根据出租车行驶载客数据中提取的乘客出行模式和上下客热门区域,提出一种出租车热门区域功能发现方法。采用基于交通数据时空特性的出租车行驶数据聚类算法,实现热门区域划分。建立基于潜在Dirichlet分配的热门区域乘客出行特征发现模型,对具有相似乘客出行模式的出租车热门区域进行聚类。通过总结各热门区域的具体功能,发现在不同客流时间段内的区域功能与乘客出行模式间的关系。实验结果表明,该方法能够有效发现热门区域的功能特点。
在交通标志检测过程中,存在标志尺寸变化、旋转失真、投影失真以及部分被遮挡等问题。为此,提出一种基于显著图和傅里叶描述子的交通标志检测算法。采用频率调谐方法得到显著图并将其二值化,初步定位交通标志区域。通过提取区域外层轮廓,利用轮廓周长和长宽比特征滤除干扰信息,对合格轮廓进行凸壳处理,得到归一化凸壳傅里叶描述子,并与标准数据对比得到检测结果。实验结果表明,该算法检测率可达95%以上,同时满足交通标志检测的实时性要求。
针对轨道交通集群调度系统中数据库连接池参数一次性设定后不可修改的问题,设计面向多客户端的数据库连接池动态分配策略。通过使用动态分配算法,根据每个客户端访问频率的不同为当前客户端分配最优连接数,从而达到提高系统资源利用率的目的。实验结果表明,该动态分配策略能够缩短连接池响应时间,提高系统运行效率。
当前Web应用采用的HTTPS协议为客户端与服务器端之间的消息请求提供良好的加密机制,但HTTPS协议无法对应用层消息进行选择性处理,因而在消息请求交互的过程中并未全过程加密,使Web应用无法避免重放攻击。为此,提出一种基于动态校验子与计数器双重验证的抗重放攻击方案。利用服务器端的当前时间作为动态校验子,以该动态校验子作为消息请求的新鲜性,结合计数器机制反馈客户端数据丢包情况,以此防止重放攻击。实验结果表明,该方案与基于单一序列号机制的方案相比,能降低对服务器端数据库存储空间的开销,与基于单一时间戳机制的方案相比,解决了时钟同步问题,并可反馈客户端数据丢包情况。
在方向梯度直方图(HOG)联合支持向量机(SVM)算法(HOG-SVM)和LeNet网络模型基础上,提出了HOG与卷积神经网络(CNN)融合的行人检测算法(SVM-LeNet)。采用多尺度滑动窗口提取HOG特征并送入SVM分类器,根据后验概率判断候选区,随后运用CNN算法剔除误检窗口。为解决单个目标被多个候选区域框定的问题,使用非极大值抑制算法(NMS)进行多矩形融合,保留检测区域中后验概率最大的窗口抑制与其重叠的检测窗口。分类过程中,以候选区域在SVM和LeNet中后验概率为依据判断行人区域。实验结果表明,与HOG-SVM和LeNet行人检测算法相比,该算法在准确率和召回率上有明显优势。
针对传统PageRank算法存在主题漂移、网页权值均分等问题,提出一种改进的PageRank算法。为提高用户查询效率和搜索质量,结合时间反馈因子对用户转发、用户评论和微博提及行为进行综合分析,采用统计分析方法对用户行为在微博用户影响力排序中的贡献进行度量,并利用改进的TF-IDF算法计算主题相似度权值使用户能够选择相关度较高的网页,从而获得相对应的PageRank权值。实验结果表明,与微博常用排序算法相比,改进PageRank算法具有更好的用户影响力排序效果。
针对传统车辆识别算法鲁棒性及实时性不强的问题,结合局部线性约束编码(LLC)和加权空间金字塔匹配(SPM)模型,提出一种车辆品牌型号精细识别算法。提取图像方向梯度直方图特征,通过LLC对图像特征进行编码映射,得到具有语义信息的图像表达向量,以提高识别的准确率。利用加权SPM模型将空间位置信息引入图像表达向量中,并将每个图像的最终表达送入线性支持向量机分类器进行训练与识别。使用交通监控摄像头在不同天气和光照条件下采集150种车辆类型共56 827张图像进行实验,结果表明,该算法可有效改善识别效果,提高识别速度。
针对图像重建过程中待插值点灰度估计不准确的问题,提出一种基于邻域特征学习的单幅图像超分辨回归分析方法。在输入低分辨率图像后,利用图像特征从低分辨率图像及其对应高分辨率图像的几何相似结构中学习局部协方差。对于邻域中的每一个图像块,估计4个方向的方差以适应插值像素。实验结果表明,该方法既能保证重建的高分辨率图像均匀区域的一致性,同时也能完整保留图像细节信息和边缘轮廓。
当前网络谣言控制策略的研究大多考虑高连接度对消息传播的影响,即节点自身邻居数,忽略了其邻居信息产生的间接影响。为此,提出一种SDND谣言免疫策略,该策略只需了解网络局部信息,在选取免疫节点时综合考虑节点自身出度及其邻居最大出度。在新浪微博数据集上,借助SEIR谣言传播模型仿真谣言传播,对比分析目标免疫、熟人免疫、重要熟人免疫、SDND免疫对谣言传播的影响。仿真结果表明,SDND免疫效果优于目标免疫、熟人免疫等策略,能够较好地抑制谣言传播。
针对在一定形状限制条件下的可形变填充问题,提出一种可计算填充方法。对目标区域和填充样板进行四边形网格剖分。给出在样板拼接、边界、旋转、最小形变等约束条件下的整型规划,使用填充样板在填充区域中进行离散拼接,并通过全局优化迭代样板形变,以达到理想的填充效果。实验结果表明,该填充方法对目标区域的有效覆盖率以及边缘拟合度与约束限制无直接关系,在指定约束条件下,能较好地达到区域填充效果。
针对K2算法学习贝叶斯网络结构时需要确定节点顺序的问题,提出一种混合贝叶斯网络结构学习算法。在给定数据集的情况下,利用MMPC算法获得网络的初始结构图,应用广度优先搜索的方式对此初始结构图进行搜索,从该图中入度为0的节点出发,按层次依次访问图中的邻接点,获得优化的节点顺序。将该节点顺序作为K2算法的初始节点顺序,再利用K2算法对空间进行搜索,找到全局最优解。实验结果表明,与K2算法和限制性粒子群算法相比,该算法在相同的样本数据集下产生多边、少边和反边情况的概率更低,并且可学习到更准确的贝叶斯网络结构,收敛速度快、求解精度高。