显著区域检测是计算机视觉中非常活跃的研究方向,其应用领域极为广泛。如何快速准确地找到图像的显著区域尚未形成完整的理论体系,且与具体应用密切相关,对研究人员来说仍是一个富有挑战的课题。 对显著区域检测技术进行了综述。首先深入讨论了自底向上和自顶向下的显著区域检测方法,对方法进行了归类,并对典型方法进行了梳理；其次讨论了算法的评价标准和目前流行的显著性评测数据库；最后对目前存在的问题进行了总结,给出了未来的研究方向。

针对社会网络中存在较多以度中心节点为中心并且具有多社区重叠节点的网络社区结构,提出了一种面向度中心性及重叠网络社区的两阶段发现算法。第一阶段发现初始社区:选取度最大的Top-k个节点作为候选中心节点,并将每个节点与其邻居节点形成候选初始社区,其中如果某候选社区与已形成的初始社区的重叠度低于阈值,则形成一个新的初始社区；第二阶段调整社区划分:通过偏离度机制进行调整,将偏离度最大值对应的节点划分到连接紧密的相应社区内,形成最终社区划分。实验表明,该方法不仅能够揭示网络中以某个节点为中心的密集的社区结构,还能有效处理初始社区不同程度的重叠问题。相比现有算法,所提方法对预先输入的候选初始社区数k值不敏感,并具有较高的准确性和灵活性。

由于股价走势与技术指标走势存在不一致性,基于技术特征的股价态势预测算法效果不佳。从特征背离角度提出了一种股价态势预测算法(Deviated Characterisitics Predict Algorithm,DCPA),该算法首先进行背离特征的提取,并计算特征的背离程度,然后根据特征的背离程度值和股票的收盘价利用BP网络进行股价态势预测。由于当市场风险偏好高时特征背离与股价态势之间相关性很弱,因此在DCPA算法的基础上提出了一种风险偏好的股价态势预测算法(Risk Preference Based Deviated Characterisitics predict Algorithm,RPDCA)。首先提取与风险偏好相关的特征,利用风险偏好计算模型获得当前的市场风险偏好类型；进而利用贝叶斯网络学习风险偏好、背离特征与股价走势之间的关系,并利用结点非对称信息熵分析风险偏好与背离特征之间的依赖关系；最后根据风险偏好与背离特征之间关系的变化,自适应性地利用BP网络预测股价态势。在实际数据上的实验比较与分析结果表明,RPDCA算法在股市短期预测中具有更高的预测精度。

针对面向车联网应用的云计算平台的高能耗问题,提出一种采用节能整合策略的能耗感知调度算法——任务集整合算法(Task Set Consolidation Algorithm)。该算法的主要思想是通过减少活跃物理服务器的数目,有效降低云平台的能量消耗。建立了云平台模型、车联网任务集模型和能耗模型,确定了云平台的节能目标函数和变量因子。仿真实验通过模拟多维资源多并发任务集的云平台环境,以物理服务器的活跃时间和活跃数目、云平台的能量消耗作为性能指标,将任务集整合算法与现有算法进行了比较。实验结果表明,TSC算法能够在避免任务集资源发生冲突的情况下,使面向车联网应用的云平台激活的物理服务器数量达到最少,能耗降到最低。

孪生支持向量机(TWSVM)的研究是近来机器学习领域的一个热点。TWSVM具有分类精度高、训练速度快等优点,但训练时没有充分利用样本的统计信息。作为TWSVM的改进算法,基于马氏距离的孪生支持向量机(TMSVM)在分类过程中考虑了各类样本的协方差信息,在许多实际问题中有着很好的应用效果。然而TMSVM的训练速度有待提高,并且仅适用于二分类问题。针对这两个问题,将最小二乘思想引入TMSVM,用等式约束取代TMSVM中的不等式约束,将二次规划问题的求解简化为求解两个线性方程组,得到基于马氏距离的最小二乘孪生支持向量机(LSTMSVM),并结合有向无环图策略(DAG)设计出基于马氏距离的最小二乘孪生多分类支持向量机。为了减少DAG结构的误差累积,构造了基于马氏距离的类间可分性度量。人工数据集和UCI数据集上的实验均表明,所提算法不仅有效,而且相对于传统多分类SVM,其分类性能有明显提高。

音节是泰语构词和读音的基本单位,泰语音节切分对泰语词法分析、语音合成、语音识别研究具有重要意义。结合泰语音节构成特点,提出基于条件随机场(Conditional Random Fields)的泰语音节切分方法。该方法结合泰语字母类别和字母位置定义特征,采用条件随机场对泰语句子中的字母进行序列标注,实现泰语音节切分。在InterBEST 2009泰语语料的基础上,标注了泰语音节切分语料。针对该语料的实验表明,该方法能有效利用字母类别和字母位置信息实现泰语音节切分,其准确率、召回率和F值分别达到了99.115%、99.284%和99.199%。

协同过滤推荐算法由于其推荐的准确性和高效性已经成为推荐领域最流行的推荐算法之一。该算法通过分析用户的历史评分记录来构建用户兴趣模型,进而为用户产生一组推荐。然而,推荐系统中用户的评分记录是极为有限的,导致传统协同过滤算法面临严重的数据稀疏性问题。针对此问题,提出了一种改进的嵌入LDA主题模型的协同过滤推荐算法(ULR-CF算法)。该算法利用LDA主题建模方法在用户项目标签集上挖掘潜在的主题信息,进而结合文档-主题概率分布矩阵和评分矩阵来共同度量用户和项目相似度。实验结果表明,提出的ULR-CF算法可以有效缓解数据稀疏性问题,并能显著提高推荐系统的准确性。

针对现有机器学习算法难以有效提高不均衡在线贯序数据中少类样本分类精度的问题,提出了一种基于主曲线的不均衡在线贯序极限学习机。该方法的核心思路是根据在线贯序数据的分布特性,均衡各类别样本,以减少少类样本合成过程中的盲目性,主要包括离线和在线两个阶段。离线阶段采用主曲线分别建立各类别样本的分布模型,利用少类样本合成过采样算法对少类样本过采样,并根据各样本点到对应主曲线的投影距离分别为其设定相应大小的隶属度,最后根据隶属区间削减多类和少类虚拟样本,进而建立初始模型。在线阶段对贯序到达的少类样本过采样,并根据隶属区间均衡贯序样本,进而动态更新网络权值。通过理论分析证明了所提算法在理论上存在损失信息上界。采用UCI标准数据集和实际澳门气象数据进行仿真实验,结果表明,与现有典型算法相比,该算法对少类样本的预测精度更高,数值稳定性更好。

为了降低直觉模糊集在推理过程中需要同时考虑隶属度和非隶属度两方面运算的复杂性,提出了一种基于真值支持度的直觉模糊推理方法,研究了强真度、真值支持度及其相关性质,并将强真度和真值支持度引入到推理中,给出真值支持度的直觉模糊推理算法及计算步骤,并以具体算例验证了该方法的正确性和有效性。

受到Tierney的序列稀疏子空间聚类方法的启发,提出了一种新的基于顺序特性的子空间聚类方法。该方法先通过提升小波变换处理得到信号的低频信息；然后通过强调相邻样本之间的连续性来设置特殊的惩罚项,并根据噪声的大小自动调节惩罚因子；最后过滤系数矩阵中一些小的干扰系数。在人工合成和实际应用的数据集上的实验结果表明,与当前最具代表性的几种稀疏子空间聚类方法相比,所提方法具有较好的实验效果。

为使模糊Petri网能够描述可变模糊隶属判据下的模糊知识,利用基准变换能较好地表达模糊隶属判据可变情况的特点,基于定性映射和定性基准变换对模糊Petri网进行了扩展,给出了扩展后网模型的形式定义和基本运行机制。通过利用定性映射描述模糊产生式规则,给出了一种新的知识表示模式和推理方法,新方法有利于构建模糊Petri网基于认知的学习机制。结果显示,该网模型具有较强的知识表达能力,适用于处理认知模糊不确定性知识,其推理过程能体现某些认知特性,尤其适用于构建以定性判断为特点的智能系统。

量子游走具有与经典随机游走不同的特性,因此它已经被用来解决包括元素区分、组合优化、图同构等问题。考虑量子游走和聚类两个领域,提出了一个基于一维三态离散量子游走的聚类算法。在该算法中,将数据点看作游走粒子；然后,这些粒子执行三态量子游走,接着根据粒子的测量结果更新数据点的属性值；最后,属于同一簇的数据点将会聚集,而属于不同簇的数据点将会分离。仿真实验结果表明了所提算法的有效性。