为提升欠定盲源分离问题中混合矩阵的估计精度,在噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的基础上,提出一种自适应确定输入参数的DBSCAN算法(adaptive DBSCAN,A-DBSCAN...为提升欠定盲源分离问题中混合矩阵的估计精度,在噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的基础上,提出一种自适应确定输入参数的DBSCAN算法(adaptive DBSCAN,A-DBSCAN)用于混合矩阵估计。针对DBSCAN算法邻域半径(Eps)及邻域点数(MinPts)依赖人为设定的问题,首先利用曲线拟合方法得出Eps,然后通过分析聚类输出类别数与噪声点数关系确定MinPts,并将其与混合矩阵估计模型相结合,最后通过最短路径算法实现源信号恢复。实验结果表明,提出的算法在估计混合矩阵和恢复源信号时,相关性能与对比算法相较均有明显提升。展开更多
基于事件的社交网(event-based social networks,EBSN)中的个性化推荐服务是一个十分重要且颇具应用价值的问题,现有研究工作主要基于普通图来对EBSN中的关系进行建模,但由于EBSN是一种异构型复杂社交网络,具有多种不同类型实体,因而用...基于事件的社交网(event-based social networks,EBSN)中的个性化推荐服务是一个十分重要且颇具应用价值的问题,现有研究工作主要基于普通图来对EBSN中的关系进行建模,但由于EBSN是一种异构型复杂社交网络,具有多种不同类型实体,因而用普通图建模EBSN会存在高维信息丢失问题,导致推荐质量降低.基于此,首先提出一种基于超图模型的EBSN个性化推荐(hypergraph-based personalized recommendation in EBSN,PRH)算法,其基本思想在于利用超图具有不丢失高维数据信息之特点来更准确地对EBSN中复杂社交关系数据进行高维建模,并利用流形排序正则化计算获取初步推荐结果.其次,又分别从查询向量设置方式改进和对不同类超边施以不同权重等角度,提出了优化的PRH(optimized PRH,oPRH)算法以进一步优化PRH算法所获推荐结果,从而实现精准推荐.扩展实验表明,基于超图的EBSN个性化推荐及其优化算法,推荐结果相比于以前基于普通图的推荐算法具有更高准确性.展开更多
近年来,随着基于位置的社交网络(Location-Based Social Network, LBSN)不断发展,POI序列推荐逐渐成为近年来研究的热点问题.现有的POI序列推荐方法仅仅按照时间的先后顺序建模用户历史签到序列,默认用户POI轨迹中连续POI之间具有相等...近年来,随着基于位置的社交网络(Location-Based Social Network, LBSN)不断发展,POI序列推荐逐渐成为近年来研究的热点问题.现有的POI序列推荐方法仅仅按照时间的先后顺序建模用户历史签到序列,默认用户POI轨迹中连续POI之间具有相等的时间间隔,忽略了用户签到记录之间的时间间隔影响.另外,POI之间的地理距离以及语义信息也是影响推荐准确性的重要因素.基于此,本文提出自注意力下时空-语义相融合的POI序列推荐模型(POI sequence recommendation model based on the integration of spatiotemporal and semantics under self-attention, SA-TDS-PRec).首先,根据用户的实际签到时间建模POI轨迹.其次,融合POI绝对位置、时空间隔以及语义相关信息.最后利用自注意力机制捕捉用户动态偏好的演化,从而提高POI推荐的准确性.在公开数据集Gowalla和Yelp上进行可扩展实验.结果表明,该模型优于目前主流的基准模型,有效提升推荐结果准确性.展开更多
文摘为提升欠定盲源分离问题中混合矩阵的估计精度,在噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的基础上,提出一种自适应确定输入参数的DBSCAN算法(adaptive DBSCAN,A-DBSCAN)用于混合矩阵估计。针对DBSCAN算法邻域半径(Eps)及邻域点数(MinPts)依赖人为设定的问题,首先利用曲线拟合方法得出Eps,然后通过分析聚类输出类别数与噪声点数关系确定MinPts,并将其与混合矩阵估计模型相结合,最后通过最短路径算法实现源信号恢复。实验结果表明,提出的算法在估计混合矩阵和恢复源信号时,相关性能与对比算法相较均有明显提升。
文摘基于事件的社交网(event-based social networks,EBSN)中的个性化推荐服务是一个十分重要且颇具应用价值的问题,现有研究工作主要基于普通图来对EBSN中的关系进行建模,但由于EBSN是一种异构型复杂社交网络,具有多种不同类型实体,因而用普通图建模EBSN会存在高维信息丢失问题,导致推荐质量降低.基于此,首先提出一种基于超图模型的EBSN个性化推荐(hypergraph-based personalized recommendation in EBSN,PRH)算法,其基本思想在于利用超图具有不丢失高维数据信息之特点来更准确地对EBSN中复杂社交关系数据进行高维建模,并利用流形排序正则化计算获取初步推荐结果.其次,又分别从查询向量设置方式改进和对不同类超边施以不同权重等角度,提出了优化的PRH(optimized PRH,oPRH)算法以进一步优化PRH算法所获推荐结果,从而实现精准推荐.扩展实验表明,基于超图的EBSN个性化推荐及其优化算法,推荐结果相比于以前基于普通图的推荐算法具有更高准确性.
文摘近年来,随着基于位置的社交网络(Location-Based Social Network, LBSN)不断发展,POI序列推荐逐渐成为近年来研究的热点问题.现有的POI序列推荐方法仅仅按照时间的先后顺序建模用户历史签到序列,默认用户POI轨迹中连续POI之间具有相等的时间间隔,忽略了用户签到记录之间的时间间隔影响.另外,POI之间的地理距离以及语义信息也是影响推荐准确性的重要因素.基于此,本文提出自注意力下时空-语义相融合的POI序列推荐模型(POI sequence recommendation model based on the integration of spatiotemporal and semantics under self-attention, SA-TDS-PRec).首先,根据用户的实际签到时间建模POI轨迹.其次,融合POI绝对位置、时空间隔以及语义相关信息.最后利用自注意力机制捕捉用户动态偏好的演化,从而提高POI推荐的准确性.在公开数据集Gowalla和Yelp上进行可扩展实验.结果表明,该模型优于目前主流的基准模型,有效提升推荐结果准确性.
文摘随着机器人操作系统(robot operating system, ROS)的日益普及,系统也变得更加复杂,这类系统的计算平台正逐渐转变为多核心平台.在ROS中,任务执行的顺序取决于底层任务调度策略和分配给任务的优先级,而最大限度地缩短所有任务的执行时间是并行系统任务调度的一个重要目标.受强化学习在解决各种组合优化问题的最新研究成果的启发,在考虑ROS2多线程执行器的调度机制和执行约束的前提下,提出了一种基于强化学习的任务优先级分配方法,该方法提取了基于有向无环图形式表示的任务集的时间和结构特征,通过策略梯度和蒙特卡洛树搜索(Monte Carlo tree search, MCTS)方法有效地学习ROS2调度策略并给出合理的优先级设置方案,最终达到最小化并行任务的最大完工时间的目的.通过模拟平台环境下随机生成的任务图以评估所提方法,结果表明所提方法明显优于基准方法.作为一种离线分析方法,所提方法可以很容易地扩展到复杂的ROS中,在可接受的时间内找到接近最优的解决方案.
