互联网上的攻击性言论严重扰乱了正常网络秩序,破坏了健康交流的网络环境。现有的检测技术更关注文本中的鲜明特征,难以发现更隐晦的攻击方式。针对上述问题,提出融合反讽机制的攻击性言论检测模型BSWD(Bidirectional Encoder Representation from Transformers-based Sarcasm and Word Detection)。首先,提出基于反讽机制的模型Sarcasm-BERT,以检测言论中的语义冲突;其次,提出细粒度词汇攻击性特征提取模型WordsDetect,检测言论中的攻击性词汇;最后,融合两种模型得到BSWD。实验结果表明,与BERT(Bidirectional Encoder Representation from Transformers)、HateBERT模型相比,所提模型的准确率、精确率、召回率和F1分数指标大部分能提升2%,显著提高了检测性能,更能发现隐含的攻击性言论;同时,与SKS(Sentiment Knowledge Sharing)、BiCHAT(Bidirectional long short-term memory with deep Convolution neural network and Hierarchical ATtention)模型相比,具有更强的泛化能力和鲁棒性。以上结果验证了BSWD检测隐晦攻击性言论的有效性。
准确的交通流量预测在帮助交通管理部门采取有效的交通控制和诱导手段以及帮助出行者合理规划路线等方面具有重要意义。针对传统深度学习模型对交通数据时空特性考虑不足的问题,在卷积神经网络(CNN)和长短时记忆(LSTM)单元的理论框架下,结合城市交通流量的时空特性,建立了一种基于注意力机制的CNN-LSTM预测模型——STCAL。首先,采用细粒度的网格划分方法来构建交通流量的时空矩阵;其次,利用CNN模型作为空间组件来提取城市交通流量不同时期下的空间特性;最后,利用基于注意力机制的LSTM模型作为动态时间组件来捕获交通流量的时序特征和趋势变动性,并实现交通流量的预测。实验结果表明,STCAL模型与循环门单元(GRU)和时空残差网络(ST-ResNet)相比,均方根误差(RMSE)指标分别减小了17.15%和7.37%,均绝对误差(MAE)指标分别减小了22.75%和9.14%,决定系数(R2)指标分别提升了11.27%和2.37%。同时,发现该模型在规律性较高的工作日的预测效果好于周末,且对工作日早高峰的预测效果最好,可见该模型可为短时城市区域交通流量变化监测提供依据。
针对大部分现存有向网络链路预测方法仅关注有向局部结构及互惠链接信息而忽略有向全局结构的问题,提出高阶自包含协同过滤(HSCF)链路预测框架。首先,利用随机游走方法计算高阶相似度矩阵去保持有向网络的高阶路径信息;其次,将高阶相似度矩阵与协同过滤方法相融合构建HSCF框架;最后,把所提框架分别与有向共同邻居(DCN)、有向Adamic-Adar(DAA)、有向资源分配(DRA)和势能理论Bifan 4个典型有向结构相似度相融合,并由此提出HSCF-DCN、HSCF-DAA、HSCF-DRA和HSCF-Bifan 4个有向网络预测指标。在10个真实有向网络上的实验结果表明,与基准指标相比,HSCF-DCN、HSCF-DAA、HSCF-DRA和HSCF-Bifan的受试者工作特征(ROC)曲线下方面积(AUC)值分别平均提高了8.16%、8.85%、9.64%和10.33%,且F分数值分别平均提高了66.62%、68.32%、68.95%和76.18%。
近几年,基于卷积神经网络(CNN)的单图像超分辨率(SR)重建方法成为了主流。通常情况下,重建模型的网络层数越深,提取的特征越多,重建效果越好;然而随着网络层数的加深,不仅会出现梯度消失的问题,还会显著增加参数量,增加训练的难度。针对以上问题,提出了一种基于密集Inception的单图像SR重建方法。该方法引入Inception-残差网络(Inception-ResNet)结构提取图像特征,全局采用简化后的密集网络,且仅构建每一个模块输出到重建层的路径,从而避免产生冗余数据来增加计算量。在放大倍数为4时,采用数据集Set5测试模型性能,结果显示与超深卷积神经网络的图像超分辨率(VDSR)相比,所提方法的结构相似性(SSIM)高了0.013 6;与基于多尺度残差网络的图像SR(MSRN)相比,SSIM高了0.002 9,模型参数量少了78%。实验结果表明,所提方法在保证模型的深度和宽度的情况下,显著减少了参数量,从而降低了训练的难度,而且取得了比对比方法更好的峰值信噪比(PSNR)和SSIM。
针对当前访问控制中用户权限不能随着时间动态变化和访问控制合约中存在的安全性问题,提出了一种以基于角色的访问控制(RBAC)模型为基础,同时基于区块链和用户信用度的访问控制模型。首先,角色发布组织分发角色给相关用户,并把访问控制策略通过智能合约的方式存储在区块链中,该合约设定了访问信用度阈值,合约信息对系统内任何服务提供组织都是可验证、可追溯且不可篡改的。其次,该模型根据用户的当前信用度、历史信用度和推荐信用度评估出最终信用度,并根据最终信用度获得对应角色的访问权限。最后,当用户信用度达到合约设定的信用度阈值时,用户就可以访问相应的服务组织。实验结果表明,该模型在安全访问控制上具有一定的细粒度、动态性和安全性。
针对云存储中基于密文策略的属性加密(CP-ABE)访问控制方案存在用户解密开销较大的问题,提出了一种基于代理重加密的CP-ABE (CP-ABE-BPRE)方案,并对密钥的生成方法进行了改进。此方案包含五个组成部分,分别是可信任密钥授权、数据属主、云服务提供商、代理解密服务器和数据访问者,其中云服务器对数据进行重加密,代理解密服务器完成大部分的解密计算。方案能够有效地降低用户的解密开销,在保证数据细粒度访问控制的同时还支持用户属性的直接撤销,并解决了传统CP-ABE方案中因用户私钥被非法盗取带来的数据泄露问题。与其他CP-ABE方案比较,此方案对访问云数据的用户在解密性能方面具有较好的优势。
针对人脸姿态估计对系统性能要求高、在手机上运行无法满足实时性要求等问题,实现了一种Android手机端的人脸姿态实时估计系统。首先,由摄像头获得一幅正面和一幅偏移一定角度的人脸图像,利用从运动中构建结构(SfM)算法建立简单三维人脸模型;然后,提取实时人脸图像中与三维人脸模型相互对应的特征点,基于缩放正投影位姿估计(POSIT)算法估计人脸姿态角度;最后将三维人脸模型通过开放图形开发库(OpenGL)实时显示在手机屏幕上。实验结果表明,实时视频中检测人脸姿态并显示的速度可以达到20 frame/s,接近计算机端的基于仿射对应的三维人脸姿态估计算法,而且针对大量图片序列的检测可以达到50 frame/s,能够满足Android手机端的性能和检测人脸姿态的实时性要求。
针对新一代视频编码标准高效率视频编码(HEVC)编码单元(CU)尺寸较大所导致的丢包后错误隐藏恢复效果不佳的问题,提出了对CU下的分割块进行块融合的错误隐藏方法。首先,分析了残差能量与块分割的相关性;然后,通过参考帧残差能量与所设阈值进行比较判决,对当前丢失CU分割块进行融合,得到丢失CU的块分割方式;其次,对矢量外推法进行权值优化,保证了算法在HEVC错误隐藏的适用性;最后,对融合块采用优化后的矢量外推法进行错误隐藏。实验结果表明,与经典错误隐藏方法如拷贝法、运动补偿法等相比,基于块融合的错误隐藏在保证解码视频结构相似性(SSIM)的同时提高了不同运动性的解码视频峰值信噪比(PSNR),验证了算法的可行性。
针对Top-k dominating查询算法需要较高的时空消耗来构建属性组合索引,并且在相同属性值较多情况下的查询结果准确率低等问题,提出一种通过B+-trees和概率分布模型相结合的子空间支配查询算法——Ranking-k算法.首先,采用B+-trees为待查找数据各属性构建有序列表;然后,采取轮询调度算法读取skyline准则涉及到的有序列表,生成候选元组并获得k组终结元组;其次,根据生成的候选元组和终结元组,采用概率分布模型计算终结元组支配分数.迭代上述过程优化查询结果,直到满足条件为止.实验结果表明:Ranking-k与基本扫描算法(BSA)相比,查询效率提高了94.43%;与差分算法(DA)相比,查询效率提高了7.63%;与早剪枝Top-k支配(TDEP)算法、BSA和DA相比,查询结果更接近理论值.
针对现有回归多任务学习中各任务独立评估风险、缺乏统一约束条件的缺点,提出了一种具有自适应分组能力的超球多任务学习算法。该算法以极限学习机(ELM)为基础形式,首先引入超球损失函数对所有任务的风险进行统一评估,并采用迭代再权最小二乘法求解;其次,考虑到任务之间关联度存在差异,基于相关性强的任务其权重向量也较相似的假设,构建带分组结构的正则项,使得同组内的任务独立进行训练,最终将优化目标转为混合0-1规划问题,并采用多目标优化方法自动确定模型参数和最优分组结构。基于仿真数据和圆柱壳振动信号数据的测试结果表明,该算法可有效识别出任务中的分组结构,同时与现有算法相比,可明显提高回归模型的泛化能力。
针对基于全阶磁链观测器的感应电机无速度传感器矢量控制系统低速不稳定问题,采用波波夫(Popov)超稳定性理论分析了观测器在低速发电区域不稳定原因,提出了一种保证观测器低速稳定运行的反馈增益设计准则。为了简化该系统稳定性分析过程,基于转子磁通定向,利用劳斯赫尔维茨(Routh-Hurwitz)判据将一个关于系统极点稳定的多维问题转化为系统零点稳定的一维问题进行处理,推导了转速估算系统稳定性条件,并给出了反馈增益设计方法。仿真结果表明,该系统在低速50r/min和极低速10r/min时均能稳定运行,相对于传统的基于极点配置方法,在低速发电区域的收敛性和稳定性更优,改善了无速度传感器矢量控制系统低速区域的动、静态性能。
针对以往的多智能体蜂拥控制算法在考虑单个目标追踪情形时不具普适性,以及现有的多目标蜂拥控制都是基于全局目标信息来进行集中式协调控制,而非基于局部目标信息下的分布式协调控制的问题,提出一种融合局部自适应检测机制的分布式协同牵制蜂拥算法。首先,算法在分离、聚合、速度匹配和引导反馈的基础上,引入局部自适应追踪策略,实现智能体的局部动态跟随运动;其次,受牵制思想启发,根据节点影响力指数评估算法选取m个信息个体分别向m个目标进行多目标追踪,起到模拟外部信息的作用,不同的信息个体会由于局部自适应检测机制间接地引领周围局部个体向不同目标进行追踪;最后,设计一类新的聚集和排斥势能函数,实现相同目标智能体的聚集,以及不同目标智能体的避碰,具有可调参数少和效率高的优势。通过三维仿真实验验证了算法的多目标追踪可行性和有效性。