用户资源创新能力、创业模式与创业绩效关系研究——基于众创空间的双重网络嵌入的调节作用

资源对用户开展创业活动至关重要,但对用户创业者资源创新能力影响创业模式选择以及关于创业绩效理论机制的探讨较少。通过构建不同资源创新能力、创业模式与创新绩效之间的匹配关系模型,对221家嵌入众创空间的用户创业企业进行实证研究。结果发现:①资源获取创新能力有助于用户创业者选择协同型创业模式并促进生存绩效提升;②资源利用创新能力有助于用户创业者选择自主型创业模式并促进成长绩效提升;③创业模式在资源创新能力对创业绩效影响中发挥部分中介作用;④众创空间双重网络嵌入对资源创新能力与创业模式关系以及创业模式与创业绩效关系发挥正向调节作用。

Crowd Energy Management: New Paradigm for Electricity Market

The traditionally centralized approach of electricity networks is progressively undergoing a shift towards a decentralized, distributed structure. The local and crowd-based principle is transforming the existing supply chain and related activities into a value network （VN）. Previous researches on crowd value network concepts focus on the activities of infrastructure and load management and neglect activities that generate collaboration. Collaboration with and within crowds particularly demands a different mindset and management of sharing values, information, benefit, and risks. Furthermore, these concepts must integrate technical, processual, and social aspects. Thus, this article proposes a holistic framework of electricity VN management for crowd energy. It redefines VN activities for infrastructure and load management while appending VN activities for social electricity handling. Additionally, the framework illustrates the interactions among these three elements and concludes with an adaption cycle for the crowd value network.

基于多尺度特征与互监督的拥挤行人检测

针对拥挤场景中,行人漏检率高、准确率低的问题,提出一种基于多尺度特征与互监督的拥挤行人检测网络。为了有效提取复杂场景中的行人特征信息,用PANet金字塔网络与混合空洞卷积相结合的网络提取特征信息。然后,设计了一种行人头部-全身互监督检测网络分别进行头部和全身检测,利用头部预测框和全身预测框的互监督获得更加准确的行人检测结果。所提出的网络在数据集CrowdHuman上取得了13.5%的MR^(-2)性能,相较于YOLOv5网络提升了3.6%,同时AP提升了3.5%;在CityPersons数据集上取得了48.2%的MR^(-2)性能,相较于YOLOv5网络提升了2.3%,同时AP提升了2.8%。实验结果表明,提出的网络在人群拥挤的密集场景中具有良好的检测效果。

基于像素距离图和四维动态卷积网络的密集人群计数与定位方法

基于卷积神经网络(CNN)获得回归密度图的方法已成为人群计数与定位的主流方法,但现有方法仍存在两个问题:首先传统方法获得的密度图在人群密集区域存在粘连和重叠问题,导致网络最终人群计数和定位错误;其次,常规卷积由于其权重不变,无法实现对图像特征的自适应提取,难以处理复杂背景和人群密度分布不均匀的图像。为解决上述问题,提出一种基于像素距离图(PDMap)和四维动态卷积网络(FDDCNet)的密集人群计数与定位方法。首先定义了一种新的PDMap,利用像素级标注点之间的空间距离关系,通过取反操作提高人头中心点周围像素的平滑度,避免人群密集区域的粘连重叠;其次,设计了一种FDDC模块,自适应地改变卷积四个维度的权重,提取不同视图提供的先验知识,应对复杂场景和分布不均匀导致的计数与定位困难,提高网络模型的泛化能力和鲁棒性;最后,采用阈值过滤局部不确定预测值,进一步提高计数与定位的准确性。在NWPU-Crowd数据集的测试集上:在人群计数方面,所提方法的平均绝对误差(MAE)和均方误差(MSE)分别为82.4和334.7,比MFP-Net(Multi-scale Feature Pyramid Network)分别降低了8.7%和26.9%;在人群定位方面,所提方法的综合评价指标F1值和精确率分别为71.2%和73.6%,比TopoCount(Topological Count)方法分别提升了3.0%和5.9%。实验结果表明,所提方法能够处理复杂背景的密集人群图像,取得了更高的计数准确率和定位精准度。

一种多边协商的群智感知网络协同防御模型

群智感知网络中的攻击容易造成大面积感知任务中断,降低群智感知网络的可用性.针对群智感知网络中孤立的感知节点由于自身资源不足无法抵御攻击导致网络系统崩溃的问题,提出一种基于多边协商的感知联盟生成方法协同完成防御任务,提高感知网络的防御能力.首先,对感知节点群体行为和关系进行形式化建模分析,将感知节点泛化为三类不同角色,对应完成不同的防御任务.然后将感知节点对防御任务的探测优势、距离优势和能量优势转化为感知节点对攻击的防御优势.最后,提出以对手建模为中心的基于多边协商的感知联盟协作策略,各感知节点通过多边协商参与防御联盟的生成,而获得联盟收益激励.仿真结果表明,随着让步权重值的增加协商成功率逐渐增大,但是感知节点防御收益却逐渐减小达到均衡.与随机的联盟生成方式在生成协同防御联盟的纳什距离和防御联盟效用方面进行比较,验证了该方法完成防御任务的高效性.

比例融合与多层规模感知的人群计数方法

针对密集场景下人群图像拍摄视角或距离多变造成的多尺度特征获取不足、融合不佳和全局特征利用不充分等问题,提出一种比例融合与多层规模感知的人群计数网络。首先采用骨干网络VGG16提取人群密度初始特征;其次,设计多层规模感知模块,获得人群多尺度信息的丰富表达;再次,提出比例融合策略,根据卷积层捕获的特征权重重构多尺度信息,提取显著性人群特征;最后,采用卷积回归策略进行密度图的回归。同时,提出一种局部一致性损失函数,通过区域化密度图的方式增强生成密度图与真实密度图的相似度,提高计数性能。在多个人群数据集上的试验结果表明,所提模型优于近年人群计数的先进方法,且在车辆计数上有较好推广性。

重塑多尺度神经网络用于人群计数研究

在人群计数任务中,仍存在视角畸变和人群分布变化2个问题。本研究在深度神经网络(deep neural networks,DNN)中采用多尺度分支来解决这2个问题。多尺度分支得到的特征一般可以直接融合或通过DNN中的指导信息来间接融合。但这些融合方法都难以处理多尺度密度图中存在的像素级的性能差异。因此,本研究引入专家系统,通过像素级门控网络得到的像素级软权重来分层融合多尺度密度图。在专家系统中,本研究还提出竞争合作策略确保各个尺度下的专家都能发挥作用。多个公开的人群计数数据集上的实验结果表明,本研究方法优于近年人群计数先进方法。

深度神经网络模型在景区人群流量预测中的应用

随着旅游业的发展,对景区人群流量的精准预测已成为提高游客体验和优化景区运营的关键。传统方法在应对复杂多变的实际情况时显得力不从心,深度神经网络(Deep Neural Networks,DNN)凭借其强大的数据处理能力和模式识别能力,提供了一种有效的解决方案。本文探讨了DNN模型在景区人群流量预测中的应用,通过构建和优化预测模型,旨在提高预测精度,为景区管理者提供决策支持。

基于注意力机制的多尺度融合人群计数算法

针对人群计数图像人头尺度变化大、背景噪声高等问题,提出一种基于注意力机制的多尺度融合人群计数算法,以充分聚合多尺度信息,并有效区分背景噪声。构建基于残差连接的空洞空间金字塔池化,通过残差结构以及多个不同扩张率的空洞卷积在捕获多尺度头部目标特征的同时融入浅层特征图的空间细节信息,提高特征图质量;构建跨层多尺度特征融合模块,融合浅层和深层分支不同大小的边缘细节信息和上下文语义信息,并设计基于多分支的特征融合模块,融合不同感受野大小的多尺度信息以缓解大规模人头尺度变化的问题;构建基于矩阵相似运算的通道和空间注意力机制模块提取像素级特征权重,加强网络对于背景和人头目标的判别能力,自适应矫正位置信息。实验结果表明,相比11种对比算法的最优值,所提算法在SHA数据集上的平均绝对误差和均方根误差指标降低1.4%、4.2%,在UCF_CC_50数据集上降低4.9%、1.8%,能够精确地预测人群分布状态和估计人群数量,生成高质量的人群密度图。

基于可变形高斯核的训练数据生成的人群计数方法

人群计数作为计算机视觉和模式识别任务中重要的子课题,在智能监控中发挥着极其重要的作用。对于被严重遮挡的月牙形人头,传统高斯核生成方法找到的月牙形视觉中心严重偏离人类标注的完整圆形中心,导致算法在训练中不易收敛。针对严重遮挡情况下的人群计数误差问题,提出一种基于可变形高斯核的训练数据生成的人群计数方法,对基于人类标定结果生成的高斯核的形状、角度和位置进行高效调整,从而提升算法的收敛性和精度。实验结果表明,该方法可以显著提升人群计数的性能。

结合单列多列神经网络的移动状态人群计数方法研究

已有人群计数方法局限于对人群的全部进行计数,在仅对人群中的移动者进行计数时准确率较低,基于注意力的多阶段深度学习框架被提出以解决这一问题。通过注意力机制适应性地在单列和多列计数网络进行选择,结合单列网络的深层特征表示能力和多列网络多尺度特征学习能力,有效提取人群中移动者的特征。实验结果表明,所提出的方法均方误差(MSE)和平均绝对误差(MAE)皆低于已有人群计数方法,能够有效提高处于移动状态的人群的计数精度。

一种基于YOLOv4的密集人群小目标检测方法

针对密集人群中由于视觉受阻和目标被遮挡导致小目标检测精度不佳的问题,本文基于YOLOv4模型将卷积块–像素块注意力机制模块(convolutional-pixel block attention module,CBAM-PIX)融入主干网络CSPDarknet53,并利用级联思想改进特征融合网络。注意力机制方法和特征融合方法不仅提升了数据的丰富性,而且提高了空间通道像素提取信息的能力和目标检测的准确性。此外,通过减少网络层数降低计算量和减少参数,提高了网络模型在有限计算资源和设备需求下的适应能力。实验结果表明,改进的模型算法在用于密集人群小目标检测时精确度提升了1.96%,且鲁棒性强。该算法为解决复杂背景下密集人群小目标检测提供了有效的解决方案,具有应用价值。

网络科学的发展新动力:大数据与众包

大数据时代的来临给网络科学带来了新的发展机遇,但如何处理海量数据也成为网络科学领域面临的严峻挑战。与大数据时代同时到来的,是近年来兴起的众包项目模式。公开竞赛和数据公开等众包形式,已成为解决数据领域问题非常流行的方法。该文概述了海量数据和众包模式在多个方面对网络科学发展的促进作用,并详细介绍了2013年首届阿里数据平台创新大赛的竞赛流程和本团队的获奖成果。在众包模式的驱动下,人们期待以大数据处理为中心的数据科学和网络科学相辅相成、共同发展。

基于深度卷积神经网络的异常行为快速识别

针对异常行为快速识别问题,提出了一种基于深度卷积神经网络的视频检测和定位方法。该方法利用全卷积神经网络和时间数据,将一个预先经过训练和监督的全卷积神经网络转移到一个无监督的全卷积神经网络,确保能够检测全局场景中的异常,提出利用级联检测的方式来降低算法的计算复杂度,从而使其在速度和精度方面获得较高的性能。提出的基于全卷积神经网络的异常行为检测架构解决了两个主要任务,即特征表示和级联离群值检测。实验结果表明,所提方法在检测和定位精度上优于现有算法,且运行速度更快,从而表明所提算法的有效性和可行性。

结合GAN与BiLSTM-Attention-CRF的领域命名实体识别

领域内命名实体识别通常面临领域内标注数据缺乏以及由于实体名称多样性导致的同一文档中实体标注不一致等问题.针对以上问题,利用生成式对抗网络(generative adversarial network, GAN)可以生成数据的特点,将生成式对抗网络与BiLSTM-Attention-CRF模型相结合.首先以BiLSTM-Attention作为生成式对抗网络的生成器模型,以CNN作为判别器模型,从众包标注数据集中整合出与专家标注数据分布一致的正样本标注数据来解决领域内标注数据缺乏的问题;然后通过在BiLSTM-Attention-CRF模型中引入文档层面的全局向量,计算每个单词与该全局向量的关系得出其新的特征表示以解决由于实体名称多样化造成的同一文档中实体标注不一致问题;最后,在基于信息安全领域众包标注数据集上的实验结果表明,该模型在各项指标上显著优于同类其他模型方法.

基于BP神经网络人群流量预测的实现

人群拥挤踩踏突发性的特点决定了现场的事故救援措施效果较差,事前预防是唯一有效的策略。对商业区人群流量进行预测,对于合理控制商业网点人口,预防人群类事故的发生具有重要的意义。本文介绍了基于BP神经网络的人群流量预测方法,利用Matlab建立了相关模型,并结合实际数据对模型进行了调整,分析了隐含层神经元个数、不同输入-输出结构、不同传递函数等因素对网络性能的影响。研究表明利用神经网络的非线性映射能力对人群流量进行预测时可行的。

结合模式记忆和自监督注意力的人群异常行为检测方法

为实现复杂环境下监控视频中异常事件的快速检测和准确定位,提出一种结合正常模式记忆和自监督注意力机制的异常检测框架。记忆机制综合考虑正常模式的多样性和差异性,解决卷积神经网络(CNN)泛化性过强的问题。自监督模块包含遮罩卷积层和通道注意力层,通过遮罩信息预测的自监督训练,提高模型对全局特征结构的理解。公开数据集的实验结果表明,所提方法的曲线下面积(AUC)指标分别达到92.6%和82.7%,性能优于当前其它先进的视频异常检测方法,在轨迹检测标准(TBDC)和区域检测标准(RBDC)指标中表现出优秀的异常跟踪和定位能力。

基于聚类排挤小生境遗传算法的配电网无功规划研究

针对应用传统排挤小生境遗传算法进行无功规划时,小生境数目设定值的不同会导致寻优结果波动性较大的情况,将聚类分析和排挤小生境遗传算法相结合应用于配电网无功规划。建立了以收益净现值为目标函数的数学模型,该模型更直观地反映了补偿方案的降损节能收益能力;利用聚类排挤小生境遗传算法对配电网进行无功规划,通过调整聚类距离控制收敛到的小生境数目,提高了算法的全局寻优能力和解的稳定性;采用面向对象的Visual 2005C#高级语言开发编制了配电网无功规划计算程序。实例分析表明所提算法收敛速度快,全局寻优能力强,计算结果稳定高,具有更高的实用性。

群智感知网络研究现状与发展

群智感知网络由于能很好地解决大规模感知网络中部署维护成本高这个关键难题,近年来成为物联网研究的热点。笔者主要对群智感知网络的最新研究现状进行综述。阐述了群智感知网络的基本定义、起源和架构,分析了其特点以及与传统感知网络的区别与联系;分别从环境感知、公共基础设施感知以及社会感知3方面对群智感知网络的研究现状进行总结;分析和指出了群智感知网络未来3个重要的研究方向和挑战,为深入研究提供参考和借鉴。