摘要：社交网络链路预测旨在根据已知的网络信息预测未来的链接关系,在推荐系统和合著网络中具有重要作用.然而,现有链路预测算法往往忽视社交网络的多元演化特点,训练时间复杂度较高,限制其执行效率.针对上述问题,文中提出基于多演化特征的社交网络链路预测算法(Multi-evolutionary Features Based Link Prediction Algorithm for Social Network,MEF-LP).首先,设计一种简单高效的时间极限学习机模型,利用门控网络和极限学习机自编码器传递与聚合社交网络快照序列的时间信息.然后,构建多个深度极限学习机,对时间特征进行多角度映射,挖掘社交网络不同的演化特征,并最终融合成综合演化特征.最后,使用基于极限学习机的分类器完成链路预测.在6个真实社交网络上的实验表明,MEF-LP能合理学习社交网络的多演化特征,并获得较优的预测性能.

摘要：随着移动终端尤其是工业互联网技术的快速发展,终端设备密集分布,无线带宽有限,经常导致业务过程中的集中式云资源调度,难以满足远程终端应用对低时延和低成本计算的需求.着眼于本地服务器联动云数据中心,边缘计算为这类移动应用提供了一种敏捷的计算服务模式.虽然边缘计算的敏捷服务模式能够有效缩短移动应用的时延并降低对应的通信成本,但在边缘计算环境下,异构资源之间的任务卸载经常会导致一些潜在的数据安全隐患和服务质量受损.针对上述应用挑战和技术发展趋势,本文提出了一种基于联盟链的可靠边缘计算任务卸载方法 .该方法利用联盟链进行身份校验和卸载结果反馈,以任务的完成时间、卸载成本与资源可靠度作为评价标准,设计了一种基于遗传算法的卸载策略,支持卸载决策时任务卸载的可靠性评估.实验结果表明,本文方法能在满足时延约束的前提下提高任务卸载的可靠性,为移动智能应用提供了一种有效的数据安全保障方法.

摘要：增量式运动恢复结构(ISfM)已成为无人机影像三维重建的关键技术。然而,大数据量、大重叠度和高分辨率的无序无人机影像导致的匹配对检索代价大、迭代优化误差累积和效率低的问题,使其难以满足大场景ISfM处理需求。本文提出联合全局描述子和图索引的无人机影像并行化SfM方法。针对影像特征数量大、影像检索编码本尺寸增加导致的匹配对检索效率低的问题,设计了联合全局描述子和图索引的高效影像检索方法,从而加速影像匹配。针对分块并行化SfM子场景合并存在同名点搜索效率低、内存消耗大、合并解算精度低的问题,设计了基于按需匹配图和双向重投影误差的子场景合并方法,实现无人机影像的并行化SfM重建。利用不同场景、不同采集方式获取的真实无人机影像进行试验,结果表明本文方法能够实现36~108倍加速比的匹配对检索,ISfM重建效率达到30倍加速,且相对定向和绝对定向精度与传统方法相当。

摘要：高维数据的子空间聚类是无监督学习领域的热点研究问题,其难点在于寻找恰当的子空间以及其中的数据簇。大多数现有的子空间聚类算法均存在计算复杂度高和参数选择难的缺陷,这是因为在高维数据中子空间的组合数量很大,算法的执行时间非常长,且不同数据集和应用场景需要不同的参数设定。为此,提出了基于子空间的I-nice(简记为sub-I-nice)聚类算法用于识别高维数据中子空间内数据簇的个数。首先,该算法将原始数据维度随机划分成多个维度组,根据维度组生成子空间样本;接着,使用最新的I-niceMO算法对每个子空间数据进行聚类;最后,采用新设计的球模型对所有子空间的基聚类结果进行集成。在含有噪声的高维仿真数据集上对所提出的sub-I-nice算法进行了详细的性能验证,实验结果表明sub-I-nice算法相比其他3种代表性聚类算法有更好的准确性和鲁棒性,从而证实了其合理性和有效性。

摘要：观测点分类器(OPC)是一种试图通过将多维样本空间线性不可分问题转换成一维距离空间线性可分问题的有监督学习模型,对高维数据的分类问题尤为有效。针对OPC在处理大数据分类问题时表现的较高训练复杂度,在Spark框架下设计一款基于大数据的随机样本划分(RSP)的分布式OPC(DOPC)。首先,在分布式计算环境下生成大数据的RSP数据块,并将它转换为弹性分布式数据集(RDD);其次,在RSP数据块上协同式地训练一组OPC,由于每个RSP数据块上的OPC独立训练,因此有高效的Spark可实现性;最后,在Spark框架下将在RSP数据块上协同训练的OPC集成为DOPC,对新样本进行类标签预测。在8个大数据集上,对Spark集群环境下实现的DOPC的可行性、合理性和有效性进行实验验证,实验结果显示,DOPC能够以更低的计算消耗获得比单机OPC更高的测试精度,同时相较于Spark框架下实现的基于RSP模型的神经网络(NN)、决策树(DT)、朴素贝叶斯(NB)和K最近邻(KNN),DOPC分类器具有更强的泛化性能。测试结果表明,DOPC是一种高效低耗的处理大数据分类问题的有监督学习算法。

摘要：针对儿童在大型室内场所容易出现的走失问题,基于常见的智能设备,设计了一种实时预警与追踪的室内儿童防走失系统。系统由家长端和儿童端两部分组成。家长端以智能手机作为平台,通过分析WiFi信号强度和传输数据,具备实时监测、预警与位置指引功能。儿童端则使用智能手表或智能手环作为携带设备,通过对内置传感器采集的数据进行分析,能够对儿童的位置和活动信息进行估计。实验结果表明,系统能够准确地判断和预警儿童可能走失的情形,进而对儿童进行快速定位与追踪,为解决室内儿童走失问题提供了一种有效的解决方案。

摘要：在气候变化和城市化的双重驱动下,人口稠密、经济发达的城市地区的洪涝问题日趋严重。气候变化背景下城市暴雨洪涝研究既是全面认识和理解气候变化影响的重要内容,也是降低灾害风险、减轻灾害影响的实际需要。从探究方法和技术手段的角度,综述了气候变化下极端降水特征、城市暴雨洪涝和城市洪涝韧性3个方面的国内外主要研究成果;系统归纳了气候变化下城市暴雨洪涝变化趋势的诊断方法、技术手段,关注气候情景设计、洪涝评估模型;阐述了气候变化下城市洪涝韧性的理念与实践,总结了韧性定性、定量评估方法;指出了气候变化下城市暴雨洪涝研究面临的主要挑战及关键技术难题,提出了未来研究的重点方向,如加强对气候变化与城市化双重驱动下极端降水、复合洪涝时空演变特征及其形成机理的研究,提高人工智能模型对气候变化背景下洪涝模拟的准确性和可解释性,深化城市洪涝韧性中概念框架、定性定量方法以及不确定性的探讨等。

摘要：分布式光伏发电功率预测在保障电网运行安全和就近消纳方面发挥着重要作用,为提升分布式光伏发电功率预测精度,提出一种基于多元气象的特征提取方法和基于残差连接的多模型融合的光伏发电功率预测模型.在特征提取时,引入统计、交叉、周期信息、近似熵和光伏板温度等特征提取方法,实现对时间、气象和发电功率的深层特征提取,丰富模型的输入.在模型构建时,建立基于残差连接的多层模型融合方法,首先提出基于k最近邻(k-nearest neighbor,kNN)的softmax回归预测模型,其次设计3层模型整体结构,并通过残差连接和多层堆叠的方式融合多个预测模型,持续提升光伏发电功率预测精度.基于电力公司真实数据,采用本研究方法与随机森林(random forest,RF)、TabNet和极端梯度提升(extreme gradient boosting,XGBoost)等模型,对光伏发电功率进行预测.结果表明,所提模型在均方根误差、平均绝对误差、均方误差和平均绝对百分比误差等方面可分别降低0.1097、0.0591、0.0507和0.0368,拟合优度可提升0.0804.基于多元气象的特征提取方法和基于残差连接的多模型融合的光伏发电功率预测模型能有效提升分布式光伏发电功率预测的精度和稳定性.

摘要：运行时安全性保障方法旨在系统运行过程中确保安全性属性得到满足.基于单工(simplex)架构的运行时安全性保障方法能够在使用复杂且安全性未经验证的控制器的情况下,为系统提供安全性保证.其基本思想是将复杂且安全性未经验证的复杂控制器与经过严格形式化验证的安全控制器相结合,前者工作在无安全风险的情况下,若检测发现系统存在潜在的安全风险,则通过决策模块完成复杂控制器与安全控制器之间的切换,从而确保系统的安全性.本文重点关注基于simplex架构的信息物理系统运行时安全性保障方法,从simplex架构决策模块的设计、改进与拓展,以及simplex架构的应用3个方面展开研究,对相关工作进行了梳理和总结,指出当前面临的技术挑战,并展望未来的发展方向,认为基于simplex架构的运行时安全性保障方法将会是解决智能信息物理系统安全性保障问题的有效途径之一.

摘要：协同过滤是在线推荐系统最重要的组成模块之一,为实现面向用户的个性化广告投放功能提供了关键的技术支持。然而,在协同过滤系统的具体实现中,研究者却不加区分地对所有目标用户都使用相同的训练流程。较之“个性化的预测结果”的预期,上述“一般化的训练过程”使得结果模型相对于待预测的目标过于普适,缺乏必要的针对性。本文提出一个“以个性化的训练过程得到个性化的预测结果”的协同过滤预测模型(MORE):对给定的目标用户,MORE将使用弹性网络模型(Elastic Net),从现有的用户全集中选出若干用户构成与之对应的“专家”集合,并基于目标用户与专家已有的评分,生成对目标用户的缺失评分的预测。本文报告了MORE在不同的协同过滤预测模型上的应用结果,在真实评分数据集上的实验结果表明,较之使用全量数据训练得到的预测模型,基于MORE的模型有更好的表现。