摘要：Raptor码通过级联预编码可以很好地改善错误平层问题,但编译码的复杂度相对较高。为了降低级联Raptor码的复杂度,提出一种基于互信息最大化的Raptor码优化设计方法。该方法基于外部信息转移图的渐进收敛分析,从最大化互信息的角度出发,得到有限迭代次数约束下的校验节点度分布的数学模型。仿真结果表明,当译码迭代次数一定时,基于互信息最大化设计的Raptor码与码率最大化设计的Raptor码相比,具有更好的误码性能。

摘要：为了解决在线求职平台中大量求职数据和企业招聘数据之间的精准匹配问题,文章设计了一种基于互信息最大化的多视角协作学习算法,以特定的预测分析和分值计算模型为基础,提前对人岗的基础信息做基础训练,对冷信息做预测模型,对热数据做取向加权计算,以解决就业信息中人岗匹配精准度和速度性能的相悖性问题,并将算法成果应用到公共服务云平台的智能岗位推荐工作场景中。

摘要：近年来,对多变量时间序列的异常检测在各领域中逐渐突显出其重要性。然而,由于多变量时间序列的时空依赖性以及采集所存在的噪声干扰,使得模型学习到的分布与真实分布存在一定的偏差,进而影响检测性能。为了解决以上问题,提出一种结合对抗互信息的多变量时间序列抗噪异常检测模型(RADAM)。通过设计对比学习机制来达到多变量时间序列全局信息和局部信息的互信息最大化,以此来学习多变量时间序列的时间与空间依赖性;利用自适应权重和过滤器模块减少噪声样本对于训练过程的干扰,使模型在训练过程中具备较高的抗噪能力。在五个真实数据集上与六个先进的同类异常检测方法进行了对比实验,实验结果证明RADAM性能明显优于其他基线模型,说明RADAM能显著提升在包含噪声的多变量时间序列数据集上异常检测的准确度。

摘要：利用视频检测技术可以为长(特长)隧道提供丰富的交通运行参数,但由于隧道环境条件所限,目前视频检测技术在隧道内使用存在诸多问题。本文在对长(特长)隧道视频检测系统进行认真分析的基础上,提出将整个隧道视频检测作为一个大系统对象,综合提取其交通运行的参数,应用后台信息处理方法,以提高各检测参数的可靠性。