基于协作模式的工作流最优员工分配方法

一个业务流程的执行,一般需要由多个员工共同协作完成.当员工完成流程中某项任务的能力已知时,员工之间的协作能力对于整个流程的执行性能就会有决定性的影响.通常,流程中执行活动的员工之间的协作能力越高,整个流程实例的运行效率就会越高.提出了一种基于协作模式的最优员工分配方法.该方法首先通过分析历史流程日志,计算不同员工在执行不同活动时彼此之间的协作能力;然后,从历史日志中挖掘出协作较好的员工分配方式(即协作水平较高的协作模式);最后使用编码的方式将这些模式与待分配流程快速匹配,选出可使流程协作水平达到最优的员工分配方式.实验结果说明,该方法能够快速、有效地实现流程协作最优的员工分配.

免触发信号的侧信道加解密区间定位方法

文章针对在无触发信号的侧信道分析场景下,如何快速进行加解密区间定位的问题展开了研究。文章在"粗匹配+细匹配"双重匹配架构的基础上,设计了快速距离匹配和快速弹性匹配两种粗匹配算法,通过对原轨迹进行数据降维和特征提取,可以达到快速加解密区间定位的效果。快速距离匹配算法针对无随机时延防护的轨迹进行设计,快速弹性匹配算法针对存在随机时延防护的轨迹进行设计。通过将这两种粗匹配算法与传统的轨迹对齐技术配合使用,可以实现快速而精准的轨迹对齐。同时,实验结果证明了这两种粗匹配算法的可行性和高效性。该算法能够满足在轨迹采集时实时定位加解密区间的效率需求,有助于解决无可用触发信号或无高效触发信号的侧信道分析场景下进行加解密区间识别和定位的难题。

基于流形假设的骨架序列动作识别算法

骨架数据是通过对动作的空间几何位置进行编码获取,可以避免冗余背景信息的干扰,是动作识别领域常用的数据类型之一.现有骨架数据的动作识别主要分为经典的骨架数据表征和基于深度学习的骨架动作识别应用.相较于传统欧氏度量下的识别方法,流形为更好地研究非线性结构提供了重要数学工具.然而,目前仍缺乏利用流形假设对骨架数据进行动作识别的相关总结.因此,从骨架表示、轨迹时间对齐、动作序列表征以及动作分类4个关键步骤出发,系统地总结了基于流形假设的动作识别工作,对比了各项工作在基准数据集上的表现.最后,根据当前动作识别工作的发展趋势,对流形假设在动作识别方向上的进一步改进进行了展望.

Karcher均值算法在动作识别上的应用

本文提出Karcher均值算法与测地距离相结合的平均轨迹计算方法,并将其应用到动作识别任务中。具体地说,本文通过基于李群的骨架表示方法,将动作骨架序列表示为流形上的轨迹。为了解决轨迹的时间错位问题,本文将Karcher均值算法与李群上测地距离的定义相结合,计算所有动作轨迹的平均轨迹,然后采用传输平方根向量场表示方法,将所有动作轨迹与平均轨迹进行时间对齐。此外,本文在特征提取阶段,提出对特征进行加权融合,实验结果验证了融合特征的有效性。

一种基于改进LCSS的相似轨迹提取方法

随着智能交通和高级驾驶辅助系统的火热发展,如何根据车辆轨迹数据生成高精地图成为业界的一大难题。轨迹相似性计算与相似轨迹提取是利用相似轨迹推理剩余车道位置的重要步骤,其正确率极大地影响车道位置的精度。传统最长公共子序列(longest common subsequence,LCSS)算法多用于计算重叠轨迹的相似性,针对此问题,根据采集的车道轨迹互相平行且保持固定距离的特点,提出一种适用于提取此类相似轨迹的改进LCSS方法。首先构建缓冲区,筛选可能相似的轨迹,然后利用基于平移和重采样的轨迹对齐策略使两条轨迹在时空中同步,最后基于LCSS计算两条轨迹的相似性,当相似度满足阈值条件时,判定该轨迹对相似。对比实验表明该方法能有效地提取相似轨迹。