社交网络关键节点检测的积极效应问题

在社交网络中，识别有影响力的关键节点对于调控网络至关重要，是网络科学最前沿热点的研究内容。然而，现有方法大多基于局部特征进行求解，缺乏对网络整体结构的建模。为有效地解决这个问题，针对社交网络关键节点检测积极效应问题KPP-POS（key player problem positive），在KPP-POS的检测指标D_R的基础上，建立关键节点积极效应模型的0-1整数线性规划模型（0-1 integer linear programming key players problem positive effects model，IP-KPP-POS），进而提出一种计算复杂度较低且精确度较高的局部搜索启发式算法。最后通过多种人造网络和真实网络的实验分析，验证IP-KPP-POS模型在解决社交网络关键节点检测积极效应问题上的正确性和有效性。     

基于决策树的海上搜救目标检测算法

为克服传统目标识别方法在处理空间特征分布极为复杂的数据时的缺点,提出1种基于决策树的多特征检测算法,并将其应用到基于视频的海上搜救目标检测中.该算法首先提取图像中的颜色、亮度等信息,通过计算各特征的信息增益建立决策树,将搜救目标检测问题分解成3层决策树分类问题.实验表明,该算法能够提高多特征目标检测的效率,在救生艇、筏等海上搜救目标检测的应用中取得较好的结果.     

运动对骨生长的生物力学研究

骨生长受外部应力的影响这一事实从理论上和实验中都得到了充分证明。人体运动对骨骼的直接作用就是产生外部应力，但以怎样的运动方式、多大的运动量和运动强度能促进（或抑制）在体骨的生长这一问题尚处于探索阶段。引用多刚体动力学的人体运动研究，在人体多刚体模型的层面上获得人体运动过程中关节处力与力矩的变化规律，为研究运动对骨生长的影响提供了定量分析的方法。     

动态雾计算网络中基于在线学习的任务卸载算法

任务卸载是雾计算的主要技术之一，即计算能力不足的节点将任务卸载给具有富余资源的节点帮助计算。以优化任务平均卸载时延和提升卸载服务成功率为目标，利用多臂老虎机理论为动态雾计算网络提出一种基于在线学习的任务卸载算法，可实时做出最优卸载决策。将该算法扩展到非稳定网络状态，使之可以动态追踪网络中节点的资源与环境变化，实时调整卸载决策。详细分析所提出算法的性能、复杂度和存储占用情况。仿真结果表明，这两种算法可达到的长期平均任务卸载时延均十分接近理想算法下的最优时延，卸载服务成功率也得到显著提升。此外，所提算法在非稳定的网络状态下能够追踪到计算资源与环境的变化。     

一种多时相遥感图像多目标检测算法

随着遥感技术的快速发展,遥感图像得到广泛的应用,其中目标检测是遥感图像众多应用中非常重要的一个分支。目前大多数目标检测算法都是基于单时相遥感图像,对于多时相遥感数据的处理方法较少。最近发表的多时相目标检测算法有滤波张量分析,其将多重线性函数与张量相对应的关系应用于遥感图像目标检测,但该算法只能进行单目标检测,无法同时检测多个目标。本文借鉴多目标约束能量最小化算法中对于多个目标输出能量的约束和滤波张量分析中对于应用张量滤波器的思想,提出多目标滤波张量分析算法,能够在多时相遥感数据中实现同时检测多个目标。模拟和真实数据实验结果均表明,该算法可以有效地提高多时相图像中多目标检测精度。     

非稳态雾赋能网络中的在线任务卸载方法

为充分发掘分布在不同位置上的雾节点的计算资源，任务卸载被寄予众望。在雾计算场景下，以尽可能减少任务卸载的长期成本为目标，试图寻找一个高效的在线任务卸载方法。为此，这一问题被建模成一个随机规划问题，该问题中系统参数所对应的随机变量的期望会在未知时刻突变，系统参数相关信息只能在任务完成后的反馈中获得。基于非稳态多臂老虎机模型，提出一个高效的算法来解决这一具有挑战性的随机优化问题，给出理论分析证明该算法的渐进最优性。数值实验证明了该算法的优越性。     

运动中人体关节点自动定位的实现

把一般的人体运动序列图像分析技术和高速序列图像的特点结合在一起,将侧重点放在人体关节的自动定位上,对已有的方法进行试验、分析,为解决运动图像中人体关节自动快速定位问题．提出了一种体育运动序列图像中人体关节定位的快速实用的算法。进而从运动序列图像中提取运动信息。文中对我们采集到的女子跳板跳水选手起跳的运动序列图像实现了关节点的自动定位。     

一种新的桥梁区域时序InSAR相位解缠方法

时间序列InSAR技术是一种空间遥感技术，可用于获取基础设施的高精度微小形变信息，相比传统测量手段，该技术有较多优点，在桥梁形变检测方面有广阔的应用前景。但现有的时间序列InSAR技术中的相位解缠算法在大型斜拉桥形变检测上存在较大解缠误差，导致目前该技术还难以获取正确的斜拉桥形变结果。提出一种新的时间序列InSAR相位解缠算法。通过构建约束三角网络，对残差点进行分块，利用二分图最优权匹配方法获取最优的正负残差点匹配结果，从而获取正确的解缠相位。在洞庭湖大桥数据上进行实验验证。该算法在解缠精度上明显优于稀疏网络最小费用流（MCF）算法，有效减少了解缠误差。     

无线传感器网络自组织分簇算法

为优化无线传感器网络目标跟踪的簇和簇之间的转换,控制节点间能量消耗,本文提出一种新的分簇算法。算法通过计算节点与原簇头的距离及该节点对于跟踪目标与原簇头的夹角,自组织的形成下一簇,在此过程中不用维护邻居表,亦无中央控制。仿真结果表明,本算法能够降低节点的计算复杂度,提高分簇的成功率,有效实现大规模区域的WSN跟踪。     

一种基于显著性的高海况SAR图像船舶目标检测方法

提出一种基于显著性的高海况SAR图像船舶目标检测方法Itti-SAR,该方法由显著图提取与连接性判断两个阶段组成。在显著图提取阶段,针对SAR图像特性,将改进的方向特征和一致性特征引入传统视觉注意模型,以构建适用于SAR图像的显著性模型,实现高海况SAR图像船舶目标显著图的提取。在连接性判断阶段,采用密度约束对显著区域的连接性进行判断,防止将单个目标检测为多个,从而进一步降低虚警。在多幅SAR图像上的实验结果验证该方法的有效性,与经典CFAR算法的对比实验显示出其查准率、召回率高和不依赖于先验知识的优点。     

基于层次化标签的人体解析

人体解析针对图像中人体不同部位进行语义分割，是近年来计算机视觉领域中的一个重要研究课题。不同于场景中的一般物体，人具有高度的结构化特征，并存在复杂的姿态变化和衣物遮挡情况。针对这一任务，提出一种基于卷积神经网络的层次化标签结构的人体解析方法。首先对精细的标签按照类别进行不同程度的合并，获得多个层级的解析图；然后改进具有金字塔特征抽取结构的卷积神经网络，使用解析图对金字塔不同层级的特征进行监督；最后将所有层级特征进行融合得到解析结果。在人体解析数据集LIP上的实验验证，与当前通用的语义分割算法相比，该算法可获得更高的人体解析准确性并改善了图像的分割效果。     

三维摄影解析中人体关节角度的计算方法

人体运动的基础是环节围绕关节轴的转动,因此对人体关节角的概念和计算方法进行定义与规范是准确描述人体运动的保证,也是不同研究者间进行资料对比、数据共享的基础.本研究参考国外有关文献资料,利用影片解析所得到的人体测量点坐标对人体基本轴和基本切面进行了定义;根据人体运动解剖学对关节角度的定义,应用空间解析几何的知识,确定了人体上肢、下肢主要关节角度和躯干姿位的计算方法;应用VB开发了计算关节角度的软件;应用软件对棒球投掷时运动员的肩关节角度进行计算,计算的结果符合动作技术实际.     

基于时间序列DMSP/OLS夜间灯光数据的GDP预测模型

采用基于不变目标区域法对1992-2013年DMSP夜间灯光数据进行相互校正、饱和校正和影像间的连续性校正，提取出同期中国大陆31个省级行政区夜间灯光强度信息，并与统计GDP数据建立线性、指数、二次项和乘幂回归模型。通过比较预测GDP与统计GDP误差，选出各自的最优拟合模型。结果表明：1）校正解决了DMSP夜间灯光长时间序列影像之间不稳定、不连续的问题；2）校正后的DMSP夜间灯光数据集与GDP强相关；3）中国大陆GDP预测的指数模型最佳，R²达到0.97，平均相对误差仅为11.32%；4）31个省级行政区按时间序列构建GDP预测模型优于每年各省级行政区模型。4个直辖市和经济总量前6的行政区指数模型最优，其余省份二次项模型最优，R²均达到0.95以上，GDP预测相对误差10%左右。     

WFST解码器词图生成算法中的非活跃节点检测与内存优化

解码器引擎是语音识别系统的核心模块，而基于加权有限状态机（WFST）的解码器则是解码器的一种典型形式。分析静态WFST解码器在实际应用中的资源占用问题，提出一种在解码和词图生成过程中通过检测非活跃节点动态回收系统资源的策略。最后，在OpenKWS 15数据集上进行实验，证明该策略使解码器的内存消耗比不回收系统资源的解码器降低75%左右。     

一种新的基于深度学习的重叠关系联合抽取模型（英文）

随着互联网技术的快速发展和移动设备的普及,我们每时每刻都被各种各样的信息包围着。如何从海量的数据中挖掘出具有价值的信息一直是国内外研究的热点。其中,关系抽取是信息抽取的一个重要子任务,目的是从文本中识别出实体之间的关系,从而挖掘出文本中的结构化信息,即事实三元组。在文本中,实体重叠和关系重叠是非常普遍的现象,但是现有的联合抽取模型不能够有效地解决这类问题,因此提出一种新的联合抽取模型,将关系抽取任务看作由2个子任务实体识别和关系识别组成,并分别使用序列标注的方法和多分类方法进行识别。在联合抽取过程中,为充分挖掘文本语义信息,在模型的输入层添加词性（POS）和句法依存关系（Deprel）特征,同时为消除随着句子长度增加带来的长距离依赖问题,在模型中引入注意力机制。最后,论文在NYT数据集和WebNLG数据集上进行关系抽取实验,结果表明论文提出的模型能够有效地解决关系重叠的问题,并取得最佳抽取效果。     

基于深度学习的多尺度导弹发射井目标检测

导弹发射井是重要的遥感目标,发射井目标检测的研究对国防事业意义重大。在数据层面,由于发射井样本数量少,目前没有可用于其目标检测的有效数据集,构建有效的数据集对相关领域研究有极大价值。在算法层面,遥感图像分辨率的不同导致发射井目标呈现多尺度的特性,这是解决发射井目标检测问题的难点之一。基于以上分析,首先利用Google Earth构建首个发射井目标检测的数据集,然后针对发射井目标检测任务设计有效的检测模型。本文的模型充分融合了目标的多尺度特征和上下文的信息,并通过级联网络多阶段检测目标,有效检测出多尺度导弹发射井目标,检测效果优于目前主流的算法。     

基于多状态跳转模型的场景独立音频事件检测方法

针对不同类型事件设计多状态跳转模型，结合两种深度神经网络实现对传统音频事件检测框架的改进。实验表明，在DCASE2017任务2的开发集数据上，改进后的DNN-HMM系统相比于基线系统取得F值8.9%的相对提升和错误率19%的绝对下降；基于多状态跳转模型聚类的卷积神经网络模型（SC-CNN），相比于基线系统取得F值18%的相对提升和错误率30%的绝对下降。     

现代变量选择方法在青少年近视研究中的应用

通过分析一组医学数据挖掘出影响青少年近视的关键因素,建立青少年近视患病概率预测模型.数据集主要由两部分组成:一是青少年眼睛的医学测量数据,二是由生活学习习惯调查问卷得到的数据.采用几种现代统计学方法,并利用ROC曲线得到较优的患病概率模型.结果表明,性别、眼轴长度、角膜曲率、工作日睡眠时间、不戴眼镜远视力、远距离调节反应等因素对青少年近视有重要的影响作用,并由此建立预测模型.     

基于平移不变核的异构迁移学习

提出一种新的异构迁移学习方法.利用与目标数据集相关的异构特征数据集.通过把目标集和异构集的数据使用平移不变核(欧式距离核和径向基函数核),映射到一个新的再生核希尔伯特空间上.在新空间中2个数据集的特征相同,特征维度相等,分布接近,且保持数据的拓扑性质不变.实验证明,该方法特别是基于欧式距离核的方法取得了较好的效果,在目标训练集的标注数据较少时,有大于5%甚至超过10%的精度提高.