基于低秩双线性池化注意力网络的舰船目标识别

针对多模态舰船图像融合识别质量不高等问题，构建了一种端到端的低秩双线性池化注意力网络。首先对各模态原始特征向量基于跨模类别中心进行注意力加权重构，使不同模态特征更好地关注公共类别信息；然后采用双线性池化捕获不同模态图像的交互信息，并引入权重低秩分解降低网络参数规模；最后依靠特征级联实现模态信息的交互与互补，并设计联合损失提升网络跨模态融合识别效果。实验结果表明，相比现有融合方法，所提方法可有效提升多模态遥感舰船图像的融合识别效果，在公开的遥感舰船数据集上取得了较高的识别准确率。     

融入网络结构与社交习惯的不对称用户关系强度计算

伴随着大量用户内容的创建和交换,社交网络平台中产生了大规模的互动数据和复杂的用户关系,受到了越来越多研究者的关注.但是现有对关系强度研究多是从用户特征属性相似度和社交行为两方面进行,忽略了网络结构对关系强度的影响,且并未考虑社交行为存在的方向性和习惯性问题.基于此,本文提出了不对称的社交网络用户关系强度计算方法(DSTS-ATI),该方法融合用户特征属性相似度、网络结构连接强度、社交行为交互强度三个维度来综合计算用户关系.在计算网络拓扑结构连接强度时,不仅考虑了用户间邻居节点数,还考虑了邻居节点连接边数.社交互动行为发生的方向性和习惯性,会影响用户对关系强度的感知,因此本文计算出不同社交行为的贡献权重,从交互双方感知用户社交强度.实验证明,本文提出的不对称用户关系强度的方法能够提高用户关系强度预测的准确性,有助于微博意见领袖的发现和信息传播机制的研究.     

基于水军信任惩罚的多维用户影响力度量模型

社交网络用户影响力度量是意见领袖识别的必要前提,然而目前的度量模型忽略了多维影响因素以及水军群体对度量模型真实性的影响.为此本文从网络结构、交互行为和交互信息三个维度来分析整合相关的影响因素,基于LeaderRank模型构建多维用户影响力度量-MUI模型,并在水军识别的基础上构建信任惩罚模型,以修正MUI模型建立MUISTP模型,实现社交网络用户影响力的真实性度量.以新浪微博平台大规模实际数据进行实验分析结果表明,与FBI,LeaderRank和Generative Graphical模型相比,MUI模型识别出的意见领袖更为准确,且可以实现更为有效的信息扩散.此外,经过水军信任惩罚后MUISTP模型较MUI能够实现更为有效的意见领袖识别.     

多用户协同手势下触摸点用户归属问题研究

随着多点触摸交互技术的发展,大尺寸交互区下的操作是触摸屏未来发展的一个趋势,多用户协同手势的识别是支持其发展的一个关键技术;针对多用户协同手势识别中触摸点用户归属问题,提出区域划分、直接对象、主点作用域三种归类模式,避免了多用户触摸点之间的交叉影响,将触摸点区分到不同的用户手势中,为后续根据手势信息进行下一步的手势识别提供了可靠的依据;最后给出三个实例验证方法的有效性,并采用用户问答方式对其交互性和效率进行了统计和分析。     

基于多种社交关系的概率矩阵分解推荐算法

随着社交网络的发展,社会化推荐算法得到普遍应用,现有的推荐算法往往只是将一种社交关系引入到推荐系统,但在现实社交网络中用户之间往往存在多种社交关系。基于多子网复合复杂网络模型,利用共享用户特征矩阵,提出了基于多关系社交网络的矩阵分解推荐算法。通过在Epinions数据集上的实验结果分析,准确率评价指标MAE、RMSE和NMAE分别提高了34%、27%和7%,由此可以证明,多关系社交网络的矩阵分解推荐算法能有效提高推荐准确率。     

基于信任和不信任关系的实值受限玻尔兹曼机推荐算法

在社交网络与电子商务快速融合的背景下,将基于信任关系的推荐技术应用于电子商务领域实现个性化推荐已得到广泛研究.现有推荐算法鲜有考虑用户间不信任效应,导致社交信任度量过于保守,较大地影响了推荐系统准确性.针对现有推荐算法忽视不信任关系导致的非对称效应缺陷,本文提出一种结合信任和不信任的实值受限玻尔兹曼机推荐算法(TDA-RBM),首先建立个人受限玻尔兹曼机,进而运用用户社交行为特征信息分析用户信任与不信任关系并进行度量,在此基础上构造信任-不信任监督机制并用于TDA-RBM方法的优化,同时对该方法的有效性进行分析.通过Epinions数据进行的对比实验表明了TDA-RBM方法的有效性以及不信任关系的引入能有效提高推荐准确性.     

基于多视角特征融合的移动信息服务模式挖掘

大量移动手机应用(Apps)存在重叠性功能特征,大量用户评论和多个标签,给市场机会发现、开发应用集成和应用选择带来困扰.本文提出基于文本挖掘和相似度网络融合的移动信息服务模式挖掘框架:基于功能描述文本、用户评论、分类标签分别构建个体相似度网络;将从不同信息视角得到的相似度网络进行非线性融合;用聚类验证融合网络有效性,将其用于发现不同移动信息服务模式.最后实验抓取2451个Apps,多视角特征融合方法克服数据水平差异和噪音,集成互补信息.融合结果用于聚类,在归一化互信息和准确率指标上都有显著提升,准确发现地图导航、火车汽车票、打车专车、公交查询等主流移动信息模式.研究成果为发掘市场机会和竞争者提供事实证据.     

多尺度特征融合车辆检测方法

针对传统的车辆目标检测算法检测精度低,小尺度目标识别效果差等问题,提出了一种基于YOLOv4(you only look once v4)算法的目标检测方法,以提升对交通场景小目标车辆的检测性能。通过对YOLOv4网络进行再设计,使用MobileNetv2深度可分离卷积模块代替传统卷积,将CBAM(convolutional block attention module)注意力模块融合到特征提取网络中,在保证模型检测精度的同时减少模型参数。采用PANet-D特征融合网络融合获取到4个尺度特征图深浅层的语义信息,增强对小目标物体的检测能力。通过使用Focal loss优化分类损失函数,加快网络模型的收敛速度。实验结果表明,改进后的网络识别准确率达到96.55%,网络模型大小较原YOLOv4网络降低了92.49 M,同时检测速度比原网络提升了17%,充分证明了本算法的可行性。     

融合多关系的矩阵分解社会化推荐算法

在现实的社交网络中,用户之间往往存在多种关系,而现有的社会化推荐算法都只考虑一种关系对推荐结果的影响。基于多子网复合复杂网络模型,将用户间的多种社交关系引入用户特征矩阵,提出了基于多关系的矩阵分解社会化推荐算法。通过对2个真实数据集上的实验结果分析,发现加入多种社交关系的矩阵分解社会化推荐方法比传统的矩阵分解算法在推荐准确率方面有显著提高。     

基于YOLOv5的舰船目标及关键部位检测算法

为进一步提升对可见光图像中水面舰船目标的检测识别成功率,提出一种基于YOLOv5的舰船目标识别算法。使用基于随机池化方法的空间金字塔池化网络,运用双向特征金字塔网络进行多尺度特征融合,采用指数线性单元函数作为激活函数加快网络训练收敛速度,提升算法鲁棒性,从而实现了对水面舰船目标和舰船关键部位的快速准确识别。通过在舰船目标及其关键部位数据集上实验验证,对比多个经典目标检测方法,在识别准确率上均有不同程度提升,对比原YOLOv5s模型,平均精度均值提升3.03%,速度提升2 FPS,模型保持了YOLOv5轻量化的特点,在应用部署上有良好前景。     

微博信息扩散的空间分析

为揭示信息扩散的空间特征,利用新浪微博数据,研究了中国地级市间的微博信息扩散,并利用重力模型,研究了影响城际信息扩散的因素。研究表明,少数一二线城市呈现信息寡占型,主导微博内容的输出和扩散。对城际信息交互模型的分析发现,用户数在很大程度上影响了城际信息扩散,城市总GDP也可预测城际信息交互,空间距离则不再发挥作用,微博中的信息扩散打破了物理距离的限制。该研究揭示了线上社交网络与线下物理空间的映射关系以及社交媒体中信息的城际扩散特征,可为空间位置相关的信息发布和网络舆情监控提供借鉴。     

多用户虚拟场景的EAI实现

EAI是VRML与JAVA程序之间交流事件信息的界面，使用该技术可以实现用户之间的交互，本文介绍了用EAI和JavaApplet控制VRML对象，实现交互的方法，提出一种在因特网上实现多用户虚拟场景的框架，允许多个用户相互沟通，同时与虚拟场景进行交互。     

社交网络异质信息投资者市场演化及其规律

通过引入双因素交互机制和参照依赖优化过程,构建出社交网络环境下的异质信息交易模型.根据投资者的不同社交环境特性,分别使用Watts-Strogatz小世界网络和Modified Barabási-Albert网络来模拟线下和线上社交网络环境,并进行了市场仿真.研究表明:在无社交,线下社交,线上社交环境中,投资者不购买信息仅靠搭便车获利的难度依次增加了.社交环境中投资者的私有信号向社交圈内公众信号转化,引发不完全信息下决策的羊群效应,从而形成比无社交环境低且波动更剧烈的市场效率.相比于线下,线上环境中私有信号的进一步转化使得市场效率也随之进一步降低.社交网络环境下投资者需要支付更高的信息成本来弥补交互所致的低市场效率;线上比线下环境效率更低,支付的成本也更高.     

移动商务中融合签到位置与用户间相似性的兴趣点精准推荐

向位置频繁变化的移动用户进行精准推荐,如何提高推荐准确性,已经成为一个理论研究与实践中的热点与难点问题.针对于此,本文提出了面向移动社交商务的精准用户兴趣点推荐模型--MRGR.首先,利用用户的历史签到信息,通过改进核密度估计对兴趣点进行预测;其次,进一步考虑到用户间的签到相似性,使用信息熵定量表示用户移动的随机性和不确定性;最后,融合地理位置信息与用户间相似性,精准推荐用户兴趣点,并在Foursquare数据集上进行验证.实验结果表明:与传统模型相比,提出的模型在准确预测用户兴趣点的同时,可以有效缓解数据稀疏性和冷启动问题,并在准确率和召回率上都取得了显著的提高.成果将为移动商务中,如何更好满足企业的精准推送与用户个性化需求提供有力的技术支持和决策服务.     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

面向应急管理的大图重要节点中介度高效近似计算方法

社交网络中的重要节点对于信息的传播效率有着至关重要的作用,也是近年来的研究热点问题.同时,随着新媒体时代手机、微博、微信等新兴媒介日益变快的信息传播速度,政府部门和企业已经逐渐认识到通过识别社交网络中的重要节点对于管理和控制社交网络中的信息传播,在面向应急的非常规突发事件数据获取与分析中,有着举足轻重的作用.新媒体时代也扩展了人们社会活动的信息容量与交换速度,以MapReduce为代表的分布式计算系统在应急管理的大规模社交网络数据分析中也变得越来越普遍.为了便于应急管理中的信息传播控制,针对应急管理中大规模社交网络图上重要节点识别的关键问题,本文提出了一种新颖的基于轴节点选择策略的大图重要节点中介度近似计算方法和原型系统,并通过模拟数据和真实数据(包含一个连续六个月的真实社交网络数据集)进行了验证.实验结果表明,该方法能非常有效地找出社交网络上的重要节点,对于应急管理中的信息传播控制有着重要的作用.     

基于通信域和雷达域融合特征的无人机集群类型识别算法

目前已有无人机类型识别算法仅通过通信域或雷达域的信号特征实现单个无人机类型的识别，存在识别准确率低等问题。提出了一种基于通信信号和雷达信号融合特征的无人机集群类型识别算法。首先，提取集群通信信号的高阶累积量和瞬时特征统计量，并融合雷达航迹特征构建无人机集群特征矩阵。其次，提出一种改进的特征选择算法—二次筛选的近邻成分分析，对融合特征矩阵进行降维。最后，利用稀疏自编码器网络进行集群类型的识别。仿真结果表明，该算法显著降低了集群特征矩阵的维度(仅为原始矩阵维度的27%),同时在信噪比为0 dB时，对5种集群类型识别的正确率可达88%。     

特征观点对购买意愿的影响:在线评论的情感分析方法

网络口碑是影响消费者购买行为的因素之一,在线评论中的各种评价信息会改变用户对产品质量的感知,进而影响购买意愿.不同产品特征对用户购买意愿的影响程度各不相同.为此,结合情感分析技术,构建计量经济模型,分析产品特征评价与用户购买意愿的关系,能够识别产品特征的重要程度.首先对产品特征进行抽取和降维,提取"特征一观点对".然后依据信息增益的思想,计算特征的信息增益.利用情感分析技术识别情感极性及其强度,结合产品特征的信息增益,建立产品特征评价对用户购买意愿的计量经济模型,得到产品特征重要度的量化方法.对亚马逊网站上386款数码相机进行持续39个月的跟踪,实证结果表明,对数码相机产品特征的重要度识别高于TF-IDF算法以及HAC算法.研究结果建立起产品特征与用户购买意愿的联系,为网络口碑营销提供了理论依据.     

用户行为驱动的在线社交网络建模

基于节点威望和节点相似性这两个驱动在线社交网络连接形成的潜在机制,从用户连接行为入手,本文提出一个在线社交网络生成模型.采用优先连接刻画网络无标度特性;从微博好友推荐机制建模节点趋同性.该网络模型考虑了社交网络形成的一些重要驱动因素,如同质性和聚类性.从网络连接的微观交互中寻求刻画网络宏观特性的连接机制是本文研究的出发点.模型有力刻画了在线社交网络的统计特性,如度分布、聚类系数、度相关性.结果表明节点威望吸引和节点相似性是在线社交网络结构形成的内在机理.     

基于卷积神经网络的低空风切变类型识别

针对激光雷达低空风切变信号图像的类型识别问题,提出了一种基于深度卷积神经网络(deep convolutional neural network,DCNN)的多层特征提取及自适应融合算法。该方法可以有效解决网络逐层训练过程中信息丢失的问题。首先,采用DCNN提取低空风切变信号图像的各层网络特征,并将各特征进行L2范数标准化实现同趋化。其次,将其以多通道图像形式输入单层CNN进行自适应融合,将融合特征送入支持向量机进行分类识别。结果表明,采用所提算法进行低空风切变图像类型识别的平均识别率为98.1%,与其他4种算法相比均有提升。所提算法能更有效地实现低空风切变信号图像类型识别。