基于贝叶斯网络的车辆定位冗余信息过滤方法研究

随着中国人民生活水平的不断提高,汽车的保有量也在逐年上升,而交通事故率也随之上升。及时定位目标车辆将有助于快速处理交通事故。为解决车辆定位过程中因外界干扰导致定位效果差的问题,本研究结合形态规则和机器学习方法,提出基于贝叶斯网络的车辆定位信息冗余过滤方法。首先获取卫星图像,并分析车辆特性,在特征空间内寻找最近的样本对象。然后用线性分类器对车辆图像进行分类,将独立性信息融入贝叶斯网络模型中。最后,利用K-L特征压缩器来去除冗余数据。试验结果表明,图像上冗余车辆矩形框的遮盖率达98%,仅剩与试验车辆图像规则相关或相似的图像,证明该方法的过滤效果优秀,可满足现实需求。

基于过滤冗余信息相似性的电影推荐算法

现有的基于内容相似性的推荐算法在处理文本内容时,往往忽略了词序和上下文信息的重要性,并且计算复杂度较高。因此,文章提出了一种基于过滤冗余信息相似性的启发式方法,并成功地将该方法应用于电影推荐领域,实现了更精准的推荐效果。与其他算法对比,该算法在预测1部电影时的准确率提升了0.07百分点~0.24百分点,在预测3部电影时的准确率提升了0.05百分点~0.30百分点。以该算法的召回率作为基准(设为100%),在预测1部电影时,其他算法的召回率仅为该算法的2.38%~70.24%;在预测3部电影时,其他算法的召回率仅为该算法的3.78%~84.87%。以上结果证明了该算法的有效性和可行性。