用户驾驶行为建模的研究和应用
摘要：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。目标颜色对视线交互的影响研究
摘要：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。图像检索系统中的缩放功能
摘要：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。Scudware Mobile：支持可穿戴设备协同的移动中间件
摘要：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。基于声学特征的语言情感识别
摘要：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。高分辨率遥感图像配准并行加速方法
摘要：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。基于LBSN的商业选址推荐系统的研究与实现
摘要：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。一种基于GPS轨迹的道路拓扑生成方法
摘要：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。一种基于动态散列和事务压缩的关联规则挖掘算法
摘要：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。Hadoop平台下的动态调度算法
摘要：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。直接和间接的笔倾斜输入性能对比
摘要：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。深度学习中的自编码器的表达能力研究
摘要：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。基于深度网络的多形态人脸识别
摘要：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。嘀咕网用户领域影响力研究
摘要：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。分布式网络测量中测量节点的智能选择算法
摘要：大规模网络结构复杂,需要有针对性的网络监测方法。测量节点的自动选择必须在测量代价和覆盖范围之间进行权衡。合理地测量节点选择,能在获取全网性能状况的同时,有效减少测量给待测网络带来的带宽占用和软硬件资源消耗的影响。以最小化测量节点数量为目标,选择蚁群算法作为测量节点自动选择的基本算法,并通过对基本算法进行改进和创新,可形成一种针对分布式网络测量的测量节点智能选择算法。基于加权子空间投影的谱估计器分辨力研究
摘要：针对常规子空间类算法在低信噪比、小快拍数情况下分辨力差的问题,分别对信号和噪声子空间提出加权投影算法来加以改善。对于信号子空间,采用主特征值与噪声功率之差的倒数对其特征向量加权;对于噪声子空间,将导向矢量在噪声子空间正交基各元素上的投影值作为权值,对正交基各元素加权。仿真实验表明,这两种算法能有效降低信源分辨的信噪比和快拍数门限,在低信噪比与小快拍条件下具有较好的分辨力和测量精度。基于自适应倒谱距离的强噪声语音端点检测
摘要：在有噪声干扰的情况下,传统的语音端点检测方法的检测准确度明显下降。为了在强背景噪声环境下有效区分出语音信号和非语音信号,针对倒谱距离端点检测方法进行了研究,提出了一种基于自适应倒谱距离的强噪声语音端点检测方法。本方法引入倒谱距离乘数和门限增量系数,针对不同信噪比采用不同的倒谱距离乘数,并采用自适应判决门限的方法进行语音端点检测。MATLAB仿真实验结果显示,在不同背景噪声和不同信噪比下,本方法对于语音端点检测具有较高的检测正确率,其端点检测效果明显优于传统端点检测方法,适用于强背景噪声下的端点检测。3G网络中移动视频质量评估模型的研究
摘要：随着3G网络技术的不断发展和广泛应用,移动视频业务比以往更受用户的关注。与传统的有线网络视频业务相比,移动视频的传输条件不太稳定,更容易产生误码;移动终端的视频播放性能更容易受到设备硬件的限制,这就要求有更适合移动终端的视频编码方式。此外,不同类型的视频内容、用户的兴趣爱好等因素也会对用户观看视频的体验产生不同的影响。以上因素给移动视频服务提供商在业务质量的评估以及用户体验的提升方面提出了巨大的挑战。目前在移动视频质量评估的研究中,主要采用基于服务质量（Quality of Service,QoS）的评价方法,但是这些方法没有考虑用户主观体验参与在内的诸多因素,因此并不是一种非常有效的评价方法。针对影响移动视频用户体验质量的主客观因素,研究了无线参数、终端设备参数和视频编码参数对移动视频质量的影响,提出了基于用户体验质量（Quality of Experience,QoE）的视频质量评价方法。
