P-Start:一种分阶段TCP慢启动机制

针对现有TCP算法慢启动机制窗口指数增长导致一个窗口中出现多个包丢失现象，提出了一种分阶段的TCP慢启动机制－P-Start．该方法利用零界点（ssthresh／2）将慢启动分为两个阶段．窗口小于零界点，呈指数增长；窗口大于零界点，则以负指数方式增长，逐步迭代逼近门限值；使拥塞窗口增加幅度在连接启动时和过渡到拥塞避免阶段比较小，而在零界点附近窗口增加幅度大．从而有效避免了多个包丢失现象的发生，实现连接的平滑接入和过渡到拥塞避免阶段．考虑到慢启动传输效率低，改进算法通过参数配置，加快窗口的增加速度．减少慢启动的持续时间，提高其性能．仿真实验结果表明P-tart有效地提高了TCP协议的稳定性和网络的性能．     

改进小波包结合支持向量机分类器的无线Ad Hoc网络性能评价

使用训练集大小、特征提取方法和识别方法作为影响识别错误率的三个因素,采用改进小波包（IWPA）和SVMDT相结合的方法对无线Ad Hoc网络的性能进行了评价。通过采用方差分析和最小二次无偏估计的方法等数理统计方法分析实验数据,获得了各个因素的主效应及其之间的相互效应对识别错误率边际均值的具体影响程度。研究结果表明,IWPA特征提取方法的性能远优于WPA和WT,SMDT分类方法的性能也优于RBF和SA,并且IWPA和SMDT相结合产生了最佳的交互效应。     

基于局部上下文关键词的方面级情感分析

针对目前大多数方面级情感分析方法存在着没有重点关注局部上下文中关键词特征的问题.本文提出了一种基于局部上下文关键词特征提取及增强的方面级情感分析模型LCPM (local context pos mask).首先提出了局部上下文词性掩码机制,提取方面词周围重要词的特征,减少噪声词的干扰.其次对损失函数进行修改,让模型重点关注与方面词有关的局部上下文关键词特征,提升模型情感分类的表现.最后设计了一种门控机制,模型可以动态学习权重系数,给局部上下文关键词特征和全局上下文特征分配不同的权重系数.在4个公开数据集上的实验结果表明,与现有的方面级情感分析模型相比,准确率和MF1值都有提高,验证了局部上下文关键词提取及增强的有效性,在方面级情感分析任务上有较大的应用价值.     

TSPT：基于预训练的三阶段复合式文本摘要模型

抽取式方法从源文本中抽取句子,会造成信息冗余;生成式方法可以生成非源文词,会产生语法问题,自然性差。BERT作为一种双向Transformer模型,在自然语言理解任务上展现了优异的性能,但在文本生成任务的应用有待探索。针对以上问题,提出一种基于预训练的三阶段复合式文本摘要模型（TSPT）,结合抽取式方法和生成式方法,将源本文经过预训练产生的双向上下文信息词向量由sigmoid函数获取句子得分抽取关键句,在摘要生成阶段将关键句作为完形填空任务重写,生成最终摘要。实验结果表明,该模型在CNN/Daily Mail数据集中取得了良好效果。     

号码预留系统实时交互性的实现

本文分析了在为中国电信大客户经理设计号码预留系统中存在的必须要实现"先点选先得到"的实时性与公平性的系统功能要求后,创新性地给出了利用Ajax技术结合Hsqldb Servlet的设计方案,以及在页面、服务器端、异常情况下的关键代码,实现了页面数据与服务器频繁交互的情况下实时、高效的web完美功能体验,并指出了此方法的适用领域.     

MP-Start：基于带宽测量的分阶段TCP慢启动机制

针对TCP慢启动机制门限值参数难于设置以及突发流量引起网络抖动的问题，提出了一种基于带宽测量及分阶段实施的TCP慢启动改进算法。该方法利用在线网络带宽测量技术，探测出网络带宽，从而根据网络状态的动态变化实现慢启动门限值的动态更新，同时，采用分阶段方法调节拥塞窗口的增加，在拥塞窗口大于门限值一半时，拥塞窗口增幅为门限值和拥塞窗口差值的一半，逐步迭代逼近门限值，使拥塞窗口在连接启动和过渡到拥塞避免阶段增加幅度比较小，而在中间阶段窗口增加幅度比较大。有效避免了多个分组丢失现象的发生，实现了连接的平滑接入和过渡到拥塞避免阶段；为提高改进算法的性能，设计了一种灵活的参数化的模型和自适应参数设置方案。大量仿真实验结果表明MP-Start能在多种网络环境下有效改善网络性能，如降低分组丢弃数、减少数据传输时间、降低共享链路分组队列长度、保持连接的传输平滑性。     

基于自相似网络流的多维QoS路由策略研究

提出了一种依据网络自相似的特征,在扩展的Bellman-Ford算法的基础上构造了一种基于自相似网络流的QoS路由算法,该算法具有根据历史路由信息来指导路由的特点,避免了由于以往确定性路由算法的路由聚集性的不足。实验结果表明,该算法具有较好的性能指标,能自适应网络,使其负载均衡,同时具有较少的处理与协议开销。     

ε-支持向量回归机算法及其应用

针对现有传统的一些图像去噪方法难以获得清晰图像边缘的问题,提出了利用ε-SVR技术构建图像去噪滤波器的新方法。ε-支持向量回归机通过引入ε不敏感损失函数,可以实现具有较强鲁棒性的回归,而且回归估计是稀疏的,保留了SVM的所有优点。分析了ε-支持向量回归机理论算法及其在图像去噪中的应用,使用ε-支持向量回归机对图像进行滤波并且与最小值滤波、均值滤波和维纳滤波等常用的滤波方法相比较,还比较了SVM各种核函数对不同噪声的滤波效果和分析了不同阶数的Multinomial核的滤波效果。实验结果表明了ε-支持向量回归机能够有效地去除噪声,不但信噪比较高而且比较清晰,同时具有良好的稀疏性。     

支持向量机在分类和回归中的应用研究

SVM在许多领域的分类和回归方面起了越来越重要的作用,显示了它的优势。由于SVM方法较好的理论基础和它在一些领域的应用中表现出来的与众不同的优秀的泛化性能,近年来,许多关于SVM方法的应用研究陆续提了出来。围绕支持向量机在分类和回归中的问题进行了阐述,使我国在这一领域的研究和应用能够尽快赶上国际先进水平具有十分重要的意义。     

P2P与网格的互补性研究

P2P与网格都是新型的分布式计算模型,它们的总体目标相似,对P2P和网格模型中的安全性、连通性、访问服务、资源发现与管理、容错以及协同性等几个重要问题进行分析,为将P2P模型中的技术应用到网格中来创造条件。采用P2P协议和模型来处理网格计算,并利用P2P与网格技术之间的协同和互补来构建高性能的分布式系统,从而增加网格的可扩展性,实现非分层的分散网格系统。