生物识别与安全技术

2013年生物识别与安全技术国际研讨会（The 2013 International Symposium on Biometric and Secu-rity Technologies, ISBAT2013 ）于7月2-5日在西南交通大学隆重召开。

超网络模型构建及特性分析

关联矩阵是超网络的一种表述形式,节点度、节点超度和超边度是度量超网络的一种方法。从关联矩阵出发对超网络进行研究,重点研究了自相似超网络及随机超网络,并给出了基于矩阵运算的超网络构建方法的若干性质。自相似超网络可通过对一个简单初始超图的关联矩阵进行迭代的Tracy-Singh积运算得到,而随机超网络可通过对多个简单初始超图的关联矩阵进行顺次的Tracy-Singh和运算得到。自相似超网络的分形维数不超过2,且当初始超图是连通的且非二分超图时,自相似超网络的直径不超过初始超图直径的两倍,即同时具有小世界特性。随机超网络的节点度、节点超度和超边度均呈正态分布。仿真实验证实了所构建的超网络的各项特性。

网络维数:一种度量复杂网络的新方法

如何对复杂网络进行刻画与度量,一直是人们关注的热点。在研究自相似复杂网络分形维数的基础上,提出了一种度量复杂网络的新方法——网络维数,即复杂网络边权重和的对数值与节点权重和的对数值的比值,可以将边权重及点权重推广到实数域和复数域;同时给出了不同类型权重对应的网络维数的计算方法;最后以几个代表性的经典复杂网络模型为例,讨论了所提出的网络维数的若干性质。

网络能量在混合图中的研究与应用

传统的混合图的能量通过对方阵形式的矩阵特征值的计算而得到,难以推广应用到大规模的混合图中.针对这个问题,本文将网络维数应用于混合图中,提出了混合图的网络能量,从而将网络能量从无向图及有向图推广应用到混合图.混合图的网络能量可以通过混合图的节点数目及有向边与无向边的数目而得到,同时给出了混合图的网络能量的若干上下限.在与混合图的Hermitian能量及有向图与无向图的网络能量的对比中分析了所提出的混合图的网络能量的若干重要性质,并论证了无向图、有向图及混合图的网络能量三者之间的内在关联.

超网络能量研究与应用

图能量是图论研究的重要内容,图能量及其变种已在无向图、有向图、混合图等其他多种类型的图中得到很多成功的应用。超网络是一类较传统意义上的复杂网络更为复杂的网络。大多数图能量均是基于矩阵特征值计算得到的,无法推广应用到超网络中,应用范围受限。基于网络维数的网络能量已先后应用于无向图、有向图等多种类型图的分析研究中,并与无向图的图能量及有向图的斜能量等其他类似能量之间存在密切关联。基于超网络的超网络维数,结合网络能量,将超网络维数应用于超网络中,提出了超网络的超网络能量,给出了超网络能量的若干上下限,论证了超网络的超网络能量与图的网络能量之间的内在关联,最后分析了超网络的超网络能量若干重要性质。

带权图的多重分形研究

自相似特性是复杂网络研究的重点,分形维数是度量其自相似特性的重要工具.针对带权图中节点权重与边权重可以为正实数、负实数、纯虚数及复数等多种不同数值的情形,给出各种不同带权图的多重分形维数,讨论了带权图的多重分形特性.研究表明,在不同类型的带权图中,除节点权重及边权重均为正实数的情形之外,其他类型的带权图均具有多重分形特性.最后分析了这些带权图多重分形维数的性质.

带权超网络的度量方法及其性质

超网络是较通常意义上的复杂网络更为复杂的网络,该网络的每一条超边能连接任意多个节点的特性使其比复杂网络能更好地描述真实世界中的复杂系统。针对现有超网络研究中对超网络度量方法的缺陷与不足,提出了一种超网络度量方法--超网络维数(HD),即为所有超边包含的节点权重之和与对应超边权重乘积和的对数值和节点权重之和与超边权重之和乘积对数值的比值的两倍。超网络维数可以应用于节点权重与超边权重为正实数、负实数、纯虚数,乃至复数等多种不同数值类型的带权超网络中。最后给出了超网络维数的若干性质。

基于矩阵运算的超网络构建方法研究及特性分析

基于邻接矩阵Khatri-Rao积运算及Khatri-Rao和运算,研究了构建超网络的方法,并通过边际节点度及联合节点度来研究超网络的内在机理。将Khatri-Rao积运算迭代地应用于一个初始图序列组成超网络的邻接矩阵,得到一个分形维数不超过3的自相似超网络。若所有初始图均是连通非二分图,则得到的超网络同时具有小世界特性,其直径不超过所有初始图直径和的两倍。此外,将Khatri-Rao和运算顺次应用于多个初始图序列组成超网络的邻接矩阵,得到一个边际节点度呈一维高斯分布而联合节点度呈高维高斯分布的随机超网络。最后,给出了基于矩阵运算的超网络构建方法的若干性质。

模块度引导下的社区发现增量学习算法

当前社区发现领域存在诸多静态社区划分算法,而其划分结果的不稳定性和较高的算法复杂度已经不能适应如今规模庞大,变化频繁的网络结构。为解决传统静态算法这一局限性,提出了一种利用模块度优化的增量学习算法,将网络结构的变化划分成边变化、点变化两种基本操作,在对"模块度最大化"的规则指导下实现网络结构的增量学习。实验表明,该算法在保证原有社区划分结果的前提下,可以将新变化的节点快速划分进已有社区,并使得模块度与静态算法重新计算模块度相近,节省了时间,保持了社区划分的实时性。

带权超网络的多重分形研究

超网络是较通常意义上的复杂网络更为复杂的网络,超网络维数是度量超网络的一种可行的方法.针对带权超网络中节点权重及超边权重可以分别为正实数、负实数、纯虚数及复数等多种不同的类型,首先给出了各种不同类型带权超网络的多重分形维数;然后讨论了带权超网络的多重分形特性;研究表明,在不同类型的带权超网络中,除节点权重及超边权重均为正实数及负实数的两种情形之外,其他类型的带权超网络均具有多重分形特性,且可以分为7个不同的类别,均分布于整个复平面;最后给出了所有这些带权超网络多重分形维数的解析表达式,并分析了这些带权超网络多重分形维数的若干重要性质.

具有双峰效应特性的复杂网络模型研究

为解决BA网络模型采用增长与择优处理节点之间的连接而导致节点连接数目无限增长等不足,通过对BA网络模型的节点连接策略改进,即通过引入节点最大连接数目,设置新增节点连接数目亚线性增长并采用Logistic函数得到了一种度分布具有双峰效应特性的BE网络模型,并给出了其若干性质。该模型可应用于解释经济、社会等现实生活中的两极分化现象,而且通过调整其参数可实现峰的移动和缩放,在极限情况下BE模型可退化成BA模型。

带权图的多重分形度量

分形维数及多重分形是分形理论的重要研究内容。复杂网络的多重分形已经得到了较为深入的研究,但对复杂网络多重分形的度量目前并没有可行的方法。带权图是复杂网络研究的重要对象,其中的节点权重及边权重可以为正实数、负实数、纯虚数及复数等多种不同的类型。除节点权重及边权重均为正实数的情形外,其他类型的带权图都具有多重分形特性,且均具有无穷多个复数形式的网络维数。通过对带权图多重分形的研究,文中给出了15种具有多重分形特性的带权图多重分形维数的模所构成的集合,并采用集合的势对带权图的多重分形特性进行度量。研究表明,15种带权图多重分形维数的模所构成的集合均是可数集,其中有2种集合是2重集合,另外13种集合是通常意义上的集合,而且所有的集合均是等势的,其势均为■0。

基于Spark的蚁群优化算法

为应对大数据时代中组合优化问题的求解,基于云计算框架Spark,借助其基于内存、分布式的特定,提出一种并行蚁群优化算法。其思路是通过将蚂蚁构造为弹性分布式数据集,由此给出相应的一系列转换算子,实现了蚂蚁构造解过程的并行化。通过在旅行商问题(TSP)求解的仿真实验结果说明了所提出的并行算法的可行性;并在同等实验环境下对比基于MapReduce的蚁群优化算法,优化速度提升达10倍以上。

基于经验分布的打车概率和等待时间预测

提出了一种预测乘客在指定位置和指定时间预测打车概率和等待时间的方法。设计了一种将地图离散化,使用特征点修复GPS轨迹的解决方案,且适用于大数据问题;在修复的GPS数据基础上提出了基于经验分布在等待特征点和时间点的打车概率和等待时间模型;并基于该模型预测用户指定位置和指定时间的打车概率。另外给出了基于该模型的增量学习的方法。大规模GPS轨迹数据使用Hadoop平台实现了管理和分析计算,证明了该方案的可行性;预测结果在仿真实验中取得了良好的效果,证明了模型具有较高的准确性,同时可以期望准确性随着数据量的增大而提升;另外该模型得到的特征点和特征时间概率和等待时间的参考表并不会随着GPS轨迹数据的增大而增大,证明了模型有良好的可扩展性。

一种基于深度学习的混合推荐算法

推荐系统在电子商务的发展中发挥着越来越重要的作用,但用户对物品评分数据的稀疏性往往是推荐精度较低的重要原因。目前通常采用推荐技术对辅助信息进行处理,以缓解用户评价的稀疏性,并提高预测评分精度。通过相关模型,可以利用文本数据来提取物品的隐藏特征。最近,深度学习算法快速发展,因此文中选用了一种具有强大特征提取能力的新型深度网络架构——变分自编码器(Variational AutoEncoder,VAE)。通过将无监督变分自编码融合到概率矩阵分解(Probability Matrix Factorization,PMF)中,构建了一种感知上下文的新型推荐模型——变分矩阵分解(Variational AutoEncoder Matrix Factorization,VAEMF)。首先使用TD-IDF对物品的评价文档进行数据预处理,然后对处理后的数据使用VAE捕获物品的上下文信息特征,最后使用概率矩阵分解进一步提高预测评分精度。在两个真实数据集上的实验结果验证了所提方法相较于自编码算法及概率矩阵分解算法的优势。

基于MapReduce的蚁群优化算法实现方法

探讨了蚁群算法的几种并行方式与适用场景以及结合云计算编程框架MapReduce的可行性,并将局部搜索类蚁群优化算法抽象为几个组件,分别与MapReduce框架的几个接口对应实现,从而为该类蚁群优化算法在MapReduce框架下实现并行化提供了一种灵活、扩展性好的解决方案。最后通过旅行商问题的仿真实验验证了所提方法的有效性。

基于注意力机制的问句实体链接

问句实体链接不仅需要大量的数据处理和特征选择工作,而且容易形成错误累积,降低链接效果.针对这种情况,文中提出基于注意力机制的编码器-解码器问句实体链接模型.模型使用双向的长短期记忆网络编码问句,经过注意力机制解码,生成对应的实体指称和消歧信息输出,最后链接到知识库实体.在有关汽车领域车系产品问句和实体数据集上的实验表明,文中模型仅利用较少的上下文信息便可取得良好效果.

基于微操作的Hadoop参数自动调优方法

Hadoop作为大规模分布式数据处理框架已经在工业界得到广泛的应用,针对手动和经验调优方法中参数空间庞大和运行流程复杂的问题,提出了一种Hadoop参数自动优化的方法和分析框架。首先,对作业运行流程进行解耦,从可变参数直接影响的更细粒度的角度定义微操作,从而分析参数和单次微操作执行时间的关系;然后,利用微操作对作业运行流程进行重构,建立参数和作业运行时间关系的模型;最后,在此模型上应用各类搜索优化算法高效快速得出优化后的系统参数。在terasort和wordcount两个作业类型上进行了实验,实验结果表明,相对于默认参数情况,该方法使作业执行时间分别缩短了至少41%和30%。该方法能够有效提高Hadoop作业执行效率,缩短作业执行时间。

面向教育大数据情感分类的多方面情感注意力模型

针对高校课程评价方法效率较低、工作量较大等问题,文中提出多方面情感注意力模型(Multi-ASAM).使用神经网络将句子分别与句中的各个方面进行嵌入,加入情感资源注意力,在考虑方面间的关系对于情感极性影响的同时,考虑情感资源对于情感极性的贡献,从而取得更好的分类效果.实验表明,在教育领域和其它领域的应用中Multi-ASAM性能有部分提升.

基于注意力的时空神经网络城市区域交通流量预测

可靠的交通流量预测在交通管理和公共安全方面具有重要意义。然而,这也是一件具有挑战性的任务,因为它易受到空间依赖性、时间依赖性以及一些额外因素(天气和突发事件等)的影响。现有的大部分工作只考虑了交通数据的部分属性,导致建模不充分,预测性能不理想。因此,提出了一种新的端到端的深度学习模型——时空注意力卷积长短期记忆网络(ST-AttConvLSTM),用于交通流量的预测。ST-AttConvLSTM将整个模型分为三个分支进行建模,每个分支经过残差神经网络提取局部的空间特征,同时进一步结合天气等外部因素,再利用卷积长短时记忆网络(ConvLSTM)和注意力模型两种组件来挖掘流量的潜在规律,捕获时空维度上数据的关联性。使用北京市和纽约市两个真实的移动数据集来评估提出的方法,实验结果表明,该方法比知名的基准方法有更高的预测精度。