浅析企业员工培训与核心竞争力打造

加强员工培训是企业获得高素质人才、提高自身品牌价值的重要途径之一。文章主要通过探讨对员工知识技能、创新意识、忠诚职守、团队精神等几个方面的培训,阐述企业员工培训与核心竞争力打造的关系。     

基于EPS格式条形码的图形识别

由于EPS格式为矢量类文件,无分辨率可言,很难利用数字图像处理技术来识别。针对EPS格式条形码识别过程中存在诸如受黑墨扩展因素造成了条码的条和空的比例不符,无法准确识别出正确的条码等问题,提出了一种基于二进制法解析EPS格式条形码,并对其进行识别,判断条码的准确度,这样可以提前检测出EPS格式条码的错误。对不同放大系数的条形码进行分析,从而避免生成胶片和印刷时的误差和浪费。实验结果证明效果显著。     

多表达式程序设计的新型评估方法

多表达式程序设计(MEP)是应用十分广泛的自动程序设计方法。从MEP的染色体表示规则及种群演化方式来看,每个染色体中的任何基因都有可能多次被当前或其它后续种群中的其他基因引用,从而造成重复计算,耗费大量时空资源。由此提出并实现了一种新型评估方法,该新型评估方法在不改变传统MEP的染色体表示规则和种群演化方式的情况下,能够准确有效地识别演化过程中所有被重复引用的基因,从而避免了大量重复计算,显著提高了演化效率。     

目标跟踪中巴氏系数误差的分析及其消除方法

在meanshift的目标跟踪方法中,Taylor公式的近似展开会造成优化过程中Bhattacharyya系数值的误差,这种误差会给目标跟踪带来偏差,同时不适合快速运动目标的跟踪.针对Bhattacharyya系数的Taylor公式近似表示情形,研究了这种近似表示引起的系数误差和对目标跟踪的影响,在此基础上,将Bhattacharyya系数的优化问题转化为求解约束优化问题,从而提出一种改进的目标跟踪方法,以达到提高目标跟踪的精度,而且证明了该改进方法的收敛性.实验表明文中方法对于快速运动目标的跟踪具有更好的跟踪精度.     

无线传感器网络通信半径动态调整的能耗均衡策略*

针对无线传感器网络中分簇算法采用多跳通信方式时,靠近汇聚节点的簇首节点由于转发大量数据而导致自身能量消耗过快且易失效,从而造成网络分割,形成"热区"问题,提出了一种无线传感器网络通信半径动态调整的能耗均衡策略.该算法将传感器网络合理分区,通过动态调整分区通信半径选择能耗均衡的簇结构.仿真实验表明该算法可以把能量均衡地分摊到网络的各个节点,并具有较高的能耗效率,延长了网络寿命,减缓了网络的"热区"问题,性能优于HEED算法.     

一种新的传感器网络混合广播调度方法

由于传感器网络所使用无线信道的共享性和相互干扰, 节点间数据广播会产生资源冲突, 广播调度要解决的即是为每个节点分配到一个无冲突传输时隙, 其目标是找到最优时分复用(TDMA: time division multiple access)调度解, 使得帧长度最短而信道利用率最大. 提出基于神经网络的两阶段混合广播调度算法. 在阶段一, 使用改进的顶点着色算法来获得调度所需最短时隙数目; 在阶段二, 使用模糊Hopfield网络将节点模糊聚类为M类, 同类 节点可以在同一时隙被调度, 不同类节点必须在不同时     

基于时间序列相似性聚类的应用研究综述

在综合分析近年来时间序列数据挖掘相关文献的基础上从时间序列分割、相似性度量、时间序列聚类等方面对时间序列数据挖掘进行了综述,简要分析了基于时间序列相似性聚类的研究现状,对比较流行的算法进行了比较分析,对当前一些未解决的问题进行了简要介绍,并在此基础上对未来的发展趋势进行了展望,为研究者了解最新的基于时间序列相似性聚类研究动态、新技术及发展趋势提供了参考.     

网络编码在无线Mesh网中的应用综述

网络编码是近年来通信领域的一种新的技术.网络编码允许中间节点将接收到的信息进行编码并发送出去,提高了网络吞吐量、健壮性等.无线Mesh网可以使用网络编码技术显著提高多跳链路的传输性能.文中简要介绍网络编码的基本原理和线性网络编码,总结了网络编码在无线Mesh网中的最新研究进展,评述了网络编码对无线Mesh网通信性能的影响,包括提高网络吞吐量、健壮性和安全性,最后对其发展趋势进行了展望.     

带反馈的无线传感器网络实时数据融合策略

针对无线传感器网络中现有数据融合技术对由融合引起的延时考虑较少,难以满足实时性需求的不足,提出一种带反馈的实时数据融合策略FRDA。对不同类别的数据进行实时自适应分级,将紧急数据迅速融合并传输给用户,达到延时和融合效率的折衷。仿真实验结果表明,带反馈的实时融合数据方法对不同服务加以区分,有效地保证了紧急数据的实时处理,且没有降低数据的融合精度。     

软件交互行为的可信性分析与态势预测研究

研究现代分布式软件系统中交互实体的行为可信性问题,关注运行期意图、情景、行为和行为效应之间的关系,采用先进的统计机器学习工具分析行为踪迹规律,提出了一个新的软件行为分析与态势预测方法.针对松散聚合的交互实体间可能产生新的交互事件和行为模式的问题,本文用分层Dirichlet过程和无限隐Markov模型对被监测的交互接口数据进行聚类确定未知交互事件,用含有未知事件的序列进行行为模式的半监督学习,由管理者将其添加到规则与知识库中.在确定未知事件和行为模式时,用Beam抽样方法较其他方法(如Gibbs抽样)有更高的数据抽样和推理效率.当知识库的行为模式达到一定规模时,系统便可以无监督地对交互行为进行分析和预测.本文用HMM的Viterbi算法分析当前交互事件的最佳序列,从而确定当前交互行为的善恶,对恶意行为及时报警,对非恶意行为的后续趋势进行主动预测.通过仿真实验证实了该方法在软件行为分析与预测上具有独特的优势.