发表咨询:400-808-1731
订阅咨询:400-808-1751
北大期刊
影响因子 0.51
人气 23749
北大期刊
影响因子 0.94
人气 20397
省级期刊
影响因子 0.3
人气 18161
部级期刊
影响因子 1.03
人气 13572
统计源期刊
影响因子 1.71
人气 12632
CSSCI南大期刊
影响因子 5.52
人气 12352
统计源期刊
影响因子 0.55
人气 11102
北大期刊
影响因子 0.62
人气 10769
省级期刊
影响因子 0.42
人气 10523
统计源期刊
影响因子 1.29
人气 9980
摘要:近年来,基于方面情感分析已成为自然语言处理领域的研究热点之一.结合注意力机制的深度网络模型在基于方面情感分析任务中取得了令人瞩目的成功,针对以独立句子作为网络模型输入的方法无法获取句子间相互关系,以及仅使用词语层注意力机制难以充分获取同一评论中句子间的相互联系等问题,提出一种结合区域卷积神经网络和分层长短期记忆网络 (Regional Convolutional Neural Network-Hierarchical Long Short-Term Memory, RCNN-HLSTM)的深度分层网络模型用在基于方面情感分析任务中.该模型通过区域CNN既可以保留不同句子在评论中的时序关系也可以大大降低仅使用LSTM网络的时间代价.此外,该模型利用一个分层LSTM网络来获取待分类句子内部词语之间的相互联系,以及待分类句子和评论中其他句子之间的情感特征信息.通过词语层和句子层注意力机制能有效获取特定方面在句子中的局部特征和整个评论中的长距离依赖关系,弥补了仅使用词语层注意力机制的不足.最后在多种语言的不同领域数据集上进行实验,取得了比传统的深度网络模型、结合注意力机制的深度网络模型以及考虑句子间关系的双向分层LSTM网络模型更好的分类效果.
摘要:该文在分析影响人群路径选择因素的基础上,提出了一种基于疏散路径集合的路径选择模型.首先,该文提出了一种基于避障策略的社会力模型构建疏散路径集合,进而采用路径学习算法离散和优化集合中的路径;其次,模型采用影响行人路径选择的四个因素,即行人距候选路径的距离、候选路径的长度、拥挤度和候选路径终点出口的疏散能力来实时评估候选路径的待选概率,模拟疏散过程中行人对环境的认知;再次,根据路径选择概率和赌策略实时更新行人的疏散路径,进一步模拟行人在紧急疏散过程中依据实时环境来调整疏散策略;最后,利用相互速度障碍物方法构建人群疏散仿真模型验证路径选择模型的有效性.仿真实验表明该文所提出的路径选择模型可以再现紧急情况下人群的疏散行为,有助于制定和优化此类情况下的人群疏散方案.此外,该文依据仿真结果提出了用于提高人群疏散效率的基本定理,且定理的理论证明也验证了模型的有效性.
摘要:为支持无处不在的IT服务,数据中心像公路和电网一样已经成为了城市必备的基础设施,兆瓦级的数据中心在吞噬着大量能源的同时也给环境带来沉重压力,因此数据中心能耗优化研究备受关注.因为可再生能源的环境和经济成本低廉,人们更倾向于采用可再生能源与化石燃料混合的方式为数据中心供电.提高可再生能源利用率,降低化石燃料的使用量,是数据中心能耗优化的新目标.然而,可再生能源通常具有间歇性、不稳定性和动态变化性,如何在数据中心中充分利用可再生能源一直是一个难题.该文综述了近年来可再生能源混合供电的数据中心能耗优化的主要研究成果.该文首先总结能耗优化的基本思路,指出从资源层、计算层和服务层均可以实现提高可再生能源利用率和降低能源成本的优化目标;接着描述可再生能源供电模型和IT设备耗电模型,从功率控制和负载均衡两个角度对现有工作加以梳理,逐一分析现有优化技术,并针对每一项优化技术提出进一步的研究思路.最后该文根据现有研究成果,探求采用功率控制、负载均衡的软硬件方法能够实现的最佳优化效果,提出能耗优化的约束问题,包括研究思路、仍然存在的问题和可能的解决办法.
摘要:作为物联网技术在日常生活领域的重要应用,智能家居产业近年来取得了快速发展.但是不同智能家居设备之间差异化的通信方式与割裂的功能,大大增加了用户管理与使用的复杂度.智能家居管控平台旨在整合异构网络环境下多种设备的数据监测与控制能力,为用户提供整体化家居服务.在面对多种设备协同、环境参数众多、用户需求难以确定等众多困难时,如何建立一种无感化、精确化、智能化的家居设备统一管控能力,是智能家居平台化过程中亟需解决的问题.为破解智能家居设备自动管控难题,文中基于深度学习方法提出DeepHome智能家居管控模型.DeepHome模型首先采用自编码网络构建设备模型,通过逐层无监督预训练,挖掘通用化设备特征;继而基于具体家居场景,综合多个独立设备模型构建多隐层学习网络,并使用家居环境数据进行模型整体训练.经过训练,DeepHome模型能够基于家居环境数据预测智能设备工作状态,并依照预测结果调整相应设备,实现对智能家居设备的自动化统一管控.由于智能家居平台尚处于起步阶段,现阶段仍缺乏能够有效描述家居环境整体的数据.文中设计调查问卷与数据收集网站收集不同用户的家居环境、设备数据与生活习惯,并基于所得数据构建智能家居环境仿真测试平台HomeTest,模拟生成批量家居环境数据,辅助模型训练.使用仿真数据进行10轮训练后,DeepHome模型对智能设备工作状态的预测准确率达到99.4%,较浅层神经网络模型提高了6.4%,较基于逻辑规则的控制方案提高了36.1%;与此同时,DeepHome在设备状态需要调整时的预测准确率达到74.1%,较浅层神经网络模型提高了4.7倍,较基于逻辑规则的控制的方案提高了13.2倍.在真实环境数据集下,DeepHome的对设备状态的预测准确率也达到了可以被用户接受�
摘要:粒计算是在Zadeh教授提出的模糊信息粒化思想的基础上,逐渐发展起来的一个有效处理信息的数学工具.粒计算利用粒化信息的思想解决复杂问题,而在信息粒化的过程中通常都伴随着粒描述.所谓粒描述,是指在没有明确粒化准则的情况下如何描述目标概念或论域子集.因此,粒描述是采用粒计算思维解决复杂问题的前提和基础,进一步研究将有利于粒的理解与解释.众所周知,现有的粒描述主要集中在共性属性分析的基础上开展相关研究,其核心的理论工具是形式概念分析与粗糙集.共性属性分析刻画了粒的共性,即粒中每个对象均拥有的属性.然而,现实中一个粒具有的属性有时不单指粒中所有对象共同拥有的属性,还有可能指粒中部分对象共同拥有的属性,甚至有时只需要粒中存在一个对象拥有该属性即可.实际上,共性属性分析强调的是所有对象共同拥有的属性才是这个粒的属性.与共性属性分析不同,必然属性分析强调的是只属于这个粒的属性才是它的属性.换言之,必然属性分析讨论粒描述时,除了涉及所有对象共同拥有的属性,还可能涉及部分对象共同拥有的属性.目前,从必然属性分析的角度研究粒描述尚未被详细讨论.该文基于形式概念分析中粒的思想和粗糙集理论中上、下近似的方法对这一问题展开研究.首先,介绍了必然属性分析视角下的粒描述逻辑.其次,分别基于形式背景及其补背景研究了粒描述.具体地,利用形式背景描述粒具有的必然属性,利用补背景描述粒不具有的必然属性.此外,定义了一元描述子用来特指形式背景及其补背景的面向对象概念格中的概念内涵,进而通过一个一元描述子刻画一个一元可定义粒,将一对一元描述子作为上、下近似以刻画一个一元不可定义粒.然后,为了同时使用形式背景及其�
摘要:OWL本体理由探求是语义Web推理的重要任务之一.随着语义Web数据的急剧增长以及本体规模的不断扩大,目前的本体理由探求策略已难以满足它们对推理性能的要求.该文以基于黑盒的探求技术为研究对象,黑盒法是基于“扩张”和“收缩”两个阶段实现理由探求任务的,“扩张”阶段的目标是获得蕴涵目标公理的理由的一个超集,“收缩”阶段对得到的理由超集进行删减至极小集合.然而,这两个阶段的主要时间开销在于频繁地调用推理机进行变化的公理集合与目标公理之间的蕴涵关系的检测,这会严重影响理由探求的效率.为了解决这一问题,通过观察理由探求过程中公理集合的变化情况,给出增量本体序列定义,并揭示了增量本体序列中的最大增量本体与理由之间的关系.增量本体序列的生成过程主要涉及两方面因素: (1) 后继本体对先驱本体的有效扩充(必须保证是拟序关系); (2) 对本体链中的本体是否蕴涵目标公理的推理判定(必须保证当且仅当最大本体蕴涵目标公理).在增量本体序列生成过程中,利用半模型证明了后继增量本体与目标公理之间的蕴涵关系是半可判定的,进而给出基于半模型增量推理的理由超集探求算法及其正确性证明.半模型增量推理的增量体现在:保留上一次得到的模型作为下一次判定的初始条件之一,从而避免传统蕴涵判定中,每一次都完全重构模型的冗余计算.最后,提出了一种与现有的收缩过程相反的理由求解方案——基于扩张的理由求解策略.通过迭代地添加公理过程,探测该公理集下的所有理由的公共元素.利用探测到的所有公共元素构造目标公理的理由.随后利用该文提出的增量推理任务分别给出新的“扩-缩”理由探求方法和“双扩”理由探求方法.实验结果表明,改进后的“扩-缩”理
摘要:机器翻译研究将源语言所表达的语义自动转换为目标语言的相同语义,是人工智能和自然语言处理的重要研究内容.近年来,基于序列到序列模型(Sequence - to-Sequence Model)形成一种新的机器翻译方法:神经机器翻译(Neural Machine Translation,NMT),它完全采用神经网络完成源语言到目标语言的翻译过程,成为一种极具潜力全新的机器翻译模型.神经机器翻译经过最近几年的发展,取得了丰富的研究成果,在多数语言对上逐渐超过了统计机器翻译方法.该文首先介绍了经典神经机器翻译模型及存在的问题与挑战;然后简单概括神经机器翻译中常用的神经网络;之后按照经典神经机器翻译模型、基础共性问题、新模型、新架构等分类体系详细介绍了相关研究进展; 接着简单介绍基于神经网络的机器翻译评测方法;最后展望未来研究方向和发展趋势,并对该文做出总结.
摘要:随着互联网上Web服务的日益增多,面对大量功能相同的候选服务,用户希望能够选择质量最优的候选服务.然而,用户通常并不知道所有候选服务的服务质量(Quality of Service,QoS).因此,基于Web服务的历史记录预测QoS值得到了广泛关注.传统的基于协同过滤(CF)的预测方法可能会遭遇数据稀疏、用户信任等问题,导致该方法在预测精度方面表现一般.为解决上述问题,该文提出一种基于覆盖随机游走算法的服务质量预测方法.该方法首先基于用户服务历史QoS记录 ,使用改进的覆盖算法对用户进行聚类,选取与每个用户聚类次数的 Top- k 个用户为该用户的信任用户,连接所有用户与其信任用户构建用户信任网;其次,基于用户信任网提出一种随机游走预测方法,在随机游走的过程中,不仅考虑目标服务的QoS信息,同时考虑相似服务的QoS信息,以确保QoS预测的准确性;最后,每次随机游走获得一个QoS值,为使预测更加准确,作者进行多次随机游走,汇总所有QoS值进行预测.为验证文中方法的有效性,作者在真实的Web服务数据集进行了大量实验,其中包括来自339个用户的5825个真实世界Web服务的1 974 675个Web服务调用.实验结果表明文中方法在预测精度上明显优于现有方法,同时可以很好地解决推荐系统的数据稀疏和用户信任问题.
摘要:近年来,随着网络流量的急剧增长,边缘计算(Edge Computing)成为降低网络负载、提高网络容量和服务质量的重要手段.移动内容分发网络(Mobile Content Delivery Network,MCDN)应运而生,已被通信运营商逐步采用.移动CDN将缓存节点建立在移动核心网络和无线接入网中;用户之间通过移动网络共享缓存空间,进行协同缓存.与传统CDN相比,移动CDN新增接入网侧基站协作缓存层和用户侧协作缓存层.在该系统中,每层缓存应采用何种缓存放置和替换策略,多层缓存之间如何协调配合,这一问题当前尚无确切解决方案.该文从此问题着手,对移动CDN分层协作缓存系统建立以最小化用户访问资源的整体代价为目标的最优化模型,并以此模型提出一种基于效用的启发式分层协作缓存策略.该策略根据待缓存资源全局效用值进行缓存决策,最小化用户资源访 问代价.仿真结果和基于真实网络数据的验证实验表明,该策略能够有效降低用户资源访问代价,提高缓存命中率.
摘要:特征表示是计算机视觉应用中的关键问题之一,由于视觉数据的海量增长和人工标记的高成本问题,无监督视觉表示学习逐渐受到了人们的广泛关注.该文提出一种基于图像三元组挖掘的无监督视觉表示学习方法.该方法包含两个部分:挖掘图像三元组和学习特征表示.具体而言,首先构建二分类卷积神经网络,从图像数据集中挖掘三元组,即图像、与其相似的图像、与其不相似的图像这三者构成的数据.然后使用得到的图像三元组作为监督信息,通过训练Triplet卷积神经网络来获得视觉表示.为了验证该文所提出的学习方法,该文将学习得到的特征表示应用到常用图像数据集的聚类和分类问题上.在聚类方面,相较于传统的视觉特征方法,该文特征的聚类表现在规范化互信息上有12.7%的提升;在分类方面,所提出的方法也取得了有竞争力的结果,实验表明该文所提出的方法是有效的.
摘要:口令恢复作为电子取证、信息情报获取和犯罪记录审查的重要手段,是对互联网信息进行监控、维护网络信息安全的关键环节之一.传统的口令恢复系统主要以CPU和GPU为主,体系结构单一、破解效率低,无法满足用户的计算需求.由此,该文提出了一种新型的混合异构口令恢复系统.结合拟态计算的思想,通过CPU、GPU和拟态计算机搭建混合异构系统,建立多维可重构体系.并在拟态计算机上设计相关高速口令穷举算法、万兆网络 字典 传输协议和全流水可重构加密恢复算法,提高破解效率.同时,根据具体口令恢复应用的PMC(Processing-Memory-Communication)特征,动态调整系统结构,均衡向下分配口令空间,使整个系统高效地完成加密恢复任务.实验分析和结果表明,与传统CPU系统相比,该文系统在破解速度上提高18.84倍~84.94倍,在能效比上提高3.07倍~15.73倍,与传统口令穷举和字典破解模式相比,其恢复效率有所提升,且能较好地支持异构系统.
摘要:抗辅助输入适应性选择密文攻击(CCA)安全的公钥加密(PKE)方案是公钥密码体制中一个比较重要的研究课题.目前已有的抗辅助输入公钥加密方案都是选择明文攻击(CPA)安全.在构造抗辅助输入CCA安全的PKE方案中一个比较有意义的尝试是由王志伟等提出的抗辅助输入CCA 安全的PKE构造.该文对该方案进行了安全分析,指出: (1) 该方案基于的困难假设是易解的;(2) 该方案不满足选择明文攻击安全;(3) 该方案的安全证明是不严谨的.在此基础上, 该文对该方案进行了改进,并提出了一个新的抗辅助输入 CCA安全的PKE 方案,同时给出了严格的安全证明.另外,该文还对改进的方案进行了拓展,首次提出了抗持续辅助 输入CCA 安全的PKE方案.
摘要:情感智能是人工智能的重要发展方向,随着人工智能的迅速发展,情感智能已成为当前人机交互领域的研究热点.语音情感是人们相互情感交流最直接、最高效的途径,越来越多的研究者投入到语音情感识别的研究中.该文综述了国内外近几年语音情感特征提取及降维领域的最新进展.首先,介绍了语音情感识别中常用的特征,将语音特征分为韵律特征、基于谱的特征等,并提出以个性化与非个性化的方式对语音情感特征进行分类.然后,对其中广泛应用的特征提取方法进行了详细地比较与分析,阐述了各类方法的优缺点,并对最新的基于深度学习方法的语音特征提取的相关研究进行了介绍.同时,介绍了常用的语音情感特征降维方法,并在此基础上分析了这些特征降维方法时间复杂度,对比了各类方法的优缺点.最后,对当前语音情感识别领域的研究现状与难点进行了讨论与展望.
摘要:监控视频下的事件识别是近期计算机视觉领域的研究热点之一.然而,自然场景下监控视频往往具有背景复杂、事件区域内对象遮挡严重等特点,使得事件类内差异大、类间差异小,给识别带来了很大的困难.为解决复杂背景下事件识别问题,提出了一种基于深度残差双单向DLSTM(DRDU-DLSTM)的时空一致视频事件识别方法.该方法首先从训练好的时间CNN网络和空间CNN网络获取视频的时空深度特征,经LSTM同步解析后形成时空特征数据联接单元DLSTM,并作为残差网络的输入.双单向传递的DLSTM联接后构成DU-DLSTM层;多个DU-DLSTM层再加一个恒等映射形成残差模块;在此基础上,多层的残差模块堆叠构成了深度残差网络架构.为了进一步优化识别结果,设计了基于双中心Loss的2C-softmax目标函数,在最大化类间距离的同时最小化类内间隔距离.在监控视频数据集VIRAT 1.0和VIRAT 2.0上的实验表明,该文提出的事件识别方法有很好的性能表现和稳定性,识别准确率分别提高了5.1%和7.3%.