摘要：为提高无线传感器节点的定位精度,降低定位能耗,提出一种基于鲸鱼优化算法和双移动锚节点的定位算法。使用两个移动锚节点按照设计的移动路径遍历整个部署区域,使用加权质心算法估算节点大致位置,使用鲸鱼优化算法提高定位精度。仿真结果表明,提出的路径比PP-MMAN、GTURN和GSCAN等其它使用多个移动锚节点的路径更短,降低了移动锚节点的能耗;所提路径规划算法配合使用鲸鱼优化算法的定位精度较高,受通信不规则度和测距误差的影响较小。

摘要：在影像学报告的生成中,由于正常区域和异常区域的数据不平衡,描述疾病的关键词经常被描述图像正常区域的句子掩盖,导致异常图像特征的误判和漏判,严重影响医疗报告的质量。本研究提出混合特征提取无卷积深度学习模型,首次将Swin Transformer引入放射学报告中,设计了一个混合特征提取器,以提取更加细粒度的图像特征,准确地捕捉生成影像学报告所需要的异常特征;设计一个名为视觉-语义协同注意力的注意力机制,在生成报告时突出图像重点特征信息,对非关键信息进行过滤,有效提升生成异常报告的质量;使用具有记忆机制的解码器模块生成影像学报告。最后,在流行的影像学报告IU X-Ray数据集上与当前的主流模型进行对比表明,本模型在语言生成指标和临床评估方面都达到较理想的效果。

摘要：推荐系统能够有效解决信息过载等问题,得到了国内外众多学者的广泛关注。真实世界中的应用场景往往可以建模成异质信息网络,因此基于异质信息网络表示学习的推荐算法成为了近年来的研究热点。然而,当前的研究工作仍然存在异质信息提取缺乏深度、节点的复杂关系发掘不充分等问题。为解决这些问题,文中提出了基于异质信息网络表示学习与注意力神经网络的推荐算法。首先,提出了保持语义关系与结构拓扑的异质信息网络表示方法;然后,设计了基于元路径的随机游走策略来获取异质信息网络中的节点序列,对序列过滤并生成用户和项目在不同元路径下的表示向量;最后,设计了基于注意力神经网络的推荐算法,将上述向量输入注意力神经网络,深入挖掘表示向量之间的关系以实现有效的推荐。在两个真实数据集上进行实验并与3种主流的算法进行比较,结果表明,所提算法在MAE与RMSE这2个推荐指标方面都有提升,最高提升了8.9%。

摘要：评价对象与观点内容的提取是观点挖掘中非常重要的任务。本研究提出了一个树结构长短期记忆网络(Tree LSTM)结合条件随机场(CRF)的联合模型抽取评价对象和观点内容。首先对评论句进行依存句法分析,根据句子的依存分析树构建Tree LSTM,并设计树结构下LSTM单元的计算方法;接着将Tree LSTM的输出作为CRF的输入进行序列标注,实现评价对象与观点内容的抽取。最后在SemEval Challenge 2014任务4的数据集上对模型性能进行了验证,评价对象和观点内容抽取结果的平均F1值在餐馆和笔记本电脑领域分别为86.76%、83.22%和79.86%、80.42%,优于现有的评价对象和观点内容抽取方法。实验结果表明,设计的Tree LSTM能很好地学习词语之间的层次关系,同时联合模型有效避免了传统CRF需要构建特征工程的弊端。

摘要：针对水下和低光图像存在的对比度低和颜色失真等情况,提出一种面向水下和低光图像的复原及增强方法。预处理操作,实现图像的复原;采用改进后的直方图均衡化方法,提高色彩的饱和度和图像的清晰度;运用卷积神经网络结合非二次采样轮廓变换(NSCT)技术,解决曝光问题,避免图像色彩退化和边缘细节减弱的发生。实验结果表明,该方法增强了图像的色彩饱和度,保留了图像的边缘细节,具有较好的视觉效果。

摘要：针对现有图像隐写模型存在网络训练不易收敛、梯度爆炸且生成样本质量差等问题,提出一种基于改进生成对抗网络的图像自适应隐写模型SWGAN-GP。将生成图像作为载体,使用HUGO自适应隐写算法进行信息隐藏;在损失函数中加入梯度惩罚,在网络结构中引入注意力机制,设置双判别器与生成器进行对抗训练。实验结果表明,该方法生成图像的IS值、PSNR值等均有提高,判别器分类效果明显改善。该模型可以提高收敛速度,使网络训练更稳定,载密图像更具安全性,有效抵御隐写分析算法的检测。

摘要：针对有特殊结构的文本,传统的文本分类算法已经不能满足需求,为此提出一种基于多示例学习框架的文本分类算法。将每个文本当作一个示例包,文本中的标题和正文视为该包的两个示例;利用基于一类分类的多类分类支持向量机算法,将包映射到高维特征空间中;引入高斯核函数训练分类器,完成对无标记文本的分类预测。实验结果表明,该算法相较于传统的机器学习分类算法具有更高的分类精度,为具有特殊文本结构的文本挖掘领域研究提供了新的角度。

摘要：针对影响力最大化问题中贪心算法时间效率低的局限性,提出基于拓扑势的影响力最大化算法。基于拓扑势理论,确定节点是“山峰”“山谷”和“斜坡”节点;启发式地选取加权度最大的k个“山峰”和“山谷”节点构成候选种子集;采用CELF(cost-effective forward)算法确定最优种子集,提高影响范围。实验结果表明,基于拓扑势的算法在Amazon数据集上比贪心算法的运行时间快了98%,在时间复杂度方面比其它传统算法更具优势。

摘要：为解决复杂非线性多通道心电信号识别问题,提出一种基于多通道多维度深度卷积神经网络的识别方法。将心电信号转换为灰度心电图像,构建一维与二维深度卷积神经网络分别提取心电信号的数值特征与心电图像的波形特征,基于迁移学习融合提取到的数值与波形特征,训练新的全连接层提取融合后的特征并使用Softmax完成分类。该方法使用波形与数值两种特征进行诊断,更加符合医生的诊断原则。结合实例,对算法进行了仿真分析,验证了该算法的可行性与有效性。

摘要：随着社交网络、科研合作网络和万维网等信息网络的不断发展,具有网络结构的数据呈现爆炸式增长。如何合理地表示网络中的特征信息已成为网络分析的关键问题。网络表示学习(又称为网络嵌入)旨在将网络中的组件(节点、边或子图等)表示成低维的稠密向量,同时最大程度地保留组件在原网络中的信息和属性。由网络表示学习方法得到的表征向量可进一步与机器学习算法相结合应用到网络分析任务中。近年来,网络表示学习得到了广泛关注,研究者们针对信息网络设计了不同的表示学习算法,在很大程度上推动了该领域的发展。本研究面向同构网络和属性网络,将近年来相关的网络表示学习工作进行了分类介绍,并对比了不同算法的优缺点。