面向对象软件度量工具的设计实现

随着软件开发技术的日益成熟,软件质量的控制与可维护性成为重要问题。利用软件度量工具来度量程序源代码的各类质量属性,是提高程序质量的一个重要方法。由于目前面向对象语言已成为编程的主流语言,度量基于面向对象语言也成为必然。本文设计实现了一个实用面向对象软件度量工具,给出了该工具的结构,介绍了该工具的详细设计,总结了该结构的特点和实用性。     

系统测试的外部质量评价方法研究

随着软件行业的成熟,对软件定量评价的必要性增大。作者借鉴功能点分析法[1]结合自身多年系统测试的经验,提出一套软件外部质量[2]的评价模型,简便可行的解决了软件质量工程评价过程中因缺少实操性而难以量化的难题,为软件工程质量定量评价提供客观可行的方案。     

论网页版式设计与传统版式设计的差异性

随着网络的发展与普及,人们的生活无时无刻离不网络,与此同时,视觉传达设计也面临着巨大的转折,网络成为了信息交流中新的传播媒介,视觉传达设计与新科技的结合成为了设计发展的个必然趋势。网页作为新的广告传播媒介,在视觉传达设计中具有重要的地位,已经成为视觉传达设计重要的分支,不管是传统的印刷设计还是现代的网页设计都涉及到版式设计,两种媒介的版式设计既有共通的地方,也有各自的特点,网页设计的审美规律已经成为平面设计的个重要研究方向。本文通过多方面比较分析,寻找现代网页设计与传统印刷设计之间的相互联系。     

中国典籍中文化负载词翻译的解构主义视域研究

正1问题现状与研究意义1.1中国典籍中文化负载词翻译的突出问题及重大战略意义目前越来越多的国家把注意力投向文化,现实和文化间的联系更加广泛,人们越来越多地关注文化差异性与多样性。随着翻译"文化转向"的加强,翻译界展开了大量的关于文化负载词翻译的研究,其中不乏关于中国典籍中文化负载词的翻译处理方法和研究。文化负载词在古代文化典籍翻译过程中具有举足轻重的地位,但如何在跨文化路径的中国古代文化典     

基于Hadoop的协同过滤推荐算法

在电子商务推荐系统中,协同过滤算法技术是主要的采用技术,而推荐系统的准确率受相似度方法的直接影响。本文通过对用户共同评分项的流行度和用户的特征之间的相关性的分析,给出了改进的相似度度量方法及相应的协同过滤推荐算法,设计并实现了基于Hadoop的协同过滤推荐系统。利用MAE分别对原始协同过滤推荐效果和改进后的推荐算法进行测评,结果表明,该算法在一定程度上提高了推荐的准确度。同时,对分布式推荐平台的整体性能实验表明,随着虚拟机节点的适度增加,协同过滤推荐引擎的计算时间不断减少,这表明推荐引擎的总体性能较传
　　统单机推荐引擎得到提升。     

基于半监督距离学习的运动相似性度量算法

人体运动捕获技术的发展使得运动捕获数据不断积累,人体运动的检索技术成为运动数据管理和重用过程中的关键环节。由于逻辑相似的运动在数值上并不一定相似,使用欧式距离度量2个运动间的逻辑相似性难以取得理想的结果。为此,提出一种半监督的距离度量学习算法,利用带标记的运动和未标记运动进行训练以得到运动间的马氏距离度量,从而判断2个运动之间的逻辑相似性,实现运动检索。实验结果表明,与现有的大部分检索算法相比,该算法能够得到更高的查询精度,且没有任何人工干预,可应用于自动检索领域。     

度量空间中的Top-k反向Skyline查询算法

不同于传统的度量空间Skyline查询,提出了一种新颖的度量空间中的Skyline查询MkRS(metric top-kreverse skyline).MkRS从反向角度执行度量空间中的Skyline.给定查询对象q和单调参考函数f,MkRS返回k个包含m个数据对象的子集,以至于每个子集G的度量Skyline包含q.评估这种查询,需要执行从输入数据集P中n个数据对象里选择m个对象的穷举搜索以及每个排列子集的度量Skyline.这些计算由于巨大的搜索空间而需要极高成本.提出了基于排序机理的算法STS(sort and threshold skyline),它可以提前终止计算,仅需要检查很少部分的子集.然后,利用信息重用技术给出了基于重用的STS算法rSTS(reuse STS),进一步减少了STS中80%以上的I?O访问.大量的实验表明提出的算法有效、快速.     

基于内存依赖关系度量的解密数据提取方法

基于数据流的程序分析算法能够有效识别程序的数据处理流程,但是对于采用数据加密技术进行通信的网络程序,数据流分析由于无法准确识别、提取解密数据而失效.针对如何提取解密数据,提出一种基于内存依赖度的算法,从解密数据内存依赖度的角度研究如何提取加密通信中的明文数据及实现该算法的原型工具EncMemCheck.通过实验对比分析该算法的优缺点,并在加密通信软件UnrealIrcd上进行实际测试,验证了算法的准确性和实用性.     

基于拉普拉斯方向的差值线性判别分析

标准的LDA方法通常有3个问题:1)为了确保类内散度矩阵的非奇异性,必须首先通过PCA进行维数约简,这限制了对更多维数空间的使用;2)当每人只有单个训练样本时,类内散度矩阵必然奇异,此时LDA无法工作;3)缺乏对像素间的局部相关性的考虑。为了解决这些问题,提出一种基于拉普拉斯方向的差值线性判别分析方法。该方法通过拉普拉斯方向实现更鲁棒的图像相异性测度,通过引入差值散度矩阵来避免类内散度矩阵的奇异性。实验结果显示,该算法对表情变化、光照改变及不同遮挡情况获得了更高的识别率,尤其针对光照变化,效果更加显著。     

高维数据空间的性质及度量选择

高维数据分析是机器学习和数据挖掘研究中的主要内容,降维算法通过寻找数据表示的最优子空间来约减维数,在降低计算代价的同时,也提高了后续分类或者聚类算法的性能,从而成为高维数据分析的有效手段。然而,目前缺乏高维数据分析的理论指导。对高维数据空间的统计和几何性质进行了综述,从不同的角度给出了高维数据空间中"度量集中"现象的直观解释,并讨论了通过度量选择的方式来提高经典的基于距离度量的机器学习算法在分析高维数据时的性能。实验表明,分数距离度量方式可以显著提高K近邻和Kmeans算法的性能。