排序方式: 共有13条查询结果,搜索用时 578 毫秒
1.
针对当前需求优先级排序方法中,将用户需求放在同一层次上进行比较,设定优先级,而对需求层次性考虑得不多。从系统的整体性和需求的层次性出发,提出以解释结构模型和层次分析法相结合的需求优先级排序方法,其中用解释结构模型对需求进行结构分析和分层处理,对最上层的需求使用层次分析法进行需求优先级排序,将该方法命名为SAHP。在案例分析中,借助需求模式,对推广后的案例进行优先级排序,来说明该方法具有很好的通用性,给出案例分析和与AHP进行了比较。结果表明性能总体上好于AHP方法,该方法能够提高需求优先级设定的合理性,降低因需求导致项目失败的风险。 相似文献
2.
当前深层网络中蕴含着高质量的海量信息并且其数量不断地增长,由于深层网络具有分布、异构、自治等特点,用户高效、快捷地获取自己感兴趣的信息面临巨大挑战.将深层网络数据源按领域分类是解决这一挑战的基础.本文以对航空订票、图书、汽车和房地产领域的200多个数据源的统计和分析为基础,充分利用主题和表单属性信息,提出了一种新的深层网络数据源分类方法以及改进的查询接口相似性度量方法,实现深层网络数据源的自动分类.本文还提出了一种查询接口标记策略,以降低随机选择初始中心点所产生的影响.实验结果表明该方法具有较高的分类精度. 相似文献
3.
4.
下一代数据库技术综述 总被引:3,自引:0,他引:3
引言
如今是信息的世界,大量的数据需要有地方存放和管理,数据库应用而生。数据库正在从一段相对停滞的时期走出来,那段时期议程是让SQL执行得更好。现在数据库体系结构处于打破平衡的阶段。它们已经成为一种媒介,提供集成的应用软件开发环境,作为因特网上的存储数据节点,能进行数据搜索和自我管理。我们最大的希望是能够很好地处理冲击了个人,组织及人类团体各个方面的信息雪崩效应。 相似文献
5.
针对传统卷积神经网络在相对较小的数据集上训练容易过拟合的问题,本文提出一个适用于水下目标识别的快速降维卷积网络模型(FRD-CMA)。该模型基于卷积核与特征图对应关系描述模型在数据集上的注意力,并以此进行快速降维,从而降低模型在小数据集上应用时存在的过拟合风险。FRD-CMA模型支持水下目标辐射噪声的端到端处理,通过提取辐射噪声的声音特征并依照水听器的时序关系进行矢量化处理,可以保持模型源输入特征不被破坏。试验结果表明:相较于之前的水下目标识别任务,FRD-CMA模型识别率提高5%,且模型训练时间缩短30%。 相似文献
6.
目前,个人和组织的信息呈现急剧增长趋势,且非结构化数据所占比重在不断增加,这些属于某个主体的海量、分布、异构和共存的数据构成了一个异构数据空间,如何为用户提供高效、便捷和多样化的搜索查询服务是数据空间面临的巨大挑战,为数据空间中异构数据构建高效的索引方法是解决这一问题的基础。对iMeMex数据模型的特点和数据空间中查询方法进行了分析,在此基础上通过扩展倒排列表方法,提出了一种基于iMeMex数据模型的索引方法,来提高对数据空间中异构数据的搜索查询效率。新的索引方法通过扩展倒排列表的关键字列和链表节点信息索引资源视图,来支持和提高关键字查询、谓词查询和路径查询的处理效率。实验结果表明,该索引方法能够有效、可行地解决数据空间中异构数据索引和查询效率问题。 相似文献
7.
针对传统距离度量在高维数据上效果不明显问题,提出一种共享最近邻子空间聚类算法(SNN_SC),按照维把数据集转变为多个最近邻事务数据库,挖掘事务数据库中最大共现对象集,即一维上聚类。在一维聚类集上进一步挖掘闭频繁项集,包含闭频繁项集的维是子空间,闭频繁项集是子空间上聚类。实验对比结果表明,SNN_SC能够更准确定位子空间,并在子空间上产生完整聚类。 相似文献
8.
为实现欠驱动自治水下机器人(AUV)在未知海流干扰作用下的路径跟踪控制,提出一种基于非线性迭代滑模增量反馈的路径跟踪控制器。选用一般曲线参数和Serret-Frenet坐标系描述路径跟踪误差,建立AUV水平面路径跟踪误差方程。采用迭代方法,设计滑模增量反馈控制器,无需对AUV模型参数不确定部分和海流干扰进行估计。仿真实验表明,设计的控制器参数易于调节,可用于实际欠驱动水下机器人来实现对水平面路径的精确跟踪。 相似文献
9.
在知识库构建中,最重要的部分就是提取文本中的三元组,而三元组的提取需要实体抽取和实体关系抽取技术。针对实体抽取提出了一种CWATT-BiLSTM-LSTMd(character word attention-bidirectional long short-term memory-long short-term memory)模型。该模型可以有效解决实体抽取中一词多义问题,并且可以模拟标签的依赖问题。在实体抽取的基础上进行实体关系的抽取,为解决实体关系抽取中远程监督的局限性,提出一种基于强化深度学习的RL-TreeLSTM(reinforcement learning tree long short-term memory)模型。该模型分为选择器和分类器,选择器选择有效的句子传入分类器,分类器对句子中实体对的关系标签进行预测。选择器和分类器共同训练以优化选择和分类过程,可以有效降低远程监督带来的噪音。实验结果表明,提出的模型和方法能有效地提高实体及其关系的抽取性能。 相似文献
10.