周期芽苞Fibonacci序列构造M-J混沌分形图谱的一族猜想

利用逃逸时间算法绘制M－J混沌分形图谱，通过计算机数学实验找到Mandellbrot集的普适常数和相应充满Julia集的近似标度不变因子，定性说明了M－J混沌分形图谱标度不变的特性，同时，通过实验与数据分析发现Mandelbrot集周期芽苞的Fibonacci序列的拓扑不变性，找到M－集内的黄金分割点，最后给出由Mandelbrot集参数平面上某个吸引周期芽苞中的参数与动力平面上相应Julia集图像结构之间的对应关系，并给出M－J周期轨道的递归公式和多重结构特征图的猜想。  

基于排序变换的混沌图像置乱算法

为了更好地利用混沌进行图像保密，基于排序变换设计了一个混沌图像置乱算法，新算法小经过量化．而是直接通过混沌序列的排序变换来得到图像置换的地址码，这就有效地避免了量化必须已知混沌轨道分布密度函数的要求，同时也降低了算法的时间复杂度。由于排序变换的强不规则性，因此使新的混沌图像置乱算法具有较强的安全保密性能。通过对新算法的置乱性能进行的实验分析结果表明，新算法不仅具有良好的置乱性能．而且可以有效地保障加密图像的安全。  

基于组合服务执行信息的服务选取方法研究

组合服务选取问题是服务计算领域的一个研究热点问题,已往的选取方法大多基于难以准确获取的服务QoS信息,且算法思路复杂.文中提出了一种基于组合服务执行信息的服务选取方法.该方法分为3个阶段:数据生成阶段、数据挖掘阶段和服务选取阶段,分别进行组合服务执行信息的记载和相关数据集的生成、路径分支关联规则和服务执行顺序序列模式的挖掘以及基于挖掘产生的知识模式进行服务选取.文中首先给出一种可以方便记载日志的服务组合系统架构;然后提出一种基于时间加权的算法模型,以有效地进行路径分支关联规则和顺序序列模式的挖掘;最后对文中的组合服务选取方法进行描述.实验结果表明:文中方法在选取出的组合服务健壮性方面要优于基于QoS的方法.  

图象扫描波动性度量及Hilbert扫描矩阵的快速生成

在图象扫描技术中，首要的问题是如何心量减小生成数据的波动性。为些深入研究各种扫描技术的基础上，定义了一种扫描方式产生数据波动性的度量指标，基于图象存在局部连续性，证明了Hilbert分形曲线扫描优于其他传统扫描，表明其生成数据的最佳连续特性，并并通过实验分析了图象扫描方式对DCT变换编码效果的影响。最后，给出了一个构造Hilbert扫描矩阵的快速算法，以方便该方法的进一步研究及应用。  

软件工程专业课程体系优化方法研究与实践

本文研究了软件工程专业课程体系的系统结构及优化流程,并结合我国软件工程教育的实际状况,通过借鉴国际先进的工程教育培养理念,提出了软件工程专业课程体系的优化方案。该方案以企业需求为输入,以适应企业需求的高级软件人才为输出,特色鲜明,试运行以来取得了良好的效果,对同类院校软件工程人才培养有良好的示范作用。  

迭代函数系IFS吸引子图像控制方法的研究

1 引言 1985年,Williams和Hutchinson开创了分形几何中迭代函数系IFS(Iterated Function Systems)的研究,建立了IFS的基础理论。M.F.Barnsley和S.Demko的进一步工作使得IFS成为构造任意维数分形集方便、有效的方法,并将之应用到图像的压缩与处理,使得该理论引起人们的关注。现在,IFS已经成为分形研究的一个重要部分,其理论与方法是分形自然景观模拟及分形图像压缩的理论基础。IFS的应用  

基于多维历史向量的P2P分布式信任评价模型

P2P网络的开放性、匿名性和对等性使P2P网络得到了广泛的应用,同时也滋生了大量的恶意节点.传统的中心化认证的信任模式无法满足P2P网络的分布式要求,分布式信任机制是P2P网络得以进一步发展的关键技术.文中基于社会网络的一些基本理论,提出了一种新的P2P分布式信任模型MDHTrust.设计了多维交易历史向量模型及其分布式存储结构,并由此定义了局部和全局的多维因子计算方法,包括非线性时间因子、交易额度、交易频率以及成功率;构建了局部信任度、全局信任度的计算方法,最终通过计算节点间交易历史的相关性,形成了具有相关性因子的全局信任度,即相关性信任度.仿真结果表明,MDHTrust具有较快的信任收敛速度,是一种有效的信任模型.  

一种大数据环境中分布式辅助关联分类算法

在很多现实的分类应用中,新数据的类标需要由领域专家最终确定,而分类器的分类结果仅起辅助作用.另外,随着大数据所隐含价值越发被人们重视,分类器的训练会从面向单一数据集逐渐过渡到面向分布式空间数据集,大数据环境下辅助分类也将成为未来分类应用的重要分支.然而,现有的分类研究缺乏对此类应用的关注.大数据环境中的辅助分类面临以下3个问题:1) 训练集是分布式大数据集;2) 在空间上,训练集所包含的各局部数据源的类别分布不尽相同;3) 在时间上,训练集是动态变化的,会发生类别迁移现象.在考虑以上问题的基础上,提出一种大数据环境中分布式辅助关联分类方法.该方法首先给出一种大数据环境中分布式关联分类器构建算法,在该算法中,通过横向加权考虑分类数据集在空间上的类别分布差异,并给出"前件空间支持度-相关系数"的度量框架,改进关联分类算法面对不平衡数据的性能缺陷;然后,给出一种基于适应因子的辅助关联分类器动态调整方法,能够在分类器应用过程中充分利用领域专家实时反馈的结果对分类器进行动态调整,以提升其面向动态数据集的分类性能,减缓分类器的退化和重新训练的频率.实验结果表明,该方法能够面向分布式数据集较快地训练出有较高分类准确率的关联分类器,并在数据集不断扩充变化时提升分类性能,是一种有效的大数据环境中辅助分类应用方法.  

基于数据仓库的投资项目决策支持系统研究

以投资项目决策支持系统IPDSS为例，研究了数据仓库技术在决策支持系统中的应用。介绍了决策支持系统的概念和作用，以及建立投资项目决策支持系统的意义，并在数据仓库、联机分析处理和数据挖掘的理论基础上，提出了基于数据仓库的决策支持系统的体系结构。然后，在此基础上建立了IPDSS，并分析了IPDSS的主要模块和模型、C／S体系的三层结构以及数据仓库管理系统。IPDSS的实际应用效果表明，将数据仓库技术应用到决策支持系统中。能够提高系统的性能和决策支持效果，是DSS未来发展的新方向。