多模态集成阿尔茨海默病和轻度认知障碍分类

为了更有效而准确地诊断阿尔茨海默病(Alzheimer’s disease,AD)和轻度认知障碍(Mild Cognitive Impairment, MCI),文章提出了一种基于多模态数据(MRI、PET 和非成像数据 CSF)的集成支持向量机来分类 AD 和 MCI。该算法使 用集成学习技术来综合利用不同模态数据之间相互作用产生的分类判别信息,并利用支持向量机进行分类。为了评价该 算法的有效性,采用十折(10-fold)交叉验证策略来验证其性能,并在标准数据集 ADNI 上测试算法性能。实验结果表明, 多模态集成支持向量机分类方法的性能优于多模态多核学习和单模态方法。     

基于SOM特征映射图上引力场的故障模式识别

对聚类方法SOM特征映射图使用引力场进行区域划分,实现远程故障识别.首先由SOM得到输入模式的具有不同响应特性的聚类区域;对SOM特征图进行邻域相关性分析并使用阀值划分种子区域;以种子区域为引力源在SOM特征图中构造引力场,根据特征图中点沿在引力场所受力的方向运动而收殓到的种子区域进行区域划分,并以此进行模式识别.该方法不用考虑区域边界上点的分类问题且很容易扩展到多维空间.对12种典型飞机起落架故障进行远程检测仿真,取得了较满意的效果,较大地提高了正确识别率.     

一种基于差评散布的P2P网络信任机制

面对各种网络攻击,P2P网络需要有效的信任机制隔离恶意节点,保证节点的成功交易。考虑节点行为特征和差评的重要性,提出基于差评散布的信任机制。服务节点一旦提供的服务被给出差评,对其近期交易的相关节点进行差评的散布,加大差评对服务节点声誉的影响力度。经过二次计算的节点声誉值能真实反映节点近期的声誉水平与交易趋势。实验结果表明,该信任机制能保证正常节点的交易成功率,有效对抗各种攻击行为。     

映射法在数据库原理教学中的应用

针对数据库原理课程在实际教学中遇到的问题,提出了一种映射式课程教学方法。该方法将数据库设计原理的理论知识加以分解后,一一映射到管理信息系统的开发过程中,从而实现理论知识与项目开发实践的有机结合。将此方法应用到数据库原理课程的教学中,可以有效地提高课程教学水平,解决现行教学中遇到的实际问题。     

混合属性数据集的基于近邻连接的两阶段聚类算法

面对混合属性数据集的数据预处理需求,本文在给出若干定义及相关性质之后,提出了一种基于近邻连接的两阶段聚类算法。为提高算法的时间效率,给出了算法改进的思路与技术。多个人工数据集和UCI标准数据集的仿真实验结果表明,对于一些具有明显聚类分布结构的数据集,该算法经常能取得比k-means算法和AP算法更好的聚类精度,说明它具有一定的有效性。为进一步推广并在实际中发掘出该算法的应用价值,最后给出了几点研究展望。     

浅谈二本高校计算机专业的分类教学

为贯彻"因材施教"的原则,一些有条件的二本高校可以对计算机专业学生进行分类教学的探索实验。二本高校计算机专业的分类教学即可满足计算机学生的切身需求,又可为社会培养多种类型的IT人才。为增强二本高校计算机专业的竞争力、吸引力,一些有条件的二本高校应该做一些计算机专业的分类教学实验。     

一种加权模糊C中心聚类新算法

对于一些局部分布稀疏不均、聚类区域的形状及大小很不规整的数据点集,多数聚类算法不能很好地探测出其聚类分布。在借鉴了两个加权FCM聚类算法的构造及推导过程的基础上,提出了一种加权模糊C中心聚类新算法。接着对该聚类算法进行了一些讨论,给出其时间复杂度及收敛性分析。通过German数据集的几种聚类算法的对照实验结果及评估相异性度量的比较实验结果,验证了该聚类算法经常能取得比某些算法更好的聚类精度,从而说明这个新型加权聚类算法具有一定的有效性。最后给出了几点研究展望,为下一步的研究指明了方向。     

探讨“同课异构”在高等院校中的应用

在当前高等院校的扩招形势下,为了提高教学质量、办出专业特色,将“同课异构”教学模式引入到高等院校,探讨了在高校应用“同课异构”模式的必要性,以及相关策略.     

挖掘空间拓扑关联的有效算法

在基于空间事务的横向关联规则挖掘中,为了能够在海量数据中有效地提取空间拓扑关联规则,提出一种挖掘空间拓扑关联的有效算法,其适合挖掘多层横向空间关联规则.该算法用二进制数存储空间拓扑关系,使空间事务和数字建立对应关系,用数字递增的方法产生候选频繁项.在计算支持数时,算法在用逻辑运算的同时还利用数字特性减少扫描的空间事务数,大大地提高了效率.实验结果表明,在提取多层空间拓扑关联规则时,其比现有的算法更快速更有效.     

基于Bootstrap采样粒子滤波的WirelessHART时间同步算法﹡

针对无线HART传感器网络时间同步精度较低、能耗过大等问题,提出了一种基于Bootstrap采样的粒子滤波时间同步算法。在未知网络延迟分布的情况下,为了减少观测次数,对发送端和接收端的时间戳观测值进行Bootstrap采样,采用混合粒子滤波算法,获得精确的时钟偏移,从而不仅降低了无线HART传感网络时间同步误差,而且使能耗减小。最后,实验表明,对于无线HART网状分层网络,当观测量达到10以上时,粒子滤波算法获得的时间偏差的均方误差约是最大似然估计算法的50%,而基于Bootstrap采样的粒子滤波算法获得的时间偏差的均方误差约是最大似然估计算法的35%,仿真的结果验证了该方法的可行性和有效性。