计算复杂性等方面的实验. 实验结果表明, 本文方法的评价结果与人类主观评价具有高度的一致性, 在LIVE 数据库上的斯皮尔曼等级相关系数和皮尔逊线性相关系数均在0.942以上; 而且, 图像失真类型识别模型的识别准确率也高达93.59%, 明显高于当今主流无参考图像质量评价方法.     

基于空间句法的历史建筑研究分析——以冯玉祥旧居为例

历史建筑是城市公共景观的重要组成部分,也是城市居民生活的重要物质载体。本文以巢湖市冯玉祥旧居为例,运用空间句法理论对旧居的周边环境和建筑本体空间进行研究,分析旧居建成环境的优势和不足,明确旧居保护规划的侧重点,为历史文化建筑的保护和利用提供依据和参考的基础。     

基于混沌相空间技术的输沙量预测BP网络模型

影响输沙量演变规律的前期因素比较多,且难于确定和提取,这就造成对输沙量的拟合和预测精度较低。在对输沙量时间序列混沌特性分析的基础上,利用嵌入相空间来确定前期影响因子,建立了基于混沌相空间技术的BP神经网络模型。模型既能考虑到影响输沙量时间序列的动力因子,又能解决网络的输入单元数确定的困难和利用神经网络超强的非线性映射功能,通过对龙川江流域控制站月输沙量的拟合与预测表明其结果合理,预测精度较高。