深度融合内容和隐式反馈的跨域推荐算法

针对现有的大多数跨域推荐方法仅仅使用了源域的评分信息和部分辅助信息,并未充分使用包括隐式反馈信息在内的其它辅助信息,文中提出了一种融合多种辅助信息的跨域推荐算法,以充分使用隐式反馈信息和内容信息来提升跨域推荐方法的性能.在对堆叠降噪自动编码器(stacked denoising autoencoder,SDAE)进行扩展的基础上,结合矩阵分解(matrix factorization,MF)方法,同时融合了源域的评分信息、用户和项目的内容信息以及隐式反馈信息,丰富了用户和项目潜在特征的语义信息.采用基于密码本的知识迁移方法和非完备正交非负矩阵三分解方法,设计了适用于评分信息和多类型辅助信息综合运用的跨域协同过滤框架.实际数据集上的实验结果表明,该方法在改善推荐性能,减少用户厌恶推荐结果方面有着良好的效果.

一种改进搜索的A-star算法

针对移动机器人在大规模复杂环境中规划速度慢、计算量大等问题,提出一种改进A-star路径规划算法。引入双向跨节点搜索机制,从原始起点和终点开始,分别以对向当前节点作为目标点进行搜索,优化寻路方向并缩减搜索节点数量;改进遇到障碍物时的搜索方法引入跳变概念,当扩展节点处于障碍物内时该节点认作无效节点,发生跳变,从无效节点处向垂直于无效节点扩展方向的两个方向搜索,直至搜索至非障碍物区,使快速脱离障碍物区域;改进节点评价方法采用分段评价方式,正常扩展阶段将扩展节点加入open表,并对open表中节点评价,当发生跳变时将跳变节点加入jump表并清空open表,然后对jump中节点表进行评价,该操作使得评价节点始终保持在一定数量,减少不必要节点的计算,节约内存占用,使得搜索效率不会因为扩展节点增多而降低。算法有效性在Matlab中仿真实现,通过对比不同算法在不同障碍物栅格地图中的仿真结果,论文改进算法计算节点更少,效率更高。

基于约束信息的并行k-means算法

为获得分布式数据集上用户所期望的聚类结果,提出了基于约束信息的并行k-means聚类算法.在分析并行k-means能够有效实现对水平分布式数据集进行聚类的基础上,修改并行k-means算法的目标函数,设计约束并行k-means算法,将站点用户的约束信息以chunklet的形式引入到分布式聚类过程,从而引导算法执行有偏搜索.约束并行k-means算法在理论上保证无约束样本簇内距离最小的同时能够确保chunklet约束中的样本与对应的簇中心之间的平均距离最小.实验结果表明,约束并行k-means算法能够有效改善并行k-means的聚类精度,同时在分布式环境下能够得到与已有约束聚类算法在集中式数据集上相等价的聚类结果.

YOLOv4-Balance:样本均衡的目标检测网络

针对因数据集中小目标样本数量不足且分布不均衡,导致算法对小目标检测精度低的问题,在多尺度目标检测模型YOLOv4的基础上,提出一种融合动态损失反馈与数据增强的多尺度目标检测算法YOLOv4-Balance。首先,提出一种基于图像组合拼接的数据增强算法U-Mix,均衡小目标样本的分布,提高数据集中的小目标学习样本质量。其次,基于模型训练迭代时的Loss反馈,提出一种利用动态损失反馈的多尺度模型训练算法DLF,以提高训练过程中小目标样本损失对模型学习的贡献度。实验结果表明,该算法在MSCOCO数据集上的平均精度较基线模型YO⁃LOv4提升了约2.1%,对小目标样本的检测精度提升了约2.8%。该算法不会引入额外的计算开销,且模型收敛快速,有助于高效进行训练。

分布式约束一致高斯混合模型

为有效提高非球形分布式水平划分数据集的聚类质量,提出了一种分布式约束一致高斯混合模型(DCCGMM)。DCCGMM以高斯混合模型(GMM)作为数据集的描述模型,通过约束一致正则化算子将约束信息引入GMM,使得DCCGMM的估计参数既能反映样本数据的潜在概率分布,又能包含用户的先验知识,同时所有参数均能以封闭的解析表达式进行估计。通过设计相应的用户站点传递参数,DCCGMM可以应用于分布式聚类。实验结果表明:相比于以K-means为基本算法的分布式聚类方法,该算法在聚类非球形数据时具有更好的适应性,其聚类精度优于没有使用约束信息的分布式期望最大化(EM)算法,全局平均聚类精度分别提高9%至20%。

基于混合高斯模型的增量式聚类

为有效处理动态增长的数据集,获得增量数据的聚类结果,文中利用高斯混合模型模拟数据分布,将原有样本所属高斯成分的均值和先验概率视为这些样本的代表点信息,并将其后验概率松弛为0和1两种状态,在密度参数新的迭代公式的基础上,依据标准EM算法设计增量式EM算法,避免了在估计混合密度参数的过程中对原有样本后验概率的重复计算,从而在高效获得增量数据聚类结果的同时实现了高斯混合模型密度参数的更新.实验结果表明,增量式EM算法能够高效处理大规模增量数据集,并能达到较高的聚类精度.

基于约束正则化的生成聚类分析

基于现有的硬约束高斯混合模型不能处理约束违反情形,而软约束高斯混合模型又没有封闭的参数估计表达式,提出了一种基于约束正则化的生成聚类方法。该方法将约束一致正则化算子引入高斯混合模型,通过惩罚似然来处理约束违反,使满足正约束的成对样本的后验概率尽可能相似,满足负约束的成对样本的后验概率尽可能不相似;同时封闭的参数估计迭代公式降低了参数估计的计算复杂度。在一组真实数据集上的实验表明,与现有的相关方法相比,该方法能有效改善聚类性能,并对噪音约束有着更好的适应性。

计算机专业课程评价方案的思考与对策

当前的计算机专业课程的评判机制过于注重笔试成绩,限制了学生学习能力的提高,降低了教学的效果。根据计算机专业课程性质的不同,专业课程整体上可以划分成偏重理论与偏重实践两类。在此基础上,从课程考核的角度出发,计算机专业课程被分成程序设计基础课程、专业基础课程和专业课程三类,并设计了相应的多元评估方案。实施多元评估方案的目的在于通过多元评估来提高课程的整体教学质量,从而强化学生自主学习的能力,提高学生的计算机理论水平和实际应用能力。

一种基于本体的测试用例研究与应用

测试用例是软件测试的重要组成,也是软件测试成败的关键性因素之一。测试用例的完备性和复用性研究已经成为当前软件测试领域的两大热点。论文提出一种基于本体论的测试用例分析与刻画方法,它统一了测试用例的内涵,并为测试用例提供了可穷举的外延选择。该方法解决了软件测试用例完备性和复用性问题。

一类增量式支持向量机的分析

针对训练数据发生增量改变时,标准一类支持向量机的批处理算法需要重新进行训练,不适合在线增量环境学习的问题,提出一种详细的增量式标准一类分类向量机算法,并通过理论分析对该算法的可行性和有限收敛性进行了证明,确保该算法的每步调整都是可靠的,并确保该算法通过有限步调整最终收敛到问题的最优解。在标准数据集上的实验结果验证了理论分析的正确性。

在微机上表示和推理历史时间

针对历史学科中时间知识的描述特点,给出了在计算机上历史时间知识的表示方法,分析了历史时间之间的包含关系和前后关系,较好地解决了历史知识库中与时间相关的知识表示和知识分析问题。

求无向赋权图最小生成树的两种算法的探讨

对求无向赋权图最小生成树两种算法分别是PRIM算法和KRUSKAL算法。本文通过用堆改进了PRIM方法中选择最小边的方法。结合C语言的特点,实现了集合的划分和合并。对KRUSKAL方法进行了探讨,弥补了一些数据结构教科书上未给出C语言实现的KRUSKAL算法的不足。

SoC硬件综合设计中基于Verilog语言的接口程序设计

针对系统芯片SoC(System-on-Ch ip)设计中IP复用问题,提出了一种基于状态机FSM(F in iteState M ach ine)自动生成的SoC硬件接口综合设计方法,给出了基于Verilog语言的接口程序设计,通过实例仿真验证了该方法的可行性。该方法可以自动化生成接口程序,对于缩短SoC芯片设计时间,提高IP复用程度等方面提供了一种新的方法。

基于显著性的Grabcut图像分割方法

传统Grabcut算法需要人工交互,在图像前景和背景颜色相似时容易产生错误分割的问题。为此,结合显著性测量和Grabcut算法,提出一种新的图像分割方法。改良显著性的度量方法以获得较好的显著图,进而将显著图转换成约束项加入到Grabcut的区域项中,从而提高区域项的可靠性,利用显著图代替人工交互初始化Grabcut,实现Grabcut自动分割,并减少其在图像前景和背景颜色相似时的错误分割。实验结果表明,与传统的Grabcut算法和显著性检测方法相比,该方法可以获得较好的图像分割结果。

基于小波变换的图像压缩编码方法研究

嵌入式零树小波(EZW)是一种非常有效的基于离散小波变换的图像编码算法,可以实现渐进编解码,具有较好的图像恢复质量。在研究嵌入式零树小波编码算法及原理的基础上,针对其对系数重复扫描而带来的计算量与编码比特数的增加,以及扫描过程中出现的大量零数根而导致的算法复杂度增加等不足,提出一种将改进的EZW算法与霍夫曼编码方法相结合的图像压缩编码方法。首先通过扩充编码符号改变扫描方式,来实现零树结构的快速判断,避免连续出现零数根。然后将改进的算法与霍夫曼编码联合编码来代替算术编码方法使其更简单。最后,在Matlab中模拟仿真,将改进算法与原算法进行比较分析。实验结果表明,与独立的EZW算法相比,改进算法不仅增加了编码效率,同时也提高了峰值信噪比(PSNR),证明了改进算法的有效可行性。

Rapider-YOLOX:高效的轻量级目标检测网络

作为一种轻量级网络结构,YOLOX-Nano具有运行速度快的优势。然而,该网络在实际应用中仍然存在特征提取能力较弱、检测精度不足的缺陷。为此,提出了一种综合平衡检测速度和检测精度的高效目标检测网络Rapider-YOLOX。首先,设计高效瓶颈模块,以提升原始YOLOX-Nano模型中深度卷积模块的特征提取能力。其次,设计软空间金字塔池化模块,以避免原始SPP模块容易出现丢失部分重要信息的现象,进一步提升多尺度信息融合及通道间信息交流的能力。最后,引入CIoU损失,利用预测框与真实框的中心距离及宽高比提升预测框的位置精度。在PASCAL VOC2007数据集上的实验结果表明,提出的Rapider-YOLOX模型的mAP达到77.92%,比原始YOLOX-Nano高3.79%。此外,在CUDA核心数仅为384的GT1030上,FPS达到45.40,在CPU上FPS也可达到23.94,从而在确保网络轻量级特性的同时,进一步提升了网络的检测精度和泛化性能。

基于主题模型包含突发因素的推荐算法研究

推荐系统是社交平台个性化服务的重要工具,协同过滤算法由于其推荐的准确性和高效性已经成为推荐领域最经典的算法之一。论文提出一种结合突发话题检测和主题模型的混合协同过滤方法。该算法在语料筛选阶段加入了突发因素,使通过主题模型LDA话题训练的话题具有时效性,然后在低维主题-文档概率分布上计算用户和项目的相似度;最后采用邻域方法预测未知评分。实验表明,该方法适用于微博突发话题的推荐,显著提高了推荐系统的时效性和准确性。

融合景点季节演变信息的旅游推荐算法

该文在奇异值矩阵分解方法的基础上,提出了一种融合景点季节演变信息的旅游推荐算法。该算法根据景点属性与季节演变之间的关联,将旅游景点的属性划分为静态方面和动态方面,并通过设计包含时间因素的动态偏置函数来刻画用户偏好与景点之间的动态关联。这些静态和动态方面的信息被作为新的偏置项融入有偏奇异分解(Bias singular value decomposition,Bias SVD)模型,以改善用户对旅游景点的评分预测。标准数据集Yelp上的实验结果表明,相比于对用户签到数据无差别对待的推荐方法,该文方法在推荐精度和用户体验方面均有明显的提升。

基于EAN·UCC编码的大米溯源解决方案

科学、高效的市场监管机制是保证食品安全的关键,其实现必须借助质量溯源系统,而溯源的理论基础是编码方案。论文在简析食品安全问题产生的原因、现有溯源编码方案不足、编码理论的基础上,以EAN·UCC编码系统为标准,提出了针对大米生产全周期的种植、仓储、加工和流通等环节的编码方案,并探讨了基于大米生产流程的溯源信息处理机制,为大米的识别与溯源提供了一套标准的解决方案,实现了大米供应链间的无缝链接,有助于增强大米溯源信息的可靠性,提高信息传输处理的速度,达到对大米产品跟踪与追溯的目的。

基于核心节点逐层扩展的标签传播社区发现方法

随着社交媒体的快速兴起,计算效率较高的标签传播算法已经得到广泛的使用。然而,现有的标签传播算法在节点初始化时未能考虑节点之间存在的差异性,存在随机性高、稳定性低的缺陷。因此,论文给出了一种基于核心节点逐层扩展的标签传播算法。将LeaderRank算法模型融入到本方法模型中,在此基础上计算出节点重要性;进而以重要性作为衡量标准,将其中重要度较高的核心节点筛选出来形成传播初始源,以减少标签传播过程中的时间损耗;最后,依据改进了节点重要度的更新方法实现了节点标签的逐层更新。多个数据集上的实验结果表明,与现有的标签传播算法相比,该算法更加稳定有效地实现了社区发现。