为解决差分进化算法求解高维优化问题时效率低下的问题,提出一种正交动态差分进化算法(ODDE),通过动态差分进化框架增强全局搜索能力,利用基于正交实验设计的正交交叉算子加强局部空间搜索能力。基于9个标准测试函数,选择30,100,300,500这4种维度对差分进化算法、动态差分进化算法、正交差分进化算法和ODDE算法进行对比实验,结果表明,ODDE算法的求解精度和收敛速率均优于对比算法,可广泛用于求解工程应用中的高维优化问题。
微博作为新型的消息传播媒介,其影响力和传播速度都超越了传统主流媒体,预测微博热度对舆情监测、政府宣传、企业营销及热点推送等具有重要意义。通过分析微博转发的层次规律,结合转发量、转发深度及广度指标,定义新的热度指数计算方法。将微博热度划分为5个等级,对转发数大于100的微博预测其热度达到特定等级的概率。使用有监督的机器学习算法,先后提取训练样本的静态和动态特征训练热度预测模型。通过自主开发的BigData爬虫开放平台获取来源于新浪微博的训练样本,并应用十折交叉验证法进行实验,结果表明,相比只使用静态特征的热度预测模型,加入微博动态特征能有效提高预测性能,平均F1值达到76.9%。
文本自动摘要是获取微博平台关键信息的一种重要手段。现有面向微博的自动摘要方法较关注文本集合中句子或者关键词的提取,而在去除冗余信息、内容噪声方面缺乏有效手段,导致提取的微博内容质量不高。为解决该问题,以微博平台为研究对象,提出一种基于时频域 转换的信息提取方法,获得与某话题相关度高、冗余度低且信息量大的高质量微博文本,将综合分值较高的微博作为生成摘要的样本集合,并对该样本集合中每条微博的句子进行权重打分,选取权值较高的句子组成微博摘要。实验结果表明,该方法能够有效过滤冗余信息和内容噪声,基于自动评测和人工评测的摘要结果均优于现有自动摘要方法。
网络论坛的话题热度趋势建模是现有网络舆情分析的主要内容之一,现有话题热度趋势建模方法忽略了话题观点倾向对话题热度的影响,导致拟合的准确性不高。为此,提出一种融合观点倾向的话题热度趋势建模方法。话题的观点倾向可通过情感倾向分类方法获取,将情感倾向信息融入话题热度的计算中,准确地体现情感倾向对热度的影响。利用Gamma分布模型拟合热度变化曲线,实验结果表明,融合观点倾向后的方法较现有的高斯模型能够更准确地拟合话题的热度趋势。
针对嵌入式虚拟机中垃圾收集效率低的问题,提出一种新的分代式垃圾收集方法。通过对分配对象的生命期进行预测,将生命期长的对象直接分配到年长代,减少了从年轻代到年长代复制的数量,进而缩短垃圾回收的执行时间。在分代内收集方面,年轻代实现一种对象分配和垃圾收集同时进行的非暂停模式,年长代使用lazy-buddy算法结合mark-sweep算法的综合策略,实现空间的快速分配和回收,既避免了对象拷贝操作,又控制了内存碎片数量。实验结果表明,该算法能够使垃圾收集时间减少约23.9%,用例运行时间减少约17.2%,系统整体执行性能得到明显提升。
针对夜间行人检测成像尺度不一所引起的类内方差较大、实时性不足等问题,在统计学习的应用原理下,设计基于熵加权和快速分类支持向量机(FCSVM)优化的头部校验夜间行人快速识别方案。应用熵加权原理改进梯度直方图特征,引入三分支结构的支持向量机识别目标,同时利用FCSVM降低运算开销,确保实时性,通过头部校验方法分析评估误检目标,提高图像匹配的准确度。实验结果表明,该方案在夜间环境下能有效区分远红外行人目标,在充分确保行人检测实时性的基础上,在市区、郊区等不同应用环境中均具有较好的识别效果。