摘要：针对基于二部图的概率传播(ProbS)模型以优化推荐列表的精确度为目标,而忽略了推荐多样性的问题,提出了改进的概率传播(iProbS)模型.iProbS将项目得分预测过程分解为资源的3步传播过程,每步传播包含传播概率和传播损耗.设计传播概率时,考虑的因素是用户评分;设计传播损耗时,则分别考虑了项目的度、用户熵和邻居项目.通过在2个常用数据集MovieLens和Netflix上的大量不同实验,证明了iProbS算法在推荐准确率、推荐整体多样性、推荐个体多样性以及销售平衡4个方面均比ProbS模型性能更好.最后按不同的推荐步骤分析了iProbS算法的计算复杂度.

摘要：在实际的应用中,无线传感器网络常常由大量电池资源有限的传感器节点组成.如何降低网络功耗,最大化网络生存时间,是传感器网络拓扑控制技术的重要研究目标.随着传感节点的运行,节点的能量分布可能越来越不均衡,需要在考虑该因素的情况下,动态地调整节点的网络负载以均衡节点的能耗,达到延长网络生存时间的目的.该文引入博弈理论和势博弈的概念,综合考虑节点的剩余能量和节点发射功率等因素,设计了一种基于势博弈的拓扑控制模型,并证明了该模型纳什均衡的存在性.通过构造兼顾节点连通性和能耗均衡性的收益函数,以确保降低节点功耗的同时维持网络的连通性.通过提高邻居节点的平均剩余能量值以实现将剩余能量多的节点选择作为自身的邻居节点,提高节点能耗的均衡性.在此基础上,提出了一种分布式的能耗均衡拓扑控制算法.理论分析证明了该算法能保持网络的连通性.与现有基于博弈理论的DIA算法和MLPT算法相比,本算法形成的拓扑负载较重、剩余能量较小的瓶颈节点数量较少,节点剩余能量的方差较小,网络生存时间更长.

摘要：轻量级分组密码的安全性分析越来越倾于向自动化和智能化的方向发展.目前基于深度学习对轻量级分组密码进行安全性分析正在成为一个全新的研究热点.针对由美国国家安全局在2013年发布的一款轻量级分组密码SIMON算法,将深度学习技术应用于SIMON3264的安全性分析.分别采用前馈神经网络和卷积神经网络模拟多差分密码分析当中的单输入差分多输出差分情形,设计了应用于SIMON3264的6~9轮深度学习区分器,并比较了2种神经网络结构在不同条件下的优劣.通过对前馈神经网络和卷积神经网络的7轮深度学习区分器向前向后各扩展1轮,提出了针对9轮SIMON3264的候选密钥筛选方法.实验结果证实:采用128个选择明文对,可以成功地将65535个候选密钥筛选在675个以内.这说明基于深度学习的差分区分器相比传统差分区分器需要更少的时间复杂度和数据复杂度.

摘要：提出一种毫米波大规模多输入多输出(MIMO)系统中基于几何均值分解(GMD)的混合预编码方案.通过GMD处理将信道分解为等增益的子信道,以简化编解码复杂度.在此基础上,推导出基于GMD的系统频效优化目标函数解析式;然后根据基追踪原理和最小二乘法分别设计模拟预编码和数字预编码;最后通过相应的优化算法得到系统频效的优化解.数值仿真结果表明,提出的基于GMD的混合预编码方法与正交匹配追踪的方案相比,能明显降低系统编解码复杂度,并提高系统频效.

摘要：为了解决图像情感分析中存在的情感鸿沟和大的类内方差问题,提出了一种可以同时利用视觉模态和文本模态之间的深度潜在关联、视觉模态的深度线性判别和图像中层语义融合的弱监督方法.利用多模态深度网络结构找到一个视觉模态和文本模态之间最大深度关联且视觉模态具有深度判别性的潜在嵌入空间,并在该潜在空间中将文本的语义映射特征迁移到图像的判别性视觉映射特征中;结合注意力机制,设计涵盖潜在空间中映射特征的注意力网络,用于情感分类.在真实数据集上的实验结果表明,所提出的方法获得了更好的情感分类准确率.

摘要：针对无线传感器网络中使用RSSI测距技术的定位算法精度不高与锚节点使用过多导致成本较大的问题,提出一种基于多功率移动锚节点的无线传感器网络节点RSSI定位方法,针对SCAN移动模型的共线性问题,设计一种锚节点的移动模型。使用单个多功率移动锚节点在区域内修正RSSI值,采用卡尔曼滤波对接收的信号强度值进行平滑处理,使其更接近真实值,用修正权值因子的三角加权质心算法定位待测节点的坐标。仿真结果表明,该算法在降低定位成本的情况下有效修正了接收的信号强度值,相对基于RSSI的加权质心算法提高了6%-7%的定位精度。

摘要：为增强hash函数的安全性,提出将哈希函数随机化的观点。将传统确定的哈希函数替换成随机的哈希函数,随机函数具有多种具体形式,在运算的时候通过消息确定随机函数的具体形式,哈希函数的破译者不知道消息,无从得知哈希函数的具体形式而很难破译。提出一些哈希函数的设计新原则,论证基于随机函数的哈希函数满足这些原则,相对于确定的哈希函数具有很好的安全性,对潜在的新型攻击方法进行分析,提出设计的思路,防止这些攻击方法。

摘要：为了改善广泛使用的广度优先证书路径构造算法在工作时缺乏灵活性的缺点,利用古典概率模型的思想设计了一种描述证书权威(certificate-authority)的选择因子的计算方法,并将其应用于证书路径构造算法。针对多种不同信任模型的实验结果表明,选择因子的使用使得新算法相较于广度优先算法减少了节点测试数量,且提高了针对多种潜在实际应用状况的灵活性。

摘要：设计了一种基于主题与连接的局部社区划分算法。该算法结合节点的主题相似度和连接相似度,综合计算节点间的相似度。同时算法采用局部思想,避免了寻找初始的中心节点。此外,该算法引入了局部模块度作为社区划分的结束判断条件。该算法被应用到参与"海地地震"相关话题讨论的Twitter微博用户数据集上,并与单纯基于链接、单纯基于主题以及基于主题和链接的社区划分算法在同样数据集的划分结果进行对比,结果表明:从纯度和熵的评估角度看,本文算法更具优越性。

摘要：集成测试是软件测试过程中不可缺少的步骤,针对在集成测试中如何对系统中的类合理排序的问题,国内外研究者提出了多种生成类集成测试序列的方法,然而他们大多没有将测试桩复杂度作为评估测试代价的指标.针对该问题,提出面向类集成测试序列生成的强化学习研究方法,以总体测试桩复杂度为评价测试代价的指标,生成测试代价尽可能低的类集成测试序列.首先,定义强化学习任务,根据任务设定算法的追求目标;其次,进行程序的静态分析,根据分析得到的结果计算测试桩复杂度;然后,将测试桩复杂度的计算融入奖励函数的设计中,为选择下一步动作提供信息和依据;最后,通过奖励函数反馈值函数,通过值函数的设定保证累计奖励最大化.当智能体完成规定训练次数,系统会选择获得最大累计奖励值的类集成测试序列进行输出,即为我们追求的测试代价尽可能低的结果.实验结果表明,与现有方法相比,在以总体测试桩复杂度为评价指标时,提出的方法结果更优.