基于DRCNN的PolSAR图像分类综合实验设计

为了让学生更好地了解和掌握深度学习TensorFlow框架和CNN网络,采用基于不同区域的多尺度卷积神经网络(DRCNN)设计了PolSAR图像分类综合设计实验,旨在实现遥感图像的自动化分类和理解。极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像能够提供更加丰富的极化信息,更好地刻画地物特征,对国防建设和国家发展具有重要意义。实验利用Python语言,在CNN基础上进行改进研究,设计了多区域的多尺度CNN模型,实现了极化SAR图像的数据处理、特征学习和分类一体化设计。该实验不仅可以帮助学生综合应用图像处理与深度学习知识,理解和利用CNN来进行极化SAR图像分类的基本原理和方法,还能使学生更加深入、熟练地掌握TensorFlow框架,提高学生的科研素质和动手实践能力。

竞赛驱动的研究生案例教学改革

针对目前计算机专业研究生课程课堂教学模式对学生创新能力培养有待进一步提高的问题,分析将学科竞赛与课程教学结合的可行性,提出将学科竞赛题目引入课堂案例教学过程中,分析课程类别和竞赛类别的匹配模式,具体阐述如何结合研究报告类竞赛题目培养学生的抽象建模能力,结合作品类竞赛题目提升学生的应用开发实践能力,设计竞赛驱动的研究生课程案例教学改革方案,并通过调查分析说明实施效果。

基于多模式匹配的网络视频流识别与分类算法

快速发现网络中的视频流是进行网络视频监督及管理的前提与基础。本文通过分析网络视频流数据包的特征,提出了一种基于多模式匹配思想的网络视频流快速发现与分类算法,该算法利用不同视频流的特征建立匹配机,只需对网络数据包进行一次不完全扫描,就可以判断出数据包中是否含有视频流及类型。实验结果表明,与普通的协议解析方法相比,在满足准确性的前提下,所提算法具有更好的时间性能。

基于区域交互模型的SNS网络用户影响力评估

针对现有方法与模型未能准确体现不同距离用户之间真实交互行为的问题,提出了一种基于用户区域交互模型的用户影响力评估方法。区域交互模型利用影响力传递的不同方式,刻画不同距离之间用户的交互行为模式,能更为真实准确地反映在线社会网络用户之间的交互行为。通过计算用户对相邻用户的显性影响力与非相邻用户的隐性影响力,可有效识别在线社会网络中大影响力用户、僵尸粉用户等不同类型用户。基于新浪微博与人人网真实数据开展用户影响力评估以及相应的用户角色识别实验,结果显示,与现有方法相比,基于区域交互模型的识别方法可以准确有效地识别出在线社会网络中的大影响力用户、僵尸粉用户等各类型用户。

基于LRTC-TNN的瞬时水流量数据连续插值方法

瞬时水流量数据在采集、整理、存储过程中均存在不同程度的数据缺失问题,不但会造成数据分析上的偏差,还会影响后期决策,尤其是连续水流量缺失问题。国内外关于水流量数据缺失值插补的研究方法很多,然而针对相邻时间存在连续缺失值的插补问题还没有完备的解决方案。因此,基于瞬时水流量数据集的低秩假设,提出一种基于非凸低秩张量补全模型(A Nonconvex Low-Rank Tensor Completion Model-Truncated Nuclear Norm,LRTC-TNN)的瞬时水流量缺失值插补方法。通过乘子交替方向法(Alternating Direction Method of Multipliers,ADMM)求解最优的LRTC-TNN模型。利用通用速率参数自动确定张量模态的截断,运用张量补全的策略对连续缺失值进行预测。将该方法用于某地水厂管道瞬时水流量数据插值实验中并与其它最新的和传统的方法进行对比,取得了非常好的效果。

面向小样本学习的动态分布校正方法

近年来,机器学习在多领域取得巨大成功。在现实世界的真实场景中,由于采集环境复杂或标注难,使得可用于训练的标准样本很少,导致机器学习模型往往出现过学习或欠学习的问题。所以,小样本学习是具有挑战性的机器学习问题。近期人们提出分布校正方法,他们假设特征表示中每个维度都服从高斯分布,利用基类的特征分布来校正新类的特征分布。然而该方法易引入负迁移现象,并且易于淹没新类本身的特征分布。为此,该文提出一种动态分布校正方法解决分布校正过程中的负迁移问题。首先,基于阈值动态地选择近邻基类和远域基类;其次,新类样本的特征经过幂变换的操作后,增加特征标准化处理来消除不同量纲之间的差异;最后,该方法引入参数调节迁移分布与新类特征原分布之间的比例关系来实现新类的特征分布校准。通过在常规数据集miniImageNet和CUB上与最新算法和传统算法的大量对比实验表明,该方法可以有效提升小样本分类任务的性能。

在线社交媒体数据抽样方法的比较研究

社交媒体数据是行动者自组织关系的集合,其内部蕴含了多层次的社会实体关系,传统的抽样方法难以处理其内生的复杂性、不确定性以及涌现性,因此社交媒体抽样方法的研究对于社会计算这一新兴研究领域具有重要的研究价值和实践意义.文中首先按照社交媒体抽样技术发展的演进轨迹,对广度优先抽样法、点-边抽样法、用户均匀抽样法、同伴推动抽样法以及随机行走抽样法的基本思想、概率化控制能力、应用效果进行了全面的分析和比较,介绍了各类方法的特点与不足.其次根据领域问题研究的需要,使用社交媒体数据对上述方法进行了实际测试.测试结果表明现有抽样方法在微观层次(节点)和中观层次(子群)通过有效的节点规模扩张和概率控制,能够满足节点异质性与子群内聚性抽样的要求,但在宏观层次上却无法准确刻画由于局部凝聚子群再组织所表现出的涌现性.最后以此为依据,指出社交媒体数据抽样未来需要进一步深入研究的问题.