基于马科夫的信息扩散模型在社交媒体热点问题中的应用

在大数据时代的今天，如何从海量的社交媒体中寻找信息扩散的源头，并且预测信息扩散的未来走势，已成为人们非常关心的热点问题，这就为数据挖掘在热点问题上的应用提出了新的挑战。最具影响力信息的挖掘方法有静态与动态之分。静态方法只是针对某个时间点，有其片面性。动态方法常用的有四种，均有其局限性，用的是最广的独立级联模型与线性阈值模型均需要将激活过程放置在一个个离散的轮回中，是非连续的。自主研究了一个基于连续时间马科夫过程的模型来模拟现实世界的信息扩散，并根据每个节点扩散信息的情况来预测它们在未来的信息扩散能力，从而达到判断未来走势的目的。     

一种基于多传感器信息融合的盲区检测与目标跟踪方法

随着经济和社会的发展，大型商用车保有量逐年增加，因其车辆构造产生视野盲区导致的交通事故也随之增加。传统单一类型传感器检测精度低，已无法满足如今复杂交通场景的应用。基于此，文章提出了一种基于多传感器信息融合的盲区检测与目标跟踪方法，采用多种传感器感知盲区环境，基于YOLOv3算法与DeepSORT算法，改进提出自适应的快速DBSCAN聚类算法，利用CIOU匹配替换传统IOU匹配，提升目标聚类精度与算法匹配性能，实现更高精度的盲区目标检测与跟踪。