基于神经网络的交通流量预测由于嵌入了部分手工设计的特征,使得提取的网络特征功能单一,存在适应性及鲁棒性差、数据局部特征刻画不准确等问题。为此,提出基于残差长短期记忆网络(LSTM)的交通流量预测方法,利用集成学习思想将空间分布的数据端到端训练到残差LSTM网络中,同时在每个LSTM单元后引入维度加权单元,显式建模特征维度之间的相互依赖关系。实验结果表明,该方法能实现短期交通流量数据的自适应建模分析。
为提高无人驾驶汽车转向系统对目标路径的跟踪精度,提出一种新的无人驾驶汽车路径跟踪方法。介绍基于跟踪预瞄点的无人驾驶汽车横向控制方案,给出系统的动态线性化数据模型及其多步预测方程,并采用最小二乘法推导出伪梯度向量的估计和预测方程。结合无模型自适应控制与预测控制的优点,能够通过滚动优化策略进行反复的在线计算,从而得到较好的动态性能。基于CarSim/Simulink联合仿真平台,在车速分别为5 m/s、20 m/s时进行验证,结果表明,与基于车辆动力学的MPC方案相比,该方法具有更好的跟踪效果。
针对车辆型号相同但车辆个体不同的重识别问题,提出一种新的车辆重识别算法。运用部件检测算法获取不同车辆之间差异较大的车窗和车脸区域,对检测到的车窗和车脸区域进行特征提取并进行融合,生成新的融合特征,计算图像特征之间距离度量进行分类识别。在中山大学公开数据集VRID-1上进行测试,结果表明,该算法的Rank1匹配率达到66.67%,明显优于经典的传统特征表征算法,从而验证该算法是可行且有效的。
基于车流波动理论和VISSIM软件仿真分析,研究交叉口适宜设置借道左转车道的车流量临界条件。通过波动理论分析得到设置借道左转车道的临界计算公式,以实例计算和VISSIM仿真分析进行验证,并基于VISSIM软件,对交叉口设置借道左转车道前后各运行指标的差异进行对比分析。仿真结果表明,在左转车流量较小并以不饱和流率驶入借道左转车道时,不宜设置借道左转车道,在适宜设置借道左转车道的流量条件下,借道左转车道的设置能有效提高交叉口左转通行能力,并降低左转车辆的平均延误、行程时间、排队长度、停车时间等,借道左转车道的设置不一定会增加左转车辆的停车次数,其与左转车流量有关。
针对交通轨迹大数据的非平稳特性,研究交通轨迹大数据预处理方法。根据二维离散小波的多分辨率分析特点,选用二维离散小波对交通轨迹大数据进行去噪和压缩处理。构建交通轨迹大数据预处理平台,结合道路交通拥堵状态评判标准,实时分析重要路段的交通状况。分析结果表明,该方法能够提高数据处理速度和拥堵路段分析精度。
针对非均匀道路上的多车种LWR交通流模型,提出一种低耗散中心迎风格式。以4阶中心加权基本无震荡重构和低耗散中心迎风数值通量为基础,通过构造不同形式的全局光滑因子及增大非光滑模板对应的非线性权重优化数值格式的耗散特性,并采用Runge-Kutta方法对半离散数值格式在时间方向上进行离散使其保持4阶精度。对非均匀道路上多车种LWR交通流模型的车道数变化和交通信号灯控制问题进行数值模拟,结果表明该格式具有4阶求解精度,且分辨率高。
为解决高性能计算中的非结构网格离散访存问题,以神威·太湖之光国产超级计算机为平台,根据异构众核处理器SW26010的体系结构特点,提出一种基于排序思想的通用众核优化算法,以减少非结构网格计算中的随机访存。基于网格划分原理,在O(n)时间内对生成的稀疏矩阵非零元素进行并行重排序。采用一种内部映射方式对计算向量实现扩展或变换,将细粒度访存转化为无写冲突的粗粒度访存。对多个实际应用算例的通量计算进行众核优化,结果表明,相比主核上的串行算法,该算法能够获得平均10倍以上的加速效果。
针对时空众包在线任务分配问题,提出任务范围调节算法DMRA与基于预测分析的在线任务分配算法PAMA。DMRA算法以任务位置为中心,根据工人密度动态调整任务的范围。PAMA算法基于历史统计概率,采用贝叶斯分类器预测下一时间戳的对象分布情况,在此基础上,执行带权二分图最优匹配算法以完成任务分配。实验结果表明,将DMRA算法与PAMA算法相结合,能够提升任务分配的总效用,降低工人的差旅成本,任务分配性能优于贪心算法与随机阈值算法。
模糊C均值(FCM)聚类算法对初始中心点敏感,不考虑类别间中心点的相互影响,且仅能处理低维数据。为此,设计一种改进的初始中心点选择方法,并基于条件模糊聚类思想,将传统FCM算法中的欧氏距离替换为余弦距离后提出wHFCLM算法。将该算法与扩展增量聚类算法spFCM、oFCM和rseFCM相结合,得到对应的扩展增量模糊聚类算法spHF(c+l)M、oHF(c+l)M以及rseHF(c+l)M。实验结果表明,与spFCM算法、oFCM算法和rseFCM算法相比,扩展增量模糊聚类算法对初始中心点的选择敏感性较低,能较好地处理大规模稀疏高维数据集,且在合适的分块大小下具有更优的聚类性能。
互联网服务提供商通过部署下游路径规则(DC)实现本地重路由,为降低DC实现方法的计算开销,平衡故障保护率与计算开销间的关系,提出一种基于增量最短路径优先(iSPF)算法的DC实现方法DC-iSPF。将计算节点到邻居节点的链路代价设置为0,在更新后的拓扑上运行iSPF算法,从而计算出所有符合DC规则的邻居节点。实验结果表明,与TBFH算法和DMPA算法相比,DC-iSPF方法能够降低计算开销,提升故障保护率。
硬件数据预取技术可以有效提升处理器的访存性能,但传统流预取策略存在预取不及时的问题。为此,提出一种双倍步长流预取策略,并设计对应的预取部件结构。预取部件自动检测数据流的固定步长并将该步长扩大为原有的2倍,以计算预取地址。实验结果表明,加入该预取部件后,运行SPEC2006测试集的整数应用与浮点应用时,处理器性能最高可分别提升45%与57%,针对Cache Miss率较高的应用,该预取部件可以有效隐藏访存延时。
为提升传感器节点在环境噪声干扰下对声事件的感知能力,在最大似然累加和算法的基础上,提出固定时窗累加和方法。分析四元定位阵形参数对定位精度的影响规律,根据外接圆半径最大和参考夹角最相符原则,从感知到声事件的传感器节点中选出位置最合理的节点组合,通过多次迭代得到定位结果。仿真结果表明,与现有分布式定位方法相比,该方法的定位精度提高约30%。
为消减超密集网络中小小区间的干扰,提出多点协作联合传输场景中一种以用户为中心的半动态分簇方法。对网络内的所有小基站进行不重叠分簇,将簇内的小基站及位于簇外但与该簇存在较大干扰的小基站作为用户的备选服务基站,采用迫零预编码消除备选服务基站中的非服务基站对用户的干扰,用户从备选服务基站中选出若干待选服务基站,簇头以最大化簇内用户吞吐量之和为目标从待选服务基站中为用户选择服务基站簇。同时给出一种次优的为用户选择服务基站簇的方法以降低复杂度。仿真结果表明,与相同场景中的已有方案相比,该方法明显提高系统吞吐量。
为解决社区结构发现算法功能社区与拓扑社区不一致的问题,提出一种基于边类型相似性聚类(TESC)的社区结构发现算法。该算法以局部拓扑特征与异质信息为目标进行节点聚类,基于节点邻接边类型构造网络节点之间的相似矩阵,从而获取边异质信息。在该相似矩阵的基础上,通过传统层次聚类的思想将相似度大的节点进行合并,进而利用轮廓系数优化社区数量,得到最终社区划分结果。选取社区结构已知的4个真实网络和6个人工合成基准LFR网络,通过与同质网络的GN、Louvain算法以及异质网络的Hete-SPAEM、Hetero-Attractor算法对比,结果表明TESC算法获得的社区结构更接近于网络实际社区结构。
无线传感器网络(WSN)在复杂的山地环境中进行节点定位时,节点部署稀疏会造成定位误差。为此,提出一种WSN节点三维定位算法。根据节点的稀疏程度,融合三维近似三角形内点测试(APIT)算法和DV-Hop算法预估未知节点位置,并搜索邻近节点形成平面,经过未知节点的坐标向平面作垂线,得到垂点坐标的平均值作为未知节点的最终位置。实验结果表明,与APIT算法、DV-Hop算法相比,该算法提高了节点定位精度。
为解决日益增长的数据流量给蜂窝网络造成的严重流量负载和网络拥塞问题,提出一种在机会网络下基于节点自私性和中心性的移动数据分流算法(SCDO)。蜂窝网络将数据直接传递给种子节点,种子节点利用节点移动带来的接触,将数据传递给其他请求该数据的节点。当某个节点到达延迟容忍时间仍未收到数据时,该节点可直接从蜂窝网络下载数据。通过对无分流时的蜂窝网络流量负载(cellular scenario)、随机选取10%的节点作为种子节点时的蜂窝网络流量负载(random scenario)以及SCDO选取10%的种子节点时的蜂窝网络流量负载3种方法进行对比,结果表明,SCDO相比cellular scenario和random scenario,时间延迟分别降低约48%和30%,数据分流量分别提高约20%和12%。
为提高分布式认知无线网络认知用户信道与功率分配算法的能量效率和收敛速度,将单位能量的平均比特数作为通信效率指标,平衡用户通信质量和系统能量消耗,提出一种基于多Agent协作强化学习的分布式信道与功率分配算法。在多Agent独立Q学习的基础上引入协作学习,各用户通过独立Q学习后,共享Q值并进行融合再学习。仿真结果表明,与基于能效的独立Q学习算法、独立Q学习算法以及随机功率分配算法相比,该算法能够有效提高认知用户发射功率和信道分配时的收敛速度。
在利用整数规划实现一般访问结构的秘密共享时,为简化访问结构、保证所有的整数规划都有解,提出一种将整数规划以直接构造的方式应用于一般访问结构秘密共享的方案。通过构建整数规划将秘密隐藏于目标函数的解中,并将约束条件作为秘密份额发送给参与者。参与者可通过共享秘密份额重构整数规划,并利用解方程组的方法找到目标函数的正确解,以恢复秘密。分析结果表明,与借助(t,n)门限的方案相比,该方案能实现所有的访问结构,无须采用传统方式求解整数规划和推导最大拒绝集,降低了计算复杂度。
R-ate是国密SM9标识密码算法中一种重要的双线性映射,其计算性能对SM9密码体制的应用至关重要。为提升R-ate双线性对的计算效率,提出一种快速计算算法。通过对BN曲线上R-ate双线性对的计算过程和其中涉及的逆运算原理进行分析,改变计算中同构映射的作用顺序,将大部分逆运算从大特征域转到小特征域,以降低逆元求解的计算损耗。以SM9的系统参数为计算实例进行实验,结果表明,该算法的运行时间低至1.8×105 ms。
为提高入侵检测效率,需要对数据进行特征提取以降低数据维度。结合信息增益(IG)和主成分分析(PCA),提出一种网络入侵检测方法。通过IG提取分类能力强的属性特征,利用PCA对其降维,并采用Naive Bayes进行分类检测。对数据集KDDCUP99进行测试,结果表明,该方法的检测率为94.5%,高于PCA-LDA、FPCA、KPCA方法。
无线信号的多径效应和时变性使基于接收信号强度指示(RSSI)的测量值波动较大,导致基于RSSI位置指纹的WLAN认证及攻击定位存在较大的误差。为此,提出信道状态信息(CSI)位置指纹的入网认证及攻击检测定位方案。通过正交频分复用技术获取细粒度CSI以描述位置信号特征,采用K-means优化初始聚类点算法处理数据,增强各位置信息间的差异性。在此基础上,构建基于CSI的位置地图,利用CSI位置指纹认证访问WLAN的用户身份,从而对认证失败的用户进行攻击检测和定位。在IEEE 802.11n通信标准测试中的结果表明,该方案的定位正确率高达98.12%。
为提高军用Ad Hoc网络的安全性与可靠性,提出一种分层的网络体系架构。基于时间戳的直接密钥交换签密(DKEUTS)方案,采用随机数替代时间戳,设计一种简化的基于随机数的签密(SRS)方案。根据不同层次节点的安全性需求以及通信和计算性能,选择DKEUTS方案或不同签密参数的SRS方案。通过网络割点判别,对网络连通度进行预测,重构网络拓扑,保障网络的可靠性。性能分析结果表明,该分层网络架构与安全协议可适用于节点非同构网络。
在无证书密码学体制中,公钥与持有者之间没有认证关系,可能产生恶意用户替换用户公钥的问题。为此,对无证书签名定义进行改进,提出一种可证安全的无证书短签名方案。方案的安全性基于Inv-CDH问题,并在随机预言机模型下给出完整的安全性证明,证明其在新敌手下的适应性选择消息攻击中抗存在性伪造。利用C语言实现此方案,并将其与经典短签名方案以及近年无证书短签名方案进行性能分析与比较。结果表明,在签名阶段该方案仅需1次倍点运算,在验证阶段需要2次倍点运算和2次双线性对运算,其签名长度短、运算效率高。
为提高社区检测的效率与精度,提出一种随机并行的局部搜索算法。用图模型结构表示复杂系统,将顶点划分成簇。构建贪婪随机自适应搜索过程与路径重连过程,以解决加权图的模块最大化问题。引入一种{0,1}矩阵类特征并定义聚类的距离函数,从而进行顶点的邻域搜索,实现社区的高精度检测识别。实验结果表明,该算法的F1值与NMI指标值均较高。
为了从网页中精确地提取正文内容,提出一种基于支持向量机(SVM)与DOM重心半径模型的算法。通过SVM对网页DOM节点集进行提取,得出文本块节点。根据网页链接信息和初次提取的文本块节点计算重心半径,利用重心半径模型进行二次精确提取,并给出相应的公式推导和超参数选取过程。实验结果表明,与统计抽取、FFT抽取等算法相比,该算法的准确率和提取效率较高,泛化能力较好。
句子对齐是将源文本中的句子映射到目标文本中对应翻译的过程。在神经网络的框架下,基于相互对齐的源端和目标端句子中包含大量相互对齐的单词,提出一种句子对齐方法。使用门关联网络捕获源端句子和目标端句子词对之间的语义关系,并通过语义关系来确定源端句子和目标端句子是否对齐。对非单调文本进行对齐评估,结果表明,该方法F1值达到93.8%,有效提高了句子对齐的准确率。
欠抽样方法在非平衡数据集分类时,未充分考虑数据分布变化对分类结果造成的影响。为此,提出一种基于聚类融合去冗余的改进欠抽样方法。采用聚类算法得到多数类样本高密度分布区域的聚类中心,将多数类样本划分为不同子集,通过计算各子集的相似度冗余系数对多数类样本进行去冗余删除,以达到欠抽样的目的。对15个不同平衡率的数据集欠抽样后,利用代价敏感混合属性多决策树模型进行分类。实验结果表明,在不降低非平衡数据集分类准确率的前提下,该方法能够提高少数类样本的正类率及预测模型的G-mean值。
协同过滤算法的用户评分与用户偏好之间可能存在偏差,导致推荐准确度降低。为此,提出一种基于归因理论的用户偏好提取算法。基于用户行为的一致性、区别性和正负偏好信息提取用户偏好。融合偏好相似性与评分相似性以获得更优的最近邻集合,计算用户对未评分项目的预测评分值。在通用数据集Movies Lens-1M上进行实验,结果表明,在10%偏好相似性与60%评分相似性的融合条件下,该算法的推荐准确度取得最优值,且优于传统协同过滤算法以及HU-FCF、BM/CPT-V等改进算法。
跨媒体检索方法多数将2个模态的原始特征映射到公共子空间,在子空间中执行跨媒体检索,忽略了判别特征的选择以及模态间的关系。为此,提出一种基于耦合字典学习和图形正则化的新型跨模态检索方法。通过关联和联合更新不同模态的字典,为不同的模态生成均匀的稀疏表示。将不同模态的稀疏表示投影到由类标签信息定义的公共子空间中,以执行跨模态匹配,同时对投影矩阵施加21范数项,选择特征空间的相关和辨别性特征。在此基础上,利用图正则化项保留模态间和模态内相似关系。实验结果表明,与典型相关分析方法相比,该方法跨媒体检索精度较高。
为充分利用历史知识,提高评分预测精度,基于终身机器学习(LML)机制提出一种同时挖掘用户评分和评论的推荐模型。在执行任务时积累知识并用于后续任务的训练,提高评分预测精度。在真实数据集上的实验结果表明,与无LML能力的模型相比,该模型预测评分的均方误差降低5.4‰,且随着知识的积累,误差不断降低,提高了主题词语分类的精度。