划分序乘积空间:基于划分的粒计算模型

粒计算(granular computing)通过粒结构实现复杂问题求解.现有对粒结构中粒化方法的研究,主要是分别基于多层次的粒化方法和基于多视角的粒化方法,没有将多层次粒化方法和多视角粒化方法结合起来.基于多层次的粒化方法得到的粒结构由一个满足线性序关系的多个层构成,即单视角多层次.基于多视角的粒化方法得到的粒结构具有多个视角,但是每个视角仅有一个层.为了更全面地理解和描述问题,从而可以更有效和合理地解决问题,给定一个论域,使用划分作为粒化方法,将多层次的粒化方法和多视角的粒化方法相结合,定义划分序乘积空间.首先,使用论域上的一个划分定义一个层.其次,使用一个嵌套的划分序定义一个多层次,表示为一个视角,层和层之间具有线性序关系.最后,给定多个视角,则定义了多个线性序关系,基于多个线性序关系的乘积,定义划分序乘积空间.划分序乘积空间给出了一种基于划分的粒计算模型.通过实例说明了划分序乘积空间在实际应用中的优越性.

基于遗传算法的划分序乘积空间问题求解层选择

划分序乘积空间作为一种新的粒计算模型,可以从多个视角和多个层次对问题进行描述和求解.其解空间是由多个问题求解层组成的格结构,其中每个问题求解层由多个单层次视角构成.如何在划分序乘积空间中选择问题求解层是一个NP难问题.为此,提出一种两阶段自适应遗传算法TSAGA(two stage adaptive genetic algorithm)来寻找问题求解层.首先,采用实数编码对问题求解层进行编码,然后根据问题求解层的分类精度和粒度定义适应度函数.算法第1阶段基于经典遗传算法,预选出一些优秀问题求解层作为第2阶段初始种群的一部分,从而优化解空间.算法第2阶段,提出随当前种群进化迭代次数动态变化的自适应选择算子、自适应交叉算子以及自适应大变异算子,从而在优化的解空间中进一步选择问题求解层.实验结果证明了所提方法的有效性.

基于依赖类型剪枝的双特征自适应融合网络用于方面级情感分析

现有的模型将基于依赖树的图神经网络用于方面级情感分析,一定程度上提升了模型的分类性能。然而,由于依赖解析技术的限制,语法解析结果的不精确导致依赖树存在大量噪声,使得模型的性能提升有限。此外,一些句子本身并不符合标准的句法结构。以往的研究以同样的置信度利用句法信息和语义信息,没有充分考虑它们对于确定方面词极性的贡献的不同,导致模型在相应的数据集上性能较差。为了克服这些困难,文中提出了一种基于依赖类型剪枝的双特征自适应融合网络。具体来说,该模型使用一种新型的混合方法,命名为依赖关系类型剪枝和邻接矩阵平滑,来缓解句法解析产生的噪声。此外,该模型通过双特征自适应融合模块充分考虑句子的句法信息的可用程度,以一种更灵活的方式将句法特征和语义特征结合起来用于方面级情感分析。在5个公开可用的数据集上进行广泛的实验,结果证明了该方法明显优于基线模型。

基于自适应邻域空间粗糙集模型的直觉模糊熵特征选择

特征选择是数据预处理中一项很重要的技术,主要从原始数据集的特征中选出一些最有效的特征以降低数据集的维度,从而提高学习算法性能.目前基于邻域粗糙集模型的特征选择算法中,由于没有考虑数据分布不均的问题,对象的邻域存在一定的缺陷.为了解决这个问题,采用方差来度量数据的分布情况,重新定义二元邻域空间,基于此提出自适应二元邻域空间的粗糙集模型,并将该模型与邻域直觉模糊熵结合作为特征评估的方式,进而构造相应的特征选择算法.UCI实验结果表明:所提出的算法能够选出更小且具有更高分类精度的特征子集,同时算法拥有更少的时间消耗.因此所提的特征选择算法具有更强的优越性.

基于熵和相关系数的直觉模糊多属性决策方法

针对决策信息为直觉模糊信息且属性权重完全未知的多属性决策问题,提出了一种基于直觉模糊熵和得分函数的决策方法。为了准确度量直觉模糊集的直觉性和模糊性,首先提出了一种新的直觉模糊熵,并讨论其相关性质。其次为了减少不确定信息对决策的影响,结合直觉模糊熵建立规划模型,从而确定属性权重。同时从隶属度,非隶属度和犹豫度三方面构建论域对象与理想对象之间相关系数,并在此基础上根据决策者的决策态度定义得分函数进而得到最优决策。最后给出一种基于直觉模糊信息的多属性决策方法,并通过候选人评估实例验证了该方法的可行性和有效性。

混合云中面向数据中心的工作流数据布局方法

科学工作流是一种复杂的数据密集型应用程序.如何在混合云环境中对数据进行有效布局,是科学工作流所面临的重要问题,尤其是混合云的安全性要求给科学云工作流数据布局研究带来了新的挑战.传统数据布局方法大多采用基于负载均衡的划分模型布局数据集,该方法可以获得很好的负载平衡布局,然而传输时间并非最优.针对传统数据布局方法的不足,并结合混合云中数据布局的特点,首先设计一种基于数据依赖破坏度的矩阵划分模型,生成对数据依赖度破坏最小的划分;然后提出一种面向数据中心的数据布局方法,该方法依据划分模型将依赖度高的数据集尽量放在同一数据中心,从而减少数据集跨数据中心的传输时间.实验结果表明,该方法能够有效地缩短科学工作流运行时跨数据中心的数据传输时间.

基于多专家区间数的多属性群决策方法

针对区间数的多专家多属性决策问题,提出了一种基于非线性规划模型的群决策方法。该方法建立如下准则:在不同对象和属性下,当某专家的估计值与所有专家估计值的均值越靠近时,则其专家权重就越大;反之就越小。基于该准则利用区间距离公式和规划模型解决了专家权重难以确定的问题。结合集成算子理论,利用区间数算术平均算子将决策矩阵集成为综合决策矩阵,再利用属性权重将其集成为综合属性值,通过二维可能度建立比较可能度矩阵,然后利用排序向量法进行排序。最后通过实例分析验证了该方法的可行性和合理性。

基于分类距离分数的自适应多模态生物特征融合

匹配分数是传统的融合分数指标,但是其不能很好地区分类内和类间数据,分类置信度虽然可以较好地将类内类间数据分开,但对于匹配分数仅次于分类阈值的数据,其分类效果不是很理想.因此,首先提出了一种基于分类距离分数的融合分数指标,其不仅携带一级分类信息,也含有匹配分数与分类阈值之间的距离信息,可增大融合后类内类间分数之间的距离,为融合算法提供了一个具有有效判别信息的特征融合集,提高了融合指标的利用率;进一步,利用信息熵表示信息价值多少的这一特性,定义特征关联系数和特征权重系数,并将加权融合和传统SUM规则统一在一个自适应算法框架中,提高了融合识别率.实验结果验证了所提出方法的有效性.

视频结构化描述模型

如何有效地表示视频一直是多媒体领域的研究热点和难点。提出一种视频结构化描述模型,其基本思想是:利用视频的内蕴结构特点,以视频镜头作节点,以镜头间的相似度作边权,构建视频关联图模型,并提取视频关联图的谱特征,包括主分量特征、特征模容量、特征模周长、Cheeger常数、模间邻接矩阵、模间距离等。视频聚类和检索实验表明,视频结构化描述模型是可行的和有效的,其中主分量谱特征更表现了良好的性能。

基于熵和协相关度的直觉模糊多属性决策方法

针对决策信息为直觉模糊集且属性权重完全未知的多属性决策问题,提出了一种基于直觉模糊熵和协相关度的决策方法。对于直觉模糊集的直觉性和模糊性,从公理化定义出发,给出了一种改进的直觉模糊熵的定义。然后基于所有属性总不确定信息量最小化准则,利用提出的直觉模糊熵建立非线性规划模型,从而得到属性权重公式。接着,由统计学中变量间相关系数的构造思想,提出直觉模糊集协相关度的概念,并探讨了与相关系数类似的性质,且进一步得出各对象与理想对象加权的协相关度公式。最后给出了一种新的多属性决策途径,并将所提方法成功应用于教授评选的实例中,通过计算各个教师的协相关度确定最佳候选人,实现最优决策。该方法操作合理,算法易于实现,计算结果可靠,可用于多种决策问题。

分层法求解网络最大流的研究

网络最大流问题是经典的组合优化问题,随着网络规模的增加,提高算法效率成为解决问题的关键.为了降低求解大规模网络最大流的计算量,针对单源单汇网络提出基于网络分层的最大流问题求解新方法.分层法首先构造原有向网络对应的层次网络,接着在构造出的层次网络中计算各相邻结点层之间的最大流,以此为基础最终获得整个网络最大流的快速估算.分层法有效降低了计算的复杂性,为在大规模网络中快速获取最大流的求解提供了方便,并给出了一个解决最大流问题的新思路.不同网络上测试的实验结果显示,最大流的近似解误差可控制在1%左右,而平均运行时间仅为经典算法(FordFulkerson算法)运行时间的11%,最好情况下的运行时间仅为经典算法运行时间的2%,是two-phase capacity scaling改进算法运行时间的25%,表明分层方法的有效性.

基于奇异值分解的可分离压缩成像方法

可分离压缩传感可以通过一定比例的额外测量有效地解决压缩成像问题中面临的测量矩阵维数过大的瓶颈.但是现有可分离压缩传感(separable compressive sensing,SCS)方法需要2个可分离的测量矩阵都必须是行归一化后的正交随机矩阵,其显著地限制了该方法的应用范围.将奇异值分解(singular value decomposition,SVD)方法引入可分离可压缩传感测量过程,可以有效地实现测量矩阵和重建矩阵的分离:在感知阶段可以更多地考虑测量矩阵物理易于实现的性质,如Toeplitz或Circulant等确定性结构的矩阵;在重建阶段,更多地考虑测量矩阵的优化.通过引入奇异值分解对重建阶段的测量矩阵进行优化,可以有效地改善重建性能,尤其是Toeplitz或Circulant矩阵在大尺度图像的压缩重建情形.数值实验结果验证了该方法的有效性.

基于簇头质量的移动无线传感器网络分簇算法

在部分节点移动的网络环境下,分析了传统静态无线传感器网络分簇算法对节点移动环境下成簇的失效性,给出了影响簇头质量的性能参数集,并提出了基于簇头质量的移动无线传感器网络分簇算法。该算法根据节点活动性、平均邻居距离、节点度偏差及信道质量等簇头性能的影响因子,通过加权的方法计算出簇头质量,在分布式传感网区域内簇头质量最大的节点将竞争成为簇头。通过理论分析和仿真对比表明,与LEACH算法相比该分簇算法降低了平均延迟,延长了网络生命期,并验证了该算法对动态拓扑具有适应性。

频域二元纯相位编码压缩成像

超分辨率被认为是光学成像和图像处理的"圣杯"之一.压缩感知理论的引入给出一种新的实现从单幅低分辨率图像的超分辨率重构方法,避免了传统超分辨率方法需要多幅亚像素图像的弊端.在分析压缩感知测量矩阵与光学成像系统之间对应约束异同的基础上,提出一种基于4-f光学架构的频域二元相位编码压缩成像方法,可以实现在单次曝光条件下获得的单幅低分辨率测量图像中实现超分辨率重建,不需要其他任何额外的信息采集.二元相位掩膜比均匀相位掩膜更容易物理实现,是压缩成像物理实现的一种更加可行的方案.模拟实验表明提出的方法可以有效地捕获图像的信息与高精度重建.此外,对于大尺度图像重建,该方法在重建时间方面优于Romberg提出的随机解调方法,在更符合实际方面的采样策略方面优于Yin提出的RecPC方法.

基于层次聚类的三支决策移动策略

治略是三支决策TAO模型中的一个重要步骤,是实现对象移动的重要手段。通过实施策略,促使对象从不利区域移动到有利区域。近年来,对于治略方面的研究,学者们提出了两种移动策略,一种是基于区域的移动,另一种是基于对象的移动。然而,这两种移动策略都是从单层次的角度分析和制定移动策略,并未从多层次上考虑移动策略的制定。因此,为了制定多个层次上的移动策略,文中引入层次聚类,提出了一种基于层次聚类的三支决策移动策略模型。首先,使用层次聚类,将不利区域中的对象划分成不同的层次,每一层次上的聚类结果不同。然后,根据全局属性值频率最高准则,为每个层次中的簇制定一个移动策略,不同的簇有不同的移动策略。此外,文中还利用移动过程中产生的收益和代价,对不同层次上的移动策略进行评估。最后,实验结果证明了所提模型的有效性。

广义区间梯形模糊软集在群偏好集结中的应用

针对群推荐中个体偏好信息如何集成群体偏好信息,不同用户对商品关注的属性不完全相同,以及用户对商品属性权重分配不同的复杂问题,提出区间梯形模糊软集的群偏好集结模型。首先,结合广义区间梯形模糊集和软集的概念建立广义区间梯形模糊软集的概念,定义其基本运算性质;其次,将模糊语言映射成广义区间梯形模糊数,利用广义区间梯形模糊软集的并、交运算,以及广义区间梯形模糊数的重心算法进行排序,将个体用户的偏好信息集结成群偏好信息;最后,以汽车的推荐为例介绍群偏好集结算法。算例结果显示,用该模型解决群体偏好集结是合理和有效的。

具备高存储密度的新型NAND设备管理方案

针对嵌入式系统中NAND设备存储密度较低的问题,提出一种高存储密度的新型设备管理方案。通过研究大量NAND存储结构和BCH校验编码设计,在页面中找到一种通用的信息存储结构模式。使得冗余区(OOD)编码满足错误纠正码(ECC)纠错能力的同时可容纳设备分区管理信息,从而将主页面全部用于数据存储,并以此为基础进行了设备读写、损益均衡机制的设计。实验结果表明,所提方案中NAND设备数据存储密度可达98%,优于当前多数主流文件系统。该方案具备很高的数据存储密度,设备读写效率和擦写寿命相对稳定,在嵌入式系统平台中具备很好的应用优势。

Title加TextRank抽取关键句的情感分类研究

考虑到不同句子对判断文档情感倾向的重要程度不同,因而区分文档的关键句和细节句将有助于提高情感分类的性能。同时,考虑到Title 和上下文信息,提出了一种基于Title 和加权TextRank 抽取关键句的情感分析方法SKTT,实现了高效的情感分析。根据文档Title 的情感权重计算Title 贡献度,考虑到标点和语义规则对情感倾向的影响;根据加权TextRank 算法思想,在文档正文中构建了一个情感句有向图来提取关键句;计算所有关键句的情感倾向进行情感分类。在4 个领域上进行实验,实验结果表明,该SKTT方法性能明显优于Baseline,具有高效性。

基于正相关和负相关最近邻居的协同过滤算法

协同过滤算法是应用最广泛和最成功的推荐算法之一。针对传统协同过滤算法在预测评分时仅考虑正相关最近邻居,没有考虑负相关最近邻居对评分预测的影响而导致的预测结果准确性及多样性较低的问题,提出一种基于正相关和负相关最近邻居的协同过滤算法。该算法首先计算用户之间的相似度,再通过用户评分与其平均评分等信息计算出用户之间的变异系数,利用变异系数修正相似度的值,从而缓解因为用户共同项目数不足而导致的相似度计算结果可信度较低的问题。然后分别对与目标用户相似度为正及与目标用户相似度为负的用户进行排序,并利用动态加权参数α及训练得到的阈值口分别选取正相关最近邻居和负相关最近邻居,基于选取的正相关最近邻居和负相关最近邻居分别进行预测评分。最后,将基于正相关最近邻居和负相关最近邻居的预测评分进行加权,作为最终的预测评分。在MovieLens数据集上利用3种评价标准进行对比实验,结果表明本文算法有效地提高了推荐的准确性和多样性。

基于闪存设备分区的新型虚拟EEPROM设备的设计与研究

针对当前嵌入式系统对于低成本迫切需求,研究并设计了一种基于闪存设备(NAND FLASH)的新型虚拟EEPROM(Virtual EEPROM)设备。该设备被虚拟为操作系统NAND设备分区使用,使用数据备份机制确保数据信息安全性。针对NAND只支持页面单元的编程操作,使用缓冲区日志更新的方法,高效地解决Virtual EEPROM字节编程问题。最后通过设计损益均衡层实现NAND存储块的统一管理,对坏块和寿命问题进行大幅优化。分析结果表明,Virtual EEPROM具备NAND快速编程特性,擦写寿命较EEPROM有很大优势。该设计架构具备很好的系统兼容性,可以扩展移植于多种嵌入式平台。