基于事件框架的社区进化预测研究

有效预测社交网络中的社区演化规律和趋势,在广告精准投放、网络舆论监测与引导方面具有广泛的应用前景.近年来,基于事件框架的社区进化预测建模在反映社区演化规律和趋势方面一直是热点,研究的难点在于提高预测模型的预测准确度.为解决这一难点,文中首先提出一种改进的事件框架,以新型事件框架为基础,针对不同事件分别构建有效的预测模型.其中预测模型的输入指标包括网络结构特征、社区的结构特征和社区进化特征.最后为了充分验证所建预测模型的有效性并保证预测模型的实用价值,在实验中分别用人造动态网络数据集、DBLP动态网络数据集和Facebook数据集作为实验数据集,以确保实验数据集的多样性.实验结果表明文中的预测模型针对形成、消失、保持、合并和分裂等事件的预测具有较高的准确性,结果也表明文中提出的特征指标和对应事件的预测模型在实际事件预测中将具有较高的实用价值.

基于正交迭代的参考点不确定相机位姿估计

相机的位姿估计广泛应用于计算机视觉和机器人学等领域。针对相机位姿估计的稳定性与实时性,基于正交迭代算法,提出了一种考虑空间参考点不确定性的相机位姿估计算法。该算法的关键思想是在考虑摄像头畸变的情况下,根据参考点的位置特征获得相应权值,并利用加速正交迭代思想对迭代过程中的重复计算进行规整,最小化加权重投影物方残差函数获得相机位姿。模拟数据实验和真实图像实验表明,该算法计算精度更高,速度更快,时间复杂度较低。在空间参考点深度较大或者偏离摄像头光轴的情况下,该算法的时间复杂度和精度均优于现有的正交迭代算法,从而实现了相机位姿估计的实时性。