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：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：针对服装建模过程中,需要反复修改衣片来获得令人满意的虚拟服装模型以及计算复杂度高的问题,提出一种基于多控制点的衣片网格局部变形方法。该方法首先建立衣片网格模型,然后利用Open GL的选择模式移动服装关键点,进而得到边界控制点,利用控制点对衣片网格模型进行局部变形,最后对衣片建立受力模型,通过虚拟缝合、碰撞检测以及纹理映射建立三维服装模型,展现服装整体效果,得到多样的服装模型。实验结果表明,由于在算法中不需要重新网络化,故具有较低的计算代价,同时也使得到的服装模型更加多样化。

摘要：为提高图像伪造内容的检测精度,对向量点积耦合相似聚类的图像伪造检测算法进行研究。利用Forstner检测算子提取图像的特征点,将特征点作为中心,建立不同步长的同心圆区域,以30°角为步长构建角度盘,求取梯度累计直方图,改进SURF生成特征向量的过程,输出特征描述符;求取特征描述符之间的余弦,形成向量点积,构造双阀值匹配机制,完成特征点的匹配;利用归一化互相关函数,度量特征点的相似性,根据其相似度完成特征点的聚类。仿真分析结果表明,与当前图像伪造检测算法相比,所提算法具有更高的检测效率与精度。

摘要：目的几何活动轮廓模型的标志性模型C-V模型及其改进LBF模型受到关注,然而这两个模型对初始轮廓曲线较强的依赖性使得模型在实际图像目标分割中表现出不稳定性或具有较高的时间复杂性。本文在对C-V模型及LBF模型的原理及对初始轮廓曲线的依赖特性进行分析的基础上,提出一种基于双重轮廓演化曲线的图像分割水平集模型。方法所提出模型的主要过程如下:1)通过设置内、外两条轮廓线,使模型在演化过程中分别从目标的内部和外部向目标边界逼近,两条轮廓线的设计原则简单,其分别位于目标的外部和与目标有重叠;2)两条轮廓线的演化走向是通过在模型中设置相关项自动控制的,即演化过程中通过最小化内、外轮廓之间的差异来自动控制两条轮廓曲线的演化趋向,使之同时从目标的内部和外部向目标边界逼近,并逐渐稳定于目标的边界。结果所提出的模型通过设置内部能量泛函项,避免了对符号距离函数的重新初始化;通过采用全局化的正则函数,增加了模型对复杂异质区域边界的捕捉能力;通过采用内、外轮廓线同时演化机制,避免了模型对初始轮廓线的过依赖性。结论所提出的模型很好地解决了传统基于区域的分割模型对轮廓曲线初始化的过依赖问题,对初始轮廓线的设置较为简单且具有较强的鲁棒性,对图像目标的分割较为准确和稳定。

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：为缓解类不平衡问题对预测模型性能的影响,提出一种基于聚类的欠采样集成方法 CBUE(cluster-based undersampling ensemble method)。对多数类进行聚类分析,根据聚类的结果分布(即每个簇的大小比例)有放回地选择N个多数类的子集,N个子集分别和所有的少数类实例组成N个新的训练集;根据N个训练集训练出N个分类器,按照少数服从多数的原则生成一个新的集成分类器对新的数据进行预测。CBUE以NASA数据集作为评测对象,以balance、G-mean和AUC为评测指标,实验结果表明,该方法在大部分情况下要优于5种经典的基准方法 (ROS、RUS、SMOTE、RF和NB)。

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。