Java异常处理

异常处理是Java程序设计中一个非常重要的机制,也是程序设计的一大难点,就异常和异常处理方式等方面进行介绍,并通过一个实例来验证异常。     

Java Web网站通用图形验证码的实现

web网站的安全是开发人员要重点考虑因素之一,为提高系统安全性,普遍使用图形验证码技术。讨论了常用的网站验证码技术,提出了一种通用的实现方法。     

ExtJS框架下表格组件的应用与改进

在油田措施效果评价系统开发中,使用了ASP.NET技术并结合ExtJS框架,设计并实现了一个基于B/S模式的Web应用系统,解决开发中的技术问题,着重对ExtJS中的表格组件进行了改进和扩展,实现了同时显示锁定部分表格列与支持多行表头的复杂表格,对系统中常用的几种表格形态及深入应用作了介绍与分析。     

基于软件复用技术的电子地图应用系统研究

介绍了软件复用技术,提出了实施基于构件的软件复用技术的关键技术,进而结合信息系统的特点进一步研究了基于领域的软件构件技术。利用面向对象分析方法和面向对象建模语言（UML）,对电子地图应用软件系统进行了分析和建模,进而提取构件,并按照COM构件规范实现构件。     

Java程序设计课程教学方案研究

Java是一种行业工具,所以Java程序设计课程成为电子信息类和IT各专业的必修课程,Java也是IT类各种职业从业的必要条件。研究了Java教学方法,提出了在教学过程中少一点Java语法、结构方面的分析研究教学,多一点Java在网络应用中的案例教学,体现Java作为工具的应用功能的教学思路。     

基于Java点对点通信技术的DES密钥交换

介绍了使用Java的点对点通信技术,基于Diffie-Hellman规则,给出了IBM DES密钥交换的总体方案、算法和应用程序,详细说明了其中涉及的主要技术和方法,同时给出了在PC机上用二进制指数分解法实现大数模运算的算法分析和实现方案。     

基于JMX的MuleESB管理控制台

给出了一个符合JMx规范的MuleESB管理控制台的设计和实现方案。借助了该控制台可以远程管理MuleESB．查看MuleEsB服务器信息、MuleEsB及其服务的运行时状态和运行日志,也可以远程调用部署在MuleESB＆服务方法。该控制台弥补了MuleESB不提供远程管理的开源实现的不足。实验证实,该控制台运行稳定可靠。     

结构正则化多视图非负矩阵分解

现存非负矩阵分解（non-negative matrix factorization,NMF）研究多考虑单一视图分解数据,忽略了数据信息的全面性。此外,NMF限制其获取数据的内在几何结构。针对以上问题,提出一个结构正则化多视图非负矩阵分解算法（structure regularized multi-view nonnegative matrix factorization,SRMNMF）。首先,通过主成分分析来对数据进行全局结构的判别式学习;其次,利用流形学习来捕获数据的局部结构;然后,通过利用多视图数据的多样性和差异性来学习表征。模型提升了算法聚类的整体性能,更加有效地挖掘数据的结构信息。此外,采用高效的交替迭代算法优化目标函数得到最优的因子矩阵。在六个数据集上与现存的代表性方法比较,所提出的SRMNMF的准确率、NMI和Purity分别最大提高4.4%、6.1%和4.05%。     

小水电站生态流量对电能损失率的影响分析

小水电站多以追求最大发电效益为目的,电站下游河道生态流量往往处于"无"或"少"的不良状况,对生态环境影响日益凸显.为研究电站下泄生态流量对电站电能损失的影响及影响因子的作用,本文选取江西省遂川县为研究区域,采用主成分分析法分析小水电站生态流量对电站电能损失率的影响.结果表明:(1)河道生态流量对小水电站目前运行实际发电量的损失率的影响阈值一般控制在[10％,20％].(2)电站效能属性第一主成分包括年利用小时数(M4)、设计流量与多年平均流量比(M5)和水量利用率(M6);电站出力属性第二主成分包括设计水头(M2)和设计流量(M3);装机规模(M1)为第三主成分装机属性单一主要指标;其中,M2和M4对电能损失率呈负作用,表明参数越大,相应电能损率失越大;M1、M3、M5和M6对电能损失率起积极正向作用,参数越大,相应电能损失越小.建议在小水电整改评估工作过程中,以考证M4、M5和M6的真实性和可靠性为先,后以电站铭牌特征值M2、M3和M1收集为辅,便于整改评估工作的顺利开展.本研究可为小水电站的评价认定和电能损失补偿提供一定的技术支撑和参考.     

基于改进结构保持数据降维方法的故障诊断研究

传统基于核主成分分析(Kernel principal component analysis, KPCA)的数据降维方法在提取有效特征信息时只考虑全局结构保持而未考虑样本间的局部近邻结构保持问题, 本文提出一种改进全局结构保持算法的特征提取与降维方法.改进的特征提取与降维方法将流形学习中核局部保持投影(Kernel locality preserving projection, KLPP)的思想融入核主成分分析的目标函数中, 使样本投影后的特征空间不仅保持原始样本空间的整体结构, 还保持样本空间相似的局部近邻结构, 包含更丰富的特征信息.上述方法通过同时进行的正交化处理可避免局部子空间结构发生失真, 并能够直观显示出低维结果, 将低维数据输入最近邻分类器, 以识别率和聚类分析结果作为衡量指标, 同时将所提方法应用于故障诊断中.使用AVL Boost软件模拟的柴油机故障数据和田纳西(Tennessee Eastman, TE)化工数据仿真, 验证了所提方法的有效性.