随着汽车工业的快速发展,车载环境成为人们日常生活中最重要的私人空间之一。同时,随着车载设备的增多,车载服务也日益丰富,然而大多数车载服务都是针对大众而设计的,缺乏个性化支持。通过车载环境下的用户建模,可以使车载环境成为以用户为中心的个性化空间,从而为用户提供个性化车载服务。车载服务的一个关键目标是提高用户的行车安全,它与用户的驾驶行为息息相关。因此,对用户驾驶行为的建模是车载环境下用户建模的一个重要组成部分。对车载环境下的用户建模进行了研究,提出并实现了用户驾驶行为的建模方案,并在其基础上构建了个性化车载服务。

随着眼动跟踪技术的日益成熟,面向终端用户的视线输入产品问世,视线交互(Gaze-based Interaction)的实用性越来越高。然而,由于眼睛并不是与生俱来的控制器官,用户界面中无论动态或静态的各种视觉反馈,在视线交互过程中都可能干扰用户的眼动,从而影响视线输入(视点坐标)。因此,通过两个视线点击(Eye Pointing)实验,从视点的空间分布特征和视线交互的人机工效两个方面,系统地评估了目标颜色因素对视线交互的影响。结果表明,目标颜色这类静态视觉反馈虽然不影响用户凝视目标时视点坐标的稳定性,但的确会对用户的眼动扫视过程造成显著影响,从而影响视线点击任务的人机工效。特别是在视线移动距离较长的情况下,这种影响更为明显。

图像检索系统是用户导向的。根据用户意图的不同,检索结果的离散度对用户的体验有着不同的影响。一些情况下,用户希望得到的是“类而不同”的结果。当前以关键字为基础的检索系统并不能很好地捕捉到用户的意图。因此,新的交互内容——缩放比例被引入检索系统,以消除用户的意图与检索结果离散度之间的隔阂,使用户根据自己的意图直接调整检索的结果。首先得到检索系统返回的图像,之后计算图像间的视觉与语义的相似度,再利用层次聚类得到聚类树,最后通过得到用户直接调节的缩放比例,来控制聚类树展开与否。对于每棵展开的子树,选择在原检索结果中拥有最小索引值的节点作为代表。

最近几年可穿戴设备发展迅速,各种样式和用途的可穿戴设备大量出现。然而这些可穿戴设备大多都是独立工作的,设备与设备之间鲜有联系。为此提出了一个以智能手机为中心的、支持个人范围的和人与人之间的设备的协同模型。基于该模型设计并实现了Scudware Mobile移动中间件,该中间件运行于智能手机上,可以汇聚智能手机和可穿戴设备的数据和服务,且以开放授权机制开放给用户,实现了数据和服务的协同。在Scudware Mobile移动中间件的基础上实现了MobileTrace足迹记录器应用,验证了Scudware Mobile移动中间件的可用性。

燃气涡轮机已被广泛运用于现代工业中,其跳闸事件的发生将产生巨大的经济损失,因此,对燃气涡轮机的跳闸事件进行预测有重要的经济意义。然而,燃气涡轮机跳闸的预测研究是一个崭新的领域,研究成果非常有限,且缺乏数据驱动的预测方法和理论研究。从数据的预处理开始,研究了从数据的归一化、特征选择到特征值选择、特征值粒化等系列问题,并从各个角度设计了Elman神经网络的预测模型实验,对实验结果进行对比,得到了一系列建立并改善数据驱动的Elman网络跳闸预警系统的方法和有益经验,以供其他相关研究参考。

语音情感识别是语音处理领域中一个具有挑战性和广泛应用前景的研究课题。探索了语音情感识别中的关键问题之一:生成情感识别的有效的特征表示。从4个角度生成了语音信号中的情感特征表示:(1)低层次的声学特征,包括能量、基频、声音质量、频谱等相关的特征,以及基于这些低层次特征的统计特征；(2)倒谱声学特征根据情感相关的高斯混合模型进行距离转化而得出的特征；(3)声学特征依据声学词典进行转化而得出的特征；(4)声学特征转化为高斯超向量的特征。通过实验比较了各类特征在情感识别上的独立性能,并且尝试了将不同的特征进行融合,最后比较了不同的声学特征在几个不同语言的情感数据集上的效果(包括IEMOCAP英语情感语料库、CASIA汉语情感语料库和Berlin德语情感语料库)。在IEMOCAP数据集上,系统的正确识别率达到了71.9%,超越了之前在此数据集上报告的最好结果。

Hadoop是一种开源可靠的分布式计算框架,而MapReduce是处理超大规模数据集的编程模型。鉴于Hadoop内置的调度器不能很好地处理类别不同且有截止时间的作业的调度,提出了一种基于作业类别和截止时间的作业调度算法。作业分为CPU密集型和I/O密集型,并根据截止时间设置优先级来实现作业的调度。实验结果表明,该算法在充分利用集群的CPU和磁盘I/O的同时,能满足作业的截止期需求,当同一时间段内截止时间相近时算法达到最优,当某一队列中作业截止时间均比另一种队列短时,算法效率最低。

基于SIFT算法的遥感图像配准精度高、稳定性强,但图像幅宽大、提取特征点数量多使得配准过程耗时长。提出了一种高分辨率遥感图像配准的并行加速方法。该方法在特征点提取时利用GPU实现了高斯金字塔建立过程中的并行加速,并对提取出的大量特征点使用共享内存来进行局部极值高速缓存,降低了特征点提取所需的运算时间；同时通过分块处理以及OpenMP多线程技术实现了特征点匹配及仿射模型计算过程的CPU并行处理。实验表明:本方法相对于传统的SIFT算法平均加速3倍,并且对于固定大小的图像,本方法的特征点提取时间和特征点个数具有线性关系,加速比随着提取出特征点数量的增加而增大。

年龄是人固有的生物特征,随着年龄的变化,人脸特征也不断变化。近年来基于人脸图像的年龄估计方法的研究不断深入。基于人脸图像的年龄估计主要有两个阶段:特征提取和估计方法。针对以上两个阶段,分别提出相应的方法。在特征提取方面,为了更好地描述年龄变化,特别是针对未成年人,引入了方向梯度直方图(Histogram of Oriented Gradient,HOG)特征,并将其与局部二元模式(Local Binary Pattern,LBP)特征进行融合；在估计方法方面,提出了软双层估计模型, 其采用由粗到细的策略。首先,在第一层将人脸分成“未成年人”与“成年人”两类；然后,在第二层通过在两类的边界设置重叠区域,分别对其建立年龄估计模型,以对第一层的错误分类进行补救。通过实验发现,融合的特征具有更强的年龄判别性,同时,软双层模型也进一步提高了年龄估计的准确度。

随着智能移动设备的发展和普及,空间定位技术不断成熟,基于位置的社交网络(Location-based Social Network,LBSN)得到了广泛应用。大量用户在LBSN签到,以及针对签到进行的评论不仅记录了用户的时空行为轨迹,也为研究用户行为模式和特征偏好提供了巨大的机会。提出一种基于LBSN签到数据的商业店铺选址推荐系统,首先分析用户在LBSN上的签到时间、签到地点、签到商铺类型3个方面的特征；然后提出4个影响商铺选址的因素:多样性、竞争性、相关性和客流性；最后实现商业选址推荐系统,并根据选址因素生成最优候选。并以此为基础进行相关实验来验证推荐结果,结果符合相关预期。

复杂路网拓扑的自动生成建立在道路提取和交叉路口识别的基础之上,是智能交通控制和自动导航服务等领域的研究热点之一,基于浮动车或出租车的GPS轨迹可以反映交通路网的拓扑结构。为此,提出了一种基于GPS轨迹的道路拓扑生成方法,即在无道路地图辅助的情况下,该方法基于大规模GPS轨迹,能够快速提取路口交叉点,自动构建具有地理位置信息的拓扑结构和计算相邻路口的网络距离。实验结果表明,该方法能够提取出各个道路交叉点并建立各点之间的拓扑关系。在提取主干道路拓扑实验中,在设置路宽为55米的情况下提取路口交叉点的正确率达到了87.08%,各路口之间的平均网络距离误差率为8.87%,并且能够正确地得到交叉点之间的连通关系。

在对基因微阵列数据的特征选择和分类的研究中,粗糙集理论是一个可以消除冗余基因的有效工具。但是传统的粗糙集模型不能很好地处理连续型数值数据,而离散化方法可能会导致信息的丢失。为此,提出了一种基于相交邻域粗糙集模型的属性约简算法,即将传统粗糙集中的距离邻域扩展为相交邻域,采用基于集合的方式来定义近似,以此构建粗糙集模型。在癌症数据集上进行实验,结果表明基于集合近似和相交邻域的粗糙集模型可以取得较好的分类效果,并且通过对选择出的基因进行GO术语分析,进一步证明了该模型的有效性。

现有的半监督聚类集成方法能利用先验信息,使集成的准确性、鲁棒性和稳定性得到提高,但在集成阶段加入成对约束信息时,只考虑了给定的约束信息而忽视了约束点与被约束点的邻域点之间的关系。针对此问题,提出了一种基于数据相关性的半监督模糊聚类集成方法。该方法首先利用半监督模糊聚类算法建立集成信息矩阵,并将其转换为相似性矩阵；然后,利用已知的约束信息及约束点与被约束点的邻域点之间的关系来修改相似性矩阵；最后,利用图划分算法得到最终的聚类结果。真实数据上的实验结果表明,提出的方法可以有效提高聚类质量。

关联规则挖掘搜索给定数据集中反复出现的数据模式,找到它们之间的相关性。分析了经典Apriori算法存在的时空效率低的缺点和数据形式对算法效率的影响。提出一种基于动态散列和事务压缩技术的改进,动态应用散列技术减小候选频繁项集的规模和数据库扫描次数,应用事务压缩技术缩小数据库中事务量的长度和总数,从而提高了算法的时间空间效率。与Apriori算法进行的比较验证了新算法的正确性与效率。

目前,云计算环境具有动态、异构和海量多类型任务并发等特征,随着集群规模不断增大、用户QoS不断增多,现有调度算法越来越难以适应动态变化的环境及满足用户的需求。针对Hadoop平台下现有调度器不能根据作业运行状态和资源使用情况进行动态调整的问题,提出了Hadoop下基于作业分类的动态调度算法。该算法在使用朴素贝叶斯分类算法对队列中作业进行分类的过程中,根据各个作业的类型,预先设定类别权值,将队列中的作业分类,并引入效用函数,根据用户提交时的预期完成时间QoS和作业完成情况估算其作业完成时间,实现动态设置作业优先级。实验表明,使用提出的算法不仅能有效减少 作业的分类时间,而且能明显提高 动态性和用户QoS。

形式概念分析是知识获取的一种有效工具,已被广泛应用到各个领域。从序形式背景出发,首先利用优势关系作为标准尺度,将序形式背景转化成单值形式背景；其次利用原有单值背景的差别矩阵给出单值背景的约简,进而得到基于优势关系的序形式背景的约简及属性特征的判定定理；最后将基于优势关系的序形式背景的约简与序信息系统的约简进行比较。

决策表属性约简是粗糙集理论中的重要问题,经典决策表属性约简方法从保持论域划分能力的角度出发,选择最优条件属性约简集。从决策属性与条件属性的相关性角度出发,将决策表属性约简思想与传统统计学中的对应分析方法相结合,提出了一种量化决策属性与条件属性之间依赖关系的度量,称为投影区分度,并基于此发展了一种决策表属性约简算法。最后用简单实例说明了该方法的正确性。

越来越多的笔式设备通过增加笔倾斜输入来提高其输入能力。但在直接输入设备和间接输入设备上执行笔的倾斜操作时,由于操作环境和视觉反馈的不同,往往会导致操作性能产生差异。本研究以探索笔倾斜输入在直接设备和间接设备上的性能差异为目的,以实证手段考察在两种设备上获取不同角间距下的不同笔倾斜目标时的操作速度、稳定性和准确性,讨论导致直接设备和间接设备笔倾斜性能不同的原因,并提出适用的角间距和倾斜目标位置。实验结果表明,在直接设备和间接设备上操作笔倾斜角时,在操作速度上直接设备优于间接设备,但在稳定性和准确性上,间接设备优于直接设备。20°的角间距对两种设备来说都呈现较好的性能,若需要在更小角间距内完成目标选择操作,在间接设备上的效果更好。最后,对两种设备的用户使用习惯进行了总结,为基于笔倾斜角的用户界面设计提供了帮助和参考。

通过在决策序信息系统中引入证据理论,提出一种基于粗糙集的证据获取与合成方法。利用证据信任度计算近似条件概率分配,根据属性重要度和证据支持度计算权重,然后用合成公式对近似条件概率分配进行合成,得到决策。

近年来,深度学习框架和非监督学习方法越来越流行,吸引了很多机器学习和人工智能领域研究者的兴趣。从深度学习中的“构造模块”入手,主要研究自编码器的表达能力,尤其是自编码器在数据降维方面的能力及其表达能力的稳定性。从深度学习的基础方法入手,旨在更好地理解深度学习。第一,自编码器和限制玻尔兹曼机是深度学习方法中的两种“构造模块”,它们都可用作表达转换的途径,也可看作相对较新的非线性降维方法。第二,重点探究了对于视觉特征的理解,自编码器是否是一个好的表达转换途径。主要评估了单层自编码器的表达能力,并与传统方法PCA进行比较。基于原始像素和局部描述子的实验验证了自编码器的降维作用、自编码器表达能力的稳定性以及提出的基于自编码器的转换策略的有效性。最后,讨论了下一步的研究方向。

天文图像配准是研究天体运动的一项关键技术,图像内部结构往往存在轻微的不规则运动。但是图像配准涉及到计算整个图像的变换关系,在此情况下,无论是采用基于统计特征还是基于局部特征的配准方法,都难以取得理想的效果。为此,提出基于信息熵与SIFT算法的天文图像配准方法。该方法首先需对图像进行均匀分块并计算每块熵值,以熵值最大者作为配准的局部子图,然后通过尺度不变特征变换(Scale Invariant Feature Transform,SIFT)及仿射变换建立变换关系,继而利用局部子图变换关系完成图像的配准。该方法一方面能缩短变换关系的建立时间,另一方面能保证图像中信息熵最大区域配准,有效提高天文图像配准质量。

快速、准确和全面地从大量互联网文本信息中定位情感倾向是当前大数据技术领域面临的一大挑战。文本情感分类方法大致分为基于语义理解和基于有监督的机器学习两类。语义理解处理情感分类的优势在于其对不同领域的文本都可以进行情感分类,但容易受到中文存在的不同句式及搭配的影响,分类精度不高。有监督的机器学习虽然能够达到比较高的情感分类精度,但在一个领域方面得到较高分类能力的分类器不适应新领域的情感分类。在使用信息增益对高维文本做特征降维的基础上,将优化的语义理解和机器学习相结合,设计了一种新的混合语义理解的机器学习中文情感分类算法框架。基于该框架的多组对比实验验证了文本信息在不同领域中高且稳定的分类精度。

在实际的自动人脸识别系统中,输入的识别图像往往在表情、分辨率大小以及姿态方面呈现出多种变化。现在很多方法尝试通过线性或局部线性的映射来寻找由这些变化共享的统一的特征空间。利用由受限玻尔兹曼机(RBM)堆叠成的深度神经网络来发掘这些变化内在的非线性表达。深度网络能够学习高维数据到低维数据的映射关系,并且有助于提高图像分类和识别的性能。同时,为了实现在一个统一的深度框架下同时进行特征提取和识别,在网络的顶层增加了一个监督的回归层。在预训练阶段,通过训练集中不同姿态、不同表情以及不同分辨率的图像对网络进行初始化。在微调阶段,通过网络的输出与标签之间的差 并利用标准反向传播的方法 对模型的参数空间进行调整。在测试阶段,从测试库中随机选择一幅图像,获得统一空间下的特征向量。通过与参考图像库中的所有特征向量进行对比,利用最近邻域的方法识别人脸身份。在具有丰富表情以及大姿态变化的CMU-PIE人脸数据库上进行了全面的实验,结果表明,提出的方法取得了比最新的局域线性映射(或局部线性)的人脸识别方法更高的识别率。

社交媒体的快速发展使得人们越来越关注有影响力的用户的行为及其对他人的影响作用。有一些研究也致力于解决社交媒体用户社会影响力的度量问题。但是选取的度量标准一般都涉及微博数、粉丝数等全局性指标,而没有考虑到用户在不同的领域范围内所具有的影响力大小是不同的,所以对用户影响力的度量比较笼统、不具体。以嘀咕网在线用户数据为对象,对用户发布的信息内容进行领域分类,并提出领域影响力的概念及度量方法。经过验证,该方法可以很好地度量用户在不同领域的影响力。研究发现粉丝数等这类度量维度与用户领域影响力不成正相关的关系。

提出了由两个完备形式背景构造不完备形式背景的方法。基于完备形式背景公理化的方法得到了近似概念格的公理组,并给出了近似概念格的构造方法,其发展了不完备形式背景下近似概念格的理论。

随着互联网中Web服务数量急剧增加,如何从大量候选服务中快速、动态地选择出满足用户QoS需求的服务组合是亟待解决的关键问题。提出一种基于离散粒子群智能优化算法的DDPSO算法,以解决动态Web服务组合问题。首先引入Skyline技术来剔除冗余候选服务,以降低服务选择时空开销。其次针对PSO易陷入早熟收敛状态,使用Trimming Operators保证粒子群多样性,增强全局搜索能力。最后通过真实数据集和随机数据集的大量仿真实验验证了本算法的可行性和有效性。

逻辑函数是描述数字电路中输入变量与输出变量之间逻辑因果关系的重要工具,研究逻辑函数的约简具有重要的理论和实际意义。针对计算机化简逻辑函数普遍存在的算法复杂度高、运算速度慢的问题,将粒计算思想与启发式搜索相结合来约简逻辑函数。首先将逻辑函数转化为最小项之和的表达形式,按照粒度由粗到细的次序,在不同粒度下的知识空间中利用吸收律和最小项之间的统计信息求取信息粒,当所有信息粒对应的最小项覆盖论域时,算法结束。算法由MATLAB编程实现。通过计算实例和算法复杂度分析证明了算法的快速性和有效性。

经典的信息系统可看作是一种特殊的格结构。从格的角度给出了知识约简和协调集的概念,借助粗糙集的思想定义了一对新的上下近似算子,并在此基础上通过定义可辨识集,给出了约简和相对约简的判定定理。这种表示更深层次地揭示了知识的本质,将知识约简的已有相关结果做了进一步拓广。

针对典型的支持向量机增量学习算法对有用信息的丢失和现有支持向量机增量学习算法单纯追求分类器精准性的客观性,将三支决策损失函数的主观性引入支持向量机增量学习算法中,提出了一种基于三支决策的支持向量机增量学习方法。首先采用特征距离与中心距离的比值来计算三支决策中的条件概率；然后把三支决策中的边界域作为边界向量加入到原支持向量和新增样本中一起训练；最后,通过仿真实验证明,该方法不仅充分利用有用信息提高了分类准确性,而且在一定程度上修正了现有支持向量机增量学习算法的客观性,并解决了三支决策中条件概率的计算问题。

在覆盖空间中,利用元素的最小描述并结合条件概率的概念,将经典多粒度粗糙集进行拓展,提出了3种条件概率描述下的多粒度覆盖粗糙集模型；研究了模型的一些基本性质,指出它们是一些已有多粒度覆盖粗糙集模型的泛化形式；最后探讨了几种模型之间的关系。