课程文献中心 更多>>

关键词： 重要节点   LeaderRank   Adaptive GraphRank   背景图   H指数  

摘要： 社交网络中的重要节点对网络结构和功能具有决定性影响，开发精度更高的重要节点排序算法成为当前的研究热点之一。其中，LR(LeaderRank)引入一个背景节点明显提升了经典PageRank排序算法的性能，但仍面临着网络中小出度用户的投票权偏见问题。因此，提出背景图增强的社交网络重要节点自适应排序算法AGR(Adaptive GraphRank)，构建多节点背景图替代LR的单一背景节点，基于H指数设计有偏向的随机游走，缓解投票权偏见。调参实验初步确定了背景图的最优规模和结构，与K-TOPSIS等现有优秀算法进行对比实验，验证了AGR在传播、瓦解、鲁棒性三个关键维度上的性能提升，实际案例检验了算法在真实场景下的有效性。综上，AGR有效缓解了投票权偏见，提高了排序精度，展示出较优的性能和应用潜力。

关键词： 计算机视觉   目标检测   DETR算法   视觉Transformer   图像分割  

摘要： 目标检测领域中，卷积神经网络（CNN）长期占据主导地位，并以其准确性和可扩展性在学术界得到广泛认可。目标检测领域先后涌现出多个代表性模型，如R-CNN系列（包括FastRCNN、FasterRCNN等）和YOLO系列。随着Transformer在自然语言处理领域的成功，研究者开始探索将其用于计算机视觉，由此产生了如ViT和Swin-ViT等视觉骨干网络。2020年，Facebook团队为减少目标检测任务中的先验知识和后处理，推出了基于Transformer的DETR，一种端到端目标检测算法。尽管DETR在目标检测领域展现出潜力，但也存在诸如收敛速度慢、准确性较差、目标查询的物理意义不明确等缺点。这促使诸多研究人员对该算法开展了进一步的研究和改进。本文旨在分析整理总结针对DETR的改进探索，并分析他们的优势与不足，同时对利用DETR开展的前沿研究和细分应用领域进行概括，最后给出DETR在计算机视觉领域的未来展望。

关键词： 多目标优化   碳排放量   发电成本   容量配置   NSGA-II算法   蒙特卡洛方法   电力系统  

摘要： 在现代社会，电力系统的减碳是我国实现双碳目标的关键路径，但降低碳排往往会造成成本上升和电网稳定性下降。为了全方面分析电力系统双碳目标实现路径，首先通过蒙特卡洛方法，充分模拟源荷两侧的不确定性，建立了包含风光火储的电力系统调度模型；然后，应用NSGA-II算法以全寿命周期发电总碳排放最小、总成本最低和负荷波动率最小为目标，对4种类型机组的容量配置进行了优化，得到多目标优化帕累托前沿；最后，应用TOPSIS决策方法得到最优解。结果表明：相比于参考状态，最优解可使电力系统总碳排放降低5.7%，总成本降低33.1%，负荷波动率提高30.1%，新能源发电占比提高71.7%。该研究结果可为同时兼顾低碳性、经济性和稳定性的电力系统容量配置提供参考。

关键词： 选址问题   回收连锁店   多目标优化   蘑菇繁殖算法  

摘要： 为推进各类资源节约集约利用，提高废弃物回收和利用效率，本文考虑了竞争存在下的利润最优化问题，从逆向供应链视角，基于博弈理论构建了包含制造商、回收商、回收竞争商，以及消费者在内的混合竞争回收渠道双元闭环供应链系统；并同时以建设服务成本最小化、客户满意度最大化、回收利润最大化为目标，建立多目标双元闭环供应链回收连锁店选址模型。借鉴蘑菇繁殖生长机制的原理，以繁殖过程中菌落思想为核心，结合Pareto非支配解集算法设计了改进的蘑菇繁殖算法，对多目标选址问题进行优化求解。实验结果验证了模型可行性和算法的有效性，并通过比较竞争者价格敏感度与交叉价格敏感度对优化目标的影响，为回收连锁店选址决策提供了参考。

关键词： 符号网络   划分   启发式   变邻域搜索   强化学习  

摘要： 给定一个无向图，符号网络划分问题(Signed Graph Partitioning Problem,SGPP)是将节点集合划分为K(K≥2)个互不相交的非空分组，旨在最小化所有位于分组内的负符号边权重之和加上位于分组之间的正符号边权重之和，使网络划分结构尽量趋于平衡。SGPP是NP难问题，在计算机视觉、社交网络分析、生物信息学等实际领域中具有重要应用。但大数据时代的到来给求解大规模SGPP带来一定的挑战。因此，设计了新颖且高效的学习驱动型扩展变邻域搜索算法(Learning Driven Extended Variable Neighborhood Search,LDEVNS)来求解SGPP。具体来说，该算法设计全新的快速增量更新策略以及高效的扩展变邻域搜索，同时结合强化学习机制来调整算法搜索过程中的前进方向，进一步探索更有希望的解空间区域来找到更高质量的求解方案。实验部分使用15组大规模社交网络图来评估LDEVNS的高性能，实验结果显示，LDEVNS在求解质量和计算时间方面相较于当前表现最佳的算法具有显著优势，同时也验证了强化学习在LDEVNS中的有效性。

关键词： 粒子群优化算法   多时相滑坡清单   喜马拉雅东构造结   滑坡侵蚀速率   地貌演化  

摘要： [目的]构建喜马拉雅东构造结地区大范围的多时相滑坡清单，量化滑坡侵蚀速率，揭示滑坡过程在该区域的地貌学意义。[方法]基于粒子群优化算法（particle swarm optimization, PSO）进行遥感影像归一化植被指数（normalized difference vegetation index, NDVI）的变化检测，构建1987-2021年东构造结地区的多时相滑坡清单；根据滑坡面积-体积经验公式计算该区域的滑坡侵蚀速率；结合气候和地形等参数，探讨滑坡过程的诱发因素。[结果]研究区1987-2021年共识别滑坡1 323次，其中2017-2021年的滑坡数量最多，共389次；滑坡主要分布在雅鲁藏布江大拐弯附近的河谷两侧；研究区滑坡侵蚀速率为0～76.06 mm/a，平均值为0.44 mm/a，呈以雅鲁藏布江大拐弯段为中心向四周逐渐降低的变化趋势；滑坡侵蚀速率与地质尺度岩体的剥露速率及千年尺度流域平均侵蚀速率相近；研究区滑坡的发生与降雨过程和地震活动相关，主要发育在南向坡面上，并在海拔1 500～3 000 m和坡度35°～45°聚集。[结论]滑坡是东构造结地区的主导侵蚀过程；降雨受迎风坡效应的影响在南向坡面富集，驱动该坡向上滑坡的集中分布。降水促进河流下切，以陡化边坡的方式诱发滑坡。

关键词： 矢量共形阵列:   张量:   离网格优化:   变分稀疏贝叶斯学习  

摘要： 稀疏重构算法划分网格数目直接决定计算复杂度大小，且其在低信噪比和小快拍下的离网格参数估计性能仍无法满足实际精度需求。为解决上述问题，提出了一种基于张量的矢量共形阵列（Vector Conformal Arrays， VCA）离网格优化参数估计算法。首先，利用信号空域稀疏特性，基于VCA建立二维稀疏离网格张量接收信号模型；然后，为进一步促进解的稀疏性，提出一种三阶分层先验贝叶斯模型，利用张量变分稀疏贝叶斯学习算法得到波达角度（Direction of Arrival， DOA）估计值。在DOA估计过程中，提出一种离网格优化思想，大大降低运算复杂度提升算法效率。最后，利用最小特征向量方法得到信源极化参数估计。仿真结果表明，与未采用离网格优化的算法相比，所提算法的计算复杂度提升约30.8%；同时，在信噪比小于0dB和快拍小于150的条件下，所提算法的参数估计精度和角度分辨概率分别提升约35.7%和54.4%。

关键词： 关联规则   Apriori算法   三元组   质量检测   纺织品  

摘要： 为解决纺织品质检不合格数据在进行关联规则挖掘时计算时间较长的问题，对传统Apriori算法进行优化，提出了一种基于三元组的数据挖掘方法——T-Apriori算法。该算法的核心思想在于通过将数据的布尔矩阵压缩存储为三元组形式，从而有效减少存储空间并提升计算效率。针对支持度的确定，还提出了一种更为客观的方法，即通过分析候选1项集频数区间对应的候选1项集个数的变化趋势来调整支持度阈值，以更好地适应数据特性。结果表明:T-Apriori算法在与传统Apriori算法及其优化版本C-Apriori算法的比较中，表现出显著的性能提升，其运行时间仅为传统Apriori算法的40%。尤其在数据量较大且支持度较低的情况下，T-Apriori算法的时间下降幅度更为显著，证明其在大数据量和低支持度环境下具有更为优异的处理性能。通过采用T-Apriori算法，纺织品质检数据的分析效率得到了极大提高，为质量监管和决策支持提供了更加高效的数据分析工具，具有重要的实际应用价值。

关键词： 信息茧房   智能算法推荐   突破意愿   CAC理论   矛盾态度  

摘要： [目的/意义] 探究人工智能算法推荐下，短视频用户信息茧房突破意愿的影响因素和内在机理，为平台助力用户突破信息茧房提供对策建议。[方法/过程] 基于“感知—情感—行为意愿”（CAC）理论框架和矛盾态度理论，构建用户信息茧房突破意愿影响因素模型。通过问卷调查与偏最小二乘结构方程模型进行实证分析，并利用多群组分析探究短视频内容类型的差异化影响。[结果/结论] 感知控制可以通过提高心流体验和减少心理抗拒，降低信息茧房突破意愿。感知信息同质产生矛盾的情感体验，既降低又增加突破意愿。感知信息过载加重心理抗拒，促进突破意愿。享乐型和实用型视频下，用户的情感体验和突破意愿存在显著差异。

关键词： 巨龙铜钼矿   隐式建模   机器学习   成矿预测  

摘要： 三维成矿预测打破了传统二维预测图件的限制，可以将地学信息在真三维空间中直观的表达出来，因此受到人们越来越多的关注。三维地质建模和成矿预测方法是三维成矿预测过程中非常重要的步骤，但是随着地质数据采集方式的多样化，地质数据来源的多样性，地质数据也逐渐具备了大数据的特征，传统的显式建模方式和成矿有利信息提取方法受到了诸多限制，主要体现在不能有效的对三维模型进行实时更新和对大量地质勘查数据的分析与处理。为了提出针对该类问题的一种有效解决方案，笔者选择西藏巨龙超大型斑岩铜钼矿床为研究对象，利用隐式建模方法构建矿区三维地质–地球化学模型，并通过机器学习算法对成矿有利信息进行提取、分析，最后对潜在的有利成矿空间进行预测。建模结果表明，隐式建模方法可以通过插值函数获得整个空间的地质体数据，三维地质体曲面重建算法可以对地质体数据进行三维建模与可视化，自动生成三维可视化模型。隐式建模大大降低了显示建模中人机交互圈定地质界线的繁琐过程，可以实现三维模型的快速动态更新，而且隐式建模在更大程度上能够精确反应地下深部地质体的空间分布特征。成矿预测主要基于三维地质–地球化学模型提取深部有利成矿信息，构建训练集和测试集，利用有监督的机器学习模型（逻辑回归模型、支持向量机模型、人工神经网络模型、随机森林模型）进行训练。训练后的模型对测试集进行预测，并将预测结果绘制成ROC曲线进行预测结果评估。评估结果显示，4个不同预测模型的AUC值都大于0.6，说明所训练的模型预测精度是优于随机过程的，其中随机森林算法的AUC值最大（0.97），模型预测效果最优。本文选择随机森林模型对矿床深部进行预测，圈定了2个找矿靶区。经过钻探验证，靶区B潜在资源与预测结果相符，证实了该方法具有一定的科学性与可行性。