序列模式挖掘算法的分析与比较

序列模式挖掘是数据挖掘中一个非常活跃的研究主题.迄今为止,围绕算法效率这个主题,人们作了大量的工作.一方面,从算法的设计策略入手;另一方面在实现算法所采用的数据结构上做文章;也有的甚至通过对所挖掘的模式进行限制以达到提高算法效率的目的.并对目前已有的各种典型算法作了详细的分析与比较,而且做出了适当的评价.     

基于BERT-Encoder和数据增强的语法纠错模型

语法纠错是自然语言处理领域的重要任务之一，中文由于语法规则灵活复杂，中文语法纠错一直是一项具有挑战性的任务.本研究将中文语法纠错视为机器翻译问题，将错误的语句作为源语句翻译成正确的目标语句.使用Transformer模型作为基线纠错模型，首先，利用BERT学习到的参数初始化编码器(BERT-Encoder)使模型更好的收敛，然后，利用动态掩蔽作为数据增强方法，解决训练所需的带错误标注的平行语料不足的问题.使用MaxMatch Scorer作为评价指标，F_0.5相比基线模型提升了9.94%,实验结果表明该方法对模型纠错性能的提升具有有效性.     

基于RoBERTa-wwm-ext与混淆集的中文文本校对模型

中文文本自动校对技术是自然语言处理领域中的主要任务之一.针对中文文本中字粒度级别的错误(音似、形似和义似替换错误),提出一种基于RoBERTa-wwm-ext与混淆集的中文文本校对模型.该模型在RoBERTa-wwm-ext结构的基础上，利用transformer结构中的encoder机制读取整段中文文本序列，然后通过softmax函数计算当前字符权重分布来判断该字符是否错误，并在纠错任务中引入混淆集，使用混淆集找到该错字对应的候选字符，最后结合掩码语言模型给出的修改建议，完成文本校对.在SIGHAN2014与SIGHAN2015中文拼写检查数据集上，设计字粒度级别的中文文本校对实验，对比模型性能.实验结果表明，与当前主流的中文文本校对模型相比，该模型的中文文本校对效果表现更佳，文本校对的准确率、召回率、F1值均有所提升.     

无线传感器网络的路由攻击与防范

探讨无线传感器网络中的典型网络层安全漏洞及可能的攻击,分析各种解决方案的优缺点.     

传感器网络中一种考虑空间相关性的簇内多树路由协议

为了节省传感器网络WSN(wireless sensor networks)中节点之间的通信能耗和提高数据传输的可靠性,提出一种考虑空间相关性的簇内多树路由协议SCMTBRP.SCMTBRP考虑了路由建立时下一跳节点的能量、节点之间的能耗距离以及空间相关性等综合传输成本,在簇内节点和簇头之间建立以簇头为根的多路由树,节...     

IDSG:一种新的频繁序列挖掘算法

在研究已有算法的基础上提出了一种频繁序列挖掘算法IDSG.该算法通过在频繁项(而不是频繁项集,即无需先求出所有频繁项集)间建立关联图,并在垂直数据库表达的基础上,借助简单的时态连接得到频繁序列完全集.整个过程只需扫描原始数据库两遍,有效减少磁盘I/O.另外,优化策略的正确运用,有助于减少候选序列的个数.分析及实验表明,较之同类算法,算法IDSG在效率上有了明显提高.     

基于AlphaPose的行人重识别姿态评价方法

行人重识别旨在不同时间、不同摄像头拍摄范围中检索特定目标行人,在实际应用场景中,可能会存在行人被严重遮挡的图像,不仅不利于行人检测,还会消耗大量的时间.行人姿态检测可以通过定位行人关键点位置判断行人是否存在遮挡,因此,本研究提出在重识别检测之前,对行人姿态进行分析,提出一种基于AlphaPose的重识别行人姿态评价方法.首先,利用AlphaPose进行姿态检测,得到行人各个关键点的置信度;然后,利用各个关键点的置信度得到各个行人的姿态评分;最后,根据姿态评分结果筛选出多个测试集进行验证分析.利用torchreid框架在数据集DukeMTMC-reID及Market1501进行实验,实验结果表明,与初始测试集相比,筛选后的测试集检测效率明显提高,且mAP和rank-n值也有所提高.