分布式视觉监控系统的研究

提出了一个基于视觉的分布式监控系统。该系统通过将多个摄像机单元组织成一个局域网来监视多个特定的区域,实时获取并处理彩色图像序列。当有特定的异常物体如行人、车辆等进入监视区域后能够向用户发出警报,而且能够将从多个摄像机单元获取的数据进行融合得到一个一致的决定。每个摄像机单元利用基于高斯混合模型的背景减除法对异常物体进行检测,并用卡尔曼滤波器进行跟踪。系统在实验室的局域网内进行了实验,显示了良好的性能。     

基于密度峰值与密度聚类的集成算法

针对快速搜索和发现密度峰值聚类（CFSFDP）算法需人工在决策图上选择聚类中心的问题，提出一种基于密度峰值和密度聚类的集成算法。首先，借鉴CFSFDP思想，将局部密度最大的数据作为第一个中心；接着，从该中心点出发采用一种利用Warshall算法求解密度相连改进的基于密度的噪声应用空间聚类（DBSCAN）算法进行聚类，得到第一个簇；最后，在尚未被划分的数据中找出最大局部密度的数据，将它作为下一个簇的中心后再次采用上述算法进行聚类，直到所有数据被聚类或有部分数据被视为噪声。所提算法既解决了CFSFDP选择中心需人工干预的问题，又优化了DBSCAN算法，即每次迭代都是从当前最好的点（局部密度最大的点）出发寻找簇。通过可视化数据集和非可视化数据集与经典算法（CFSFDP、DBSCAN、模糊C均值（FCM）算法和K均值（K-means）算法）的对比实验结果表明，所提算法聚类效果更好，准确率更高，优于对比算法。     

基于跨尺度低秩约束的单幅图像盲超分辨率算法

单幅图像盲超分辨率方法是在模糊核未知的情况下仅利用单幅低分辨率图像重建高分辨率图像,这是一个严重的欠定逆问题.超分辨率正则化方法通过正则化约束项引入附加信息,为低分辨率图像恢复或重建合理的高频成分.本文将跨尺度自相似性与低秩先验相结合,提出了一种基于跨尺度低秩约束的单幅图像盲超分辨率方法,采用联合建模的方法同时估计模糊核与高分辨率图像.利用高分辨率图像、低分辨率图像及其降采样图像之间的跨尺度自相似性,对于低分辨率图像中的图像块在降采样图像中搜索相似块,将该图像块在高分辨率重建图像中对应的父块与其相似块在低分辨率图像中对应的父块合并,构造跨尺度相似图像块组矩阵.由于低分辨率图像中的跨尺度相似图像块能够为重建图像块提供潜在的细节信息,因此对相似图像块组矩阵进行低秩约束,在迭代求解过程中迫使重建图像恢复高频成分,进而促使模糊核的估计更加准确.此外,低秩约束能够表示数据的全局结构,对噪声具有鲁棒性.在真实和模拟图像上的实验表明,本文的算法能够准确地估计模糊核,重建高分辨率图像的边缘和细节,优于现有的自监督盲超分辨率算法.     

一种考虑服务质量的服务发现机制

服务发现是服务框架中联系消费者和提供者的重要环节。提出了一种考虑服务质量的服务发现机制（QSCD)。QSCD根据消费者的消费历史,考虑了消费者对服务质量的要求,在消费者本地建立一个服务发现机构。并在QSCD引入服务预约和服务社区等概念,对该机制进行了扩展。它作为对已有服务发现机制的补充,可提高发现的速度。     

融合学术水平相似性的合作者推荐模型

合作者推荐工作对科学研究的发展和科技成果的转化很有帮助,然而学者间水平的差距严重影响了合作的建立。模型从学者间学术水平差距,合作网络的拓扑距离以及研究兴趣三个角度进行合作者推荐。首先,定义了学者—学者、学者—主题、学者—水平标签三种网络,并融合成主题—学者—水平标签图;之后对该图中的边赋权重,从而将合作者推荐任务转换为链路预测问题;最后使用偏向重启随机游走算法计算学者间的访问概率,并筛选访问概率大的学者作为推荐建议。在三个数据集上的实验表明,模型在推荐的准确率、召回率、F1指数上平均提高了5.4%、2.7%、3.8%,同时目标学者与推荐学者的学术水平匹配度更高。     

结合最大最小距离和加权密度的K-means聚类算法

随机选取初始聚类中心和根据经验设置[K]值对[K]-means聚类结果都有一定的影响,针对这一问题,提出了一种基于加权密度和最大最小距离的[K]-means聚类算法,称为[KWDM]算法。该算法利用加权密度法选取初始聚类中心点集,减少了离群点对聚类结果的影响,通过最大最小距离准则启发式地选择聚类中心,避免了聚类结果陷入局部最优,最后使用准则函数即簇内距离和簇间距离的比值来确定[K]值,防止了根据经验来设置[K]值。在人工数据集和UCI数据集上的实验结果表明,KWDM算法不仅提高了聚类的准确率,而且减少了算法的平均迭代次数,增强了算法的稳定性。     

属性集重要性的研究

在决策表中,不同的属性和属性集可能具有不同的重要性。通过分析单一属性重要性和属性集重要性,得出单一属性不重要而包含它的属性集不一定不重要以及单一属性重要而包含它的属性集一定重要的结论。因此,研究属性集重要性具有重要意义,与单一属性重要性相比,属性集重要性更加可信。     

基于学术水平聚类的科研合作者推荐模型

针对现有科研合作者推荐模型一般不考虑目标学者与推荐学者间学术水平的差距,导致合作关系难以建立的问题,提出一种基于学术水平聚类的合作者推荐模型,为目标学者推荐最合适合作者（fitting collaborator recommendation,FCR）。该模型先使用K-means算法对合作网络中的学者按照学术水平特征进行聚类,在同一水平簇别中建立合作网络,利用链路预测算法中的Katz指标对网络中的节点进行相似度计算,对学者们的研究主题进行提取,在网络的可达性,学术水平是否相近以及研究主题相似度三个方面进行综合考虑并进行Top-N推荐。实验结果表明,相比于其他模型,提出的基于学术水平聚类的合作者推荐模型相比于其他推荐模型均有着较优的表现,在推荐的准确率、召回率以及F1指数上分别提高了5.3%、2.5%、4%。并且在推荐的合作学者与目标学者的学术水平匹配性方面平均提高了37%。