基于互信息和众数的类间关系研究

簇间关系的评估对于确定许多现实中的关键未知信息具有重要作用,可被广泛应用在犯罪侦查、进化树、冶金工业和生物嫁接等领域。提出了一种称为“众数模式+互信息”的方法对簇间关系进行排序。该方法使用众数模式从每个簇中寻找具有代表性的对象,使用互信息衡量簇间的关联程度。由于该方法利用簇间关系判断簇与簇的联系程度,所以它不同于传统的分类和聚类。在图形和癌症诊断数据上的实验表明了该算法的有效性。     

文本分类综述

1文本分类的背景和意义上世纪九十年代以来,因特网以惊人的速度发展起来,它容纳了海量的各种类型的数据和信息,包括文本、声音、图像等。文本数据与声音和图像数据相比,占用网络资源少,更容易上传和下载,这使得网络资源中的大部分是以文本(超文本)形式出现的。如何从这些浩瀚的文本中发现有价值的信息是信息处理的一大目标。基于机器学习的文本分类系统能够在给定的分类模型下,根据文本的内容自动对文本分门别类,从而更好地帮助人们组织文本、挖掘文本信息,因此得到日益广泛的关注,成为信息处理领域最重要的研究方向之一。2文本分类的研究历…     

某型发动机控制器模拟接口电路测试性设计与验证

目前发动机控制系统的结构越来越复杂,为测试、维修带来了极大的不便,文中针对某型发动机控制器进行了测试性设计,并以其中模拟接口电路为例对设计情况进行了详细说明,最后采用故障注入手段对电路进行了测试性试验验证。验证结果表明发动机控制器测试性设计能够实时反映发动机控制系统的故障状态,让使用者或操作者能够依据这些状态参数准确判断出控制系统的工作状态。当发生故障时,可以快速定位到某一模块,并将故障隔离到某一功能电路,极大的提高了系统维护的效率。     

基于UKF的视觉辅助末制导仿真研究

针对巡航导弹中段制导累积误差大的情况,在末制导段采用计算机视觉技术进行辅助制导.介绍了视觉制导的位姿估计方法,并利用无迹卡尔曼滤波器(UKF)对视觉和惯性制导系统进行信息融合,建立了视觉辅助末制导(VATG)的仿真控制模型.实验结果表明:该方法显著提高了末制导系统的精度和可靠性.     

基于Contourlet变换的数字版权保护水印技术

提出了一种融合Contourlet变换和SVD分解的数字版权保护水印算法。利用图像Contourlet变换系数的稀疏特性和SVD的稳定性特点进行数字水印嵌入和检测。实验证明了该技术在多种攻击下具有很好的鲁棒性。     

基于融合策略的套牌车主动识别算法

为扩大套牌车的识别范围并提高识别精度与 效率,提出了一种基 于融合策略的套牌车主动识别算法。首先,基于同 一辆车不可能在极短 时间内出现在相同或不同地点的原理,利用车辆的拍摄时间差进行第1步识别;然后利用改 进的多重标号算法计 算出交通网络中任意两个监测点之间的前N条最短路径,进而得到车辆的加权 平均速度,再根据实时交通信息 计算车辆为套牌车的可信度,从而实现对套牌车的第2步识别。在实地采集的智能交通数据 上进行的实验结果表明,所提算法能有效地实现对套牌车的主动识别。     

怀疑度计算公式受偶然正确性影响理论分析

软件错误定位效率可能受诸多因素影响,如测试用例优先级排序、测试用例构成、测试用例覆盖率及偶然正确性测试用例等.主要关注偶然正确性对怀疑度计算公式错误定位效率的影响.为此,提出一个基于函数单调性的理论分析框架来证明30个经典怀疑度计算公式受偶然正确性影响的程度.偶然正确性对怀疑度计算公式影响是有益的理论探索.     

国外故障预测与健康管理系统开发平台综述

在故障预测与健康管理(PHM)技术研究及应用中,PHM软件开发平台的研制尤为重要。简要介绍了PHM的概念和内涵,分析了国外几种PHM软件平台的发展状况,结合国内PHM软件平台设计和开发现状,提出几点建议,以期对我国PHM技术的发展和提高发挥一定的作用。     

基于ε-KLD的文本分类方法

基于Kullback-Leibler Distance(KLD)的文本分类作为一种新的分类方法在对大规模文本和高维特征向量进行分类时表现出较高的分类精度,超出了基于相似度量的TFIDF方法。对KLD文本分类方法进行研究,利用信息增益方法进行特征提取,将预定义参数ε引入KLD公式得到基于ε-KLD的文本分类方法。结果表明该方法简化了类和文档的特征向量的计算,并取得了和KLD相当的分类精度,其总体性能超过了KLD方法。     

走出净水器的使用和选购误区

正近年来,随着人们生活水平的提高和环保、健康养生意识的增强,净水器也越来越受到国人的关注,成为许多家庭的日常用品。但是,净水器在我国的发展还不够成熟,一些技术标准还没有得到全面推广,又面临品牌杂乱,品种繁多的局面,再加上受到相关专业知识的限制,导致许多普通消费者眼花缭乱,不知从何选择起。在挑选净水器时,消费者常常会陷入以下几大误区: