路由器QoS模块研究

互联网从研究网络到商业网络的转化以及多种对QOS有不同要求的应用的出现要求互联网提供QOS．本文首先论证了在路由器中实现QOS的必要性，然后以此为基础，给出了在路由器中实现QOS模块所需要考虑的问题和实现框架，并详细讨论了实现细节．最后在具有自主知识产权的BQ2000路由器上对该模块作了测试，给出了评测．     

基于Multi-Agent的分类器融合

针对决策层输出的分类器融合问题，该文提出了一种基于Multi-Agent思想的融合算法，该算法将分类器融合问题建模为人类发源地问题，通过引入决策共现矩阵，并在智能体之间进行信息交互，从而利用了分类器之间的决策相关信息，算法根据在融合训练集上得到的统计参量，指导各个智能体向不同类别溯源，并通过智能体之间的信息交换改变溯源概率，最终达到群体决策，得到决策类别，本文在标准数据集上对该算法进行了实验研究，通过与其它一些融合方法的比较，得出在用于融合的分类器较少时，该算法得到比其它方法更低的分类错误率，其空间复杂度相对BKS方法较小，实验证实，该算法是收敛的。     

不同抽气率下细粉分离器流场数值模拟

细粉分离器是中间储仓式电站锅炉制粉系统中的重要设备。传统细粉分离器效率低下,造成排粉风机磨损、汽温波动等问题。有关试验表明,在分离器底部抽取一定量的气体是提高其分离效率的有效途径。采用RNG k-ε模型,对下抽气细粉分离器进行了数值模拟,研究其内部气流流动特性,并与传统细粉分离器比较,分析抽气对分离器流场和分离效率的影响,模拟结果与试验结果吻合良好。     

统计模式识别研究进展

研究了统计模式识别研究的主要新进展。介绍了统计模式识别的原理和方法。从类条件概率分布的估计、线性判别法、贝叶斯分类器、误差界以及新的模式识别模型等方面概述了近几年有关统计模式识别方面的研究进展。最后进行了评述。     

基于SOM-PNN分类器的体数据概率分类及绘制

概率分类是三维医学体数据绘制必不可少的预处理环节。本文提出的ＳＯＭ－ＰＮＮ分类器，以贝叶斯置信度为基础，给出概率分类结果，并用于三维体制制，得到了良好的图像质量和较高的分类效率。     

多层组合分类器研究

为了提高监督分类的精度，本文从组合分类器的结构出发，提出一种横向多层组合模型，并对这种模型的运行方式与组合特性进行分析。该模型每层含有一个分类器，每个分类器的输入和输出一起作为其后面一层的输入。我们将简单贝叶斯法与BP神经网络组合成两层分类器。实验结果表明，这种组合方式有效地提高了单个方法的分类精度。     

用Matlab语言建构贝叶斯分类器

文本分类是文本挖掘的基础与核心，分类器的构建是文本分类的关键，利用贝叶斯网络可以构造出分类性能较好的分类器。文中利用Matlab构造出了两种分类器：朴素贝叶斯分类器NBC，用互信息测度和条件互信息测度构建了TANC。用UCI上下载的标准数据集验证所构造的分类器，实验结果表明，所建构的几种分类器的性能总体比文献中列的高些，从而表明所建立的分类器的有效性和正确性。笔者对所建构的分类器进行优化并应用于文本分类中。     

锅炉粗粉分离器改造

针对湖北襄樊发电有限责任公司 4× 30 0MW机组锅炉粗粉分离器效率低、循环倍率高等问题 ,提出了将原轴向I型粗粉分离器改为串联双轴型的改造方案。改造后 ,粗粉分离器效率提高了 15 %以上 ,飞灰可燃物由 5 .5 %下降到 2 .9%,节能效果显著。     

一个基于朴素贝叶斯方法的web文本分类系统:WebCAT

如果缺乏好的对文本自动进行索引及摘要的工具,要从Internet浩瀚的文本中检索有用信息是很困难的。因此,文本分类成为信息检索(InformationRetrieval)的重要组成部分。朴素贝叶斯分类是应用统计理论进行文本分类的有效方法之一。该文结合web文本的特点使用朴素贝叶斯分类器实现了一个web文本分类系统WebCAT,并获得了很好的分类结果。     

Perceptual grouping of line features in 3-D space: a model-based framework

In this paper, we propose a novel model-based perceptual grouping algorithm for the line features of 3-D polyhedral objects. Given a 3-D polyhedral model, perceptual grouping is performed to extract a set of 3-D line segments which are geometrically consistent with the 3-D model. Unlike the conventional approaches, grouping is done in 3-D space in a model-based framework. In our unique approach, a decision tree classifier is employed for encoding and retrieving the geometric information of the 3-D model. A Gestalt graph is constructed by classifying input instances into proper Gestalt relations using the decision tree. The Gestalt graph is then decomposed into a few subgraphs, yielding appropriate groups of features. As an application, we suggest a 3-D object recognition system which can be accomplished by selecting a best-matched group. In order to evaluate the performance of the proposed algorithm, experiments are carried out on both synthetic and real scenes.