摘要：针对大多数学业预警方法忽略了学生社交行为对于学业的影响,且存在数据不平衡问题和长尾分布问题,提出一种基于虚拟节点策略的自监督对比学业预警模型(SCEW)。通过图神经网络对学生成绩、学生社交行为进行融合得到联合图嵌入;利用虚拟节点策略缓解数据不平衡问题的影响;基于自更新策略,采用节点级对比学习将自监督学习集成到网络的训练中,缓解长尾分布问题的影响。在真实数据集上的实验结果表明,SCEW模型的性能优于现有的主流方法。

摘要：神经网络已成为金融时间序列预测的一个有力工具,但有些设计因素对神经网络的预测效果有很大的影响,这些因素包括输入变量选择、网络的结构和训练数据量。提出了基于预报-校正方法的神经网络预测模型,并对不同大小的训练集的影响进行了实验研究。结果发现大的训练集有更好的预测效果,且该方法的预测精度要普遍高于单一神经网络所能达到的效果。

摘要：为缓解在数据稀疏情况下,推荐性能降低的问题,提出一个基于融合评分数据和文本数据的混合推荐模型。采用词级注意模块从项目内容描述和用户评分中学习项目的隐藏特征,使用一种门控神经网络对获得的隐藏特征进行更有效的特征融合,采用集成邻域注意力和自动编码器的学习框架对用户的偏好进行建模。采用基于新的全局采样策略优化相关损失函数,提供更加精准的推荐服务。实验结果表明,该推荐模型优于主流先进推荐模型。

摘要：由于边缘反走样区域的相邻索引不具备等值关系,调色板编码的预测效率有限,因此文中提出基于边缘反走样决策和多方向模板的自适应预测编码方法.引进Pitteway面积加权的边缘反走样决策,设计8个4-邻域方向预测模板.利用2D线性相关模型建模待预测索引与4个参考像素之间的相关性.采用最小二乘法为每个方向模板计算一组预测权重系数,自适应地学习显示适配器的边缘反走样算法,实现索引图预测编码.实验表明,文中方法预测准确率较高,能够增强调色板编码在边缘反走样区域和复杂边缘区域的自适应预测能力.

摘要：提出一种基于跨层交互的自适应协作差错控制策略,包括距离感知的中继选择和支持区分服务的服务质量(QoS)保障机制.链路层采用混合自动重传请求(HARQ),物理层采用自动重传请求(ARQ),根据数据包传输特性建立马尔可夫链模型,感知性能进行中继选择;根据应用业务的多样性QoS需求,确定最佳差错控制方案.仿真实验和数学分析结果表明,所提策略与传统ARQ和HARQ、协作ARQ和HARQ相比,在确保无线传感器网络传输高可靠性的同时缩短了时延并获得了较高吞吐率和能量效率.

摘要：通过将来自多条链路的数据包融合为一个单独的编码信息流进行传输,网络编码技术能够显著地提高无线多跳网络的容量。提出一种基于区分服务的异构无线传感器网络编码协议(DBNC)。协议的核心思想是周期性地计算节点剩余能量的均值和标准差,对节点进行动态分类。在此基础上,将服务质量需求映射到网络编码协议中。为此,引入能量感知编码包转发机制,以高效地利用节点的能量;另一方面,设计多优先级数据包调度策略,目的是创造更多的编码机会。仿真结果表明,DBNC不仅可以保障数据的可靠传输,而且可有效地减少低能量节点的能耗,从而延长网络的生命周期。

摘要：针对3G/WLAN网络中移动终端能量局限带来的无线网络资源浪费问题,提出了一种终端能量感知的动态负载均衡机制。利用自适应能量感知模型,对终端当前剩余能量可用时间做出近似估算。结合终端的运动状态及网络服务能力,有选择性的将WLAN中的低能量终端用户业务链接切换到3G网络中,缓解网络中的局部热点,提高网络资源有效利用率。仿真结果表明,该机制能够显著降低网络中各个无线接入点的工作负荷,有效减少了拥塞发生的概率。