XML数据流上Top-K关键字查询处理

利用关键字可以在模式未知的情况下对XML数据进行查询.在当前的XML数据流上的关键字查询处理中,打分函数往往不能都满足各种用户不同的需求.提出了一种基于skyline的XML数据流上的Top-K关键字查询.对于这种查询,不需要考虑影响结果与查询相关性的复杂因素,只需利用skyline挑选与查询最相关的结果.提出了两种XML数据流上的有效的基于skyline的Top-K关键查询处理算法,包括对单查询和多查询的处理算法.通过扩展实验对两种算法的有效性和可扩展性进行了验证.经过实验验证,所提出的查询处理算法的效率几乎不受关键字个数、查询结果数量、查询数量等参数的影响,运行时间和文档大小大致呈线性关系.

多尺度特征提取和多级别特征融合的显著性目标检测方法

显著性目标检测已经被广泛应用到图像检索、图像分割、行人重识别等领域。目前主流的显著性目标检测方法通常采用短连接加权的方式融合多级别特征信息,这种方式无法精准有效地控制信息流的传递。而且,现有的检测方法通常采用单一的特征检测,导致显著性目标区域与背景的边界不连续、易模糊。因此,本文提出一种多尺度特征提取和多级别特征融合的显著性目标检测方法。首先,利用不同扩张率的空洞卷积获取多尺度的上下文信息,弥补单一特征检测带来的不足。其次,提出一个多级别特征融合模块,该模块有效地利用浅层特征信息、深层特征信息和全局上下文特征信息之间的分布特性进行融合,不仅可以抑制噪声的传递,而且可以更有效地恢复显著性目标的空间细节结构信息。同时构建一个简洁的注意力模块,该模块有效保留特征图融合后的通道信息。本文对综合指标、平均绝对误差、结构化度量、精确率-召回率曲线和F-measure曲线进行了实验评估,在5个公开的数据集上进行的实验结果表明:相比于其他13种主流的检测方法,本文方法在不同的评估指标上均有明显的提升,在4个数据集上的综合指标和结构化度量指标均超过其他方法;并且,本文方法的可视化检测的显著图边缘轮廓连续性更好,空间结构细节信息更清晰。

基于距离度量的实体识别算法

传统的实体识别中,往往是利用字符串相似性函数来计算元组对在每个属性值上的相似度从而来判断其总的相似性(例如,元组对的相似性等于每个属性值上的相似度的加权求和)。然而这一类相似性测度不能够反映属性值内部不同的词在元组对相似性计算中的不同重要性。由于不能区分哪些词对元组对匹配更重要,就导致仍然存在某些匹配的元组相似性不高,而不匹配的元组相似性高的情况,故很难将匹配元组对和不匹配元组对有效区分开。为了解决这个问题,提出了以词为特征的距离度量函数,设计了基于词特征的距离度量学习算法,和基于距离度量的实体识别算法。扩展性实验对所提出的算法的有效性进行了验证。

基于用户需求的景点路线利益规划算法

现有基于兴趣点(POI)路径规划的研究大部分只考虑POI的静态属性,而热门景点拥堵以及用户产生的不满意情绪会造成旅游质量大大下降。为了提升用户旅游的满意度,重点考虑了POI的动态属性,提出基于用户需求的景点路线利益规划算法。首先,设计了GM(1,1)马尔可夫景点人数预测算法,通过引入预测残差以及概率转移矩阵,使平均预测偏差比原GM(1,1)算法降低12.2%;其次,通过设计前向细化(FR)算法,在满足用户解决需求的前提下减少用户不必要的访问地点和时间,在相同的需求数下,前向细化算法的平均解决需求时间比TMT算法降低9.4%;最后,根据景点流行度、时间KL散度、地点访问次序以及路程时间等因素,提出了景点路线利益规划算法,在相同时间限制下景点路线利益算法平均拓展Rank 1-5的景点数量比Time_Based算法提高34.8%,比Rand_GA算法提高47.3%。

加强高校论文监管切实提高创新人才培养质量

随着社会对创新型人才需求日益加大,对创新型学生的培养体现在实践教学的每一步骤.毕业论文是本科实践环节中时长最长、综合性最强的环节.它作为本科人才培养方案的最后一个教学环节,不仅成为训练学生综合运用所学基础知识和基本技能进行科学研究工作的重要途径,而且对于培养、提高学生分析问题和解决问题的能力、全面检验学生综合素质、培养社会所需创新人才有着不可替代的作用.因此,力D强高校论文监管,提高创新人才培养质量显得尤为重要.

基于子信道信息融合的室内定位方法的研究

随着基于位置的服务不断发展,室内定位逐渐成为研究的关键问题,Wi Fi设备的不断普及也为室内定位的研究提供了新的思路。由于室内环境的复杂性以及信号强度信息的不稳定性,传统的定位技术存在着较大的实验误差。利用奇异值分解（SVD）方法对子信道信息进行融合,将原始的信道信息转变为子信道信息的非线性叠加,将能够显著描述指纹的主要信息成分作为指纹特征,并对指纹位置的几何特性进行分析,利用k最近邻（k NN）算法进行指纹选取。理论分析与实验结果都证明了方法的有效性。

3分支多层次Transformer特征交互的RGB–D显著性目标检测

RGB深度图像(RGB–D)显著性目标检测是计算机视觉领域的研究任务之一,很多模型在简单场景下取得了较好的检测效果,却无法有效地处理多目标、深度图质量低下及显著性目标色彩与背景相似等复杂场景。因此,本文提出一种3分支多层次Transformer特征交互的RGB–D显著性目标检测模型。首先,提出一个跨模态坐标注意力模块,该模块通过采用坐标注意力抑制RGB图像和深度图的噪声信息,从而提取出更为显著的特征信息用于后续解码。其次,通过特征融合模块将高层的3层特征图调整到相同的分辨率送入Transformer层,有效地获取远距离显著性目标之间的关联关系和整幅图像的全局信息。然后,提出一个多层次特征交互模块,该模块有效地聚合多层次信息进行特征交互,从而能够更精准地定位显著性目标的位置,同时对显著性目标的边界进行细化。最后,设计一个密集扩张特征细化模块,利用密集扩张卷积获取丰富的多尺度特征,有效地应对显著性目标数量和尺寸变化。将模型在5个公开的基准数据集上与19种主流模型相比,实验结果表明:本文方法在多个测评指标上有较好的提升效果,提高了在特定复杂场景下的检测精度;从P–R(precision–recall)曲线、F–measure曲线和显著图也可以直观看出,本文方法取得了较好的检测结果,生成的显著图更完整、清晰,相比其他模型更加接近真值图。