基于XML的供应链信息集成技术研究

供应链的协调运行建立在各个节点企业高效的信息集成基础之上。该文提出了一种基于XML的供应链信息集成体系结构和供应链主动信息集成的概念，描述了使用XML-Schema的供应链信息集成的关键技术，最后给出了一个供应链信息集成实例。  

水平集方法在CT肝脏图像分割中的应用

水平集方法在医学图像分割上有着广泛的应用。文章将水平集方法用于CT肝脏图像的分割,并针对CT图像的特点,提出了一种结合图像灰度和曲线曲率信息的速度函数,实验结果表明该方法是有效的。  

可伸缩的B／S模式系统结构及其Java实现

首先分析了B／S模式应用系统的发展趋势及目前B／S模式系统结构存在的缺陷，然后提出了一种可伸缩的系统结构，并阐明了其实现框架和结构特点，最后详述了实现可伸缩性的关键技术。  

计算机辅助工时定额系统中的定额测算模型研究*

针对国内现有的辅助工时定额系统大多“偏重时间研究，忽视方法研究”，提出了基元化的计算机辅助工时定额系统，构架了基元化定额测算模型的体系结构，建立了作业元模型和工艺基元模型。系统对时间研究与方法研究并重，有助于改变国内定额方法落后，定额水平低下的现状。  

供应链管理中的订单处理研究*

订单处理是供应链管理中的一个重要部分，对于供应链的整体运作效率具有重要影响。对供应链管理中的订单处理流程进行了研究，建立了订单处理流程模型，给出基于多智能代理的供应链订单处理方法。  

AdaBoost算法研究进展与展望

AdaBoost是最优秀的Boosting算法之一, 有着坚实的理论基础, 在实践中得到了很好的推广和应用. 算法能够将比随机猜测略好的弱分类器提升为分类精度高的强分类器, 为学习算法的设计提供了新的思想和新的方法. 本文首先介绍Boosting猜想提出以及被证实的过程, 在此基础上, 引出AdaBoost算法的起源与最初设计思想;接着, 介绍AdaBoost算法训练误差与泛化误差分析方法, 解释了算法能够提高学习精度的原因;然后, 分析了AdaBoost算法的不同理论分析模型, 以及从这些模型衍生出的变种算法;之后, 介绍AdaBoost算法从二分类到多分类的推广. 同时, 介绍了AdaBoost及其变种算法在实际问题中的应用情况. 本文围绕AdaBoost及其变种算法来介绍在集成学习中有着重要地位的Boosting理论, 探讨Boosting理论研究的发展过程以及未来的研究方向, 为相关研究人员提供一些有用的线索. 最后,对今后研究进行了展望, 对于推导更紧致的泛化误差界、多分类问题中的弱分类器条件、更适合多分类问题的损失函数、 更精确的迭代停止条件、提高算法抗噪声能力以及从子分类器的多样性角度优化AdaBoost算法等问题值得进一步深入与完善.  

代码翻译中PERFORM和GOTO语句复合结构的变换

传统语言COBOL从诞生至今已有近50年历史,现存约有1 000亿行代码是用COBOL编写的.维护这些遗产代码的一个有效方法是将其翻译成现代语言,例如Java.其中将COBOL语言中GOTO和PERFORM语句及其复合控制结构消除是翻译过程中的一个关键步骤.提出一种利用switch,while语句来消除GOTO和PERFORM复合控制结构的方法,实现了程序的等价变换.该方法不改变程序的控制结构,保持其可读性,并将代码膨胀率控制到2倍左右.该方法已在所开发的"C2J翻译系统"中进行应用,通过了400万行实际商用程序的测试,结果证明,该方法是正确、有效的.  

复杂背景下的票据字符分割方法

针对票据字符识别中图像存在的底纹、印章和图案等复杂背景干扰问题,提出一种有效的字符分割方法。通过快速提升小波变换提取出图像中具有显著性的字符纹理特征。采用一种由粗到精的搜索策略,在图像区域和像素两个层次上逐步区分出文字和背景。首先根据区域纹理特征,利用支持向量机对区域进行分类,定位出包含文字的图像区域;然后采用K-means算法对文字区域内的像素进行聚类划分,从而实现文字分割。实验结果表明,方法具有较高的准确性,并且在背景纹理和印章干扰的情况下具有较好的鲁棒性。  

单通道VLSI阵列容错的神经网络算法

为了解决大面积的VLSI（超大规模集成电路）电路制造过程中因缺陷而造成的成品率低的问题，可以采用降阶和冗余两种VLSI阵列重构方法，这两种方法都属于NP-完全问题。该文是通过冗余修复方法来解决这一问题的。该文基于Hopfield神经网络为模型，将阵列的重构问题转化为矛盾图的最大独立集问题。通过Hopfield神经网络的能量函数方程进行求解，求得合理的补偿通道来完成问题的求解。实验分析表明该方法是简单有效的。  

基于社团检测的复杂网络中心性方法

论证了社团检测函数模块密度的优化进程能转化为核矩阵的特征谱分.基于核矩阵最大特征值对应的特征向量,提出了一种新的中心性方法,称为模块密度中心性方法.与以往中心性度量方法不同,这种方法以模块密度检测复杂网络中的社团结构为基础,度量了第一个节点到它分配社团上的贡献,对社团的贡献越大,该节点的中心性值越高,反之亦然.通过合成网络和标准数据集网络,验证了该方法,并同其他中心性方法进行了比较,实验表明提出的模块密度中心性方法对网络中关键节点有更好的解和稳定性.进一步在计算机产生的两个大的随机网络和来自现实世界的两个大的复杂网络中,研究了模块密度中心性方法的统计分布.结果表明了提出的中心性方法能够刻画复杂网络的拓扑结构属性.