一个CAD数据库管理系统的设计与实现

建造CAD DBMS的一个简便、可行的方法就是扩充和改进商用DBMS,GOODDBMS是一个CAD DBMS,它建立在INGRES之上,利用面向对象的概念对它进行了扩充,同时,还联接了图形系统GKS,实现了图形功能。     

一种基于混合变换的分层图像表示与编码

提出一种基于混合变换的分层图像编码算法，它将原始图像划分成包含不同结构特征的图像平面，如平滑边缘层和纹理层等等，然后采用不同的压缩算法对不同的图像层进行编码，从而达到对整幅图像最优编码的目的。本文实际上给出了一种新的编码框架，在这个框架内综合了不同的信号变换方式，将它们有机结合起来能够提供一种有效的图像表示方式。实验结果表明，与采用单一小波图像编码算法相比，本文算法能够获得更好的图像恢复质量。     

循环AMDF及其语音基音周期估计算法

基音周期是语音压缩、合成以及识别中的一个重要参数.传统的基于AMDF的基音估计算法容易导致估计的基音周期加倍.本文针对该现象,分析了AMDF函数的特性及其用于基音检测时存在的不足,提出了新的CAMDF函数.CAMDF有效地克服了AMDF函数的不足,简化了基音检测过程.在此基础上,本文给出了新的基于CAMDF的基音检测算法.该算法不仅简化了基音检测过程,而且降低了误判率,提高了估计精度.大量实验表明其性能优于其它AMDF或LVAMDF的方法.     

基于细节点方向分布的指纹特征匹配

提出了一种新的指纹细节点匹配算法。该算法首先基于细节点方向分布特性将指纹在旋转方向上对齐，减少了大量的旋转操作，然后利用大小变化的界限盒判定细节点之间的对应关系。该算法不受指纹之间旋转变形、平移变换和非线性变形的影响，也不受细节点提取误差的影响。实验结果表明该算法不仅处理速度较快，而且具有令人满意的精度。     

基于Cache的可回退OLAP系统研究与实现

联机分析处理技术已经成为了决策支持的一种重要手段。由于这种分析操作存在着一定的不确定性,是一种基于用户假设的探索性分析,在实际应用中,可用性和响应速度成为了制约分析质量的关键因素。针对用户的查询序列建立了一个新的用户行为模型,将回退、前进操作引入OLAP系统,提出了基于缓存实现的体系结构,通过在拥有自主知识产权的国产OLAP系统———EASYQUERY中进行验证,结果表明,这些扩展操作可以提高系统的可用性和响应速度。     

一个图形UIMS支持的用户接口描述方法及自动生成技术

本文介绍了一个图形用户接口管理系统——GUIDE-GKS系统中的用户接口描述方法,以及利用这些描述信息而进行的用户接口快速原型和自动生成技术。其中,基于用 户概念模型的思想,它提出了一种新的“引导式”描述技术,该技术使得接口设计者对系统的学习使用更为方便、简洁、有效,增强了接口描述过程的正确性保证,并易于导致好性能接口的开发。     

基于语义扩展的Web服务发现方法

提出了一种基于语义扩展的Web服务发现方法,对服务描述和服务请求中的领域概念进行了同义扩展、特征扩展和合成扩展,在输入输出的匹配上提出了“扩展的语义包含”的概念,实验表明,该方法在不降低服务查准率的前提下,提高了服务的查全率。当单个服务不能满足服务请求时,尝试服务组合匹配服务请求的方式,采用基于H*算法的启发式的服务组合方法,将问题转化为搜索从初始节点到目标节点的通路问题,该方法采用估值函数引入了启发知识,提高了搜索的效率。     

基于语义距离的K-最近邻分类方法

最近邻分类方法中对距离机制的研究大都集中在根据何种计算方法将不同属性取值的差异集中起来,而未考虑到同一属性间取值的语义差异所带来的影响;而且传统算法的分类准确率对于不同抽象层次描述的数据集带来的数据不完整性相当敏感.针对这两个问题,提出一种基于语义距离的最近邻分类方法SDkNN(semantic distance based k-nearest neighbor).该方法分析了同一属性内取值的语义差异,说明了如何基于领域本体计算语义距离,并将其应用到kNN算法中.经过在UCI数据集以及实际应用数据集中验证,SDkNN的整体性能要优于传统方法,在数据不完整的情况下效果更为明显,实践证明,SDkNN有较好的应用价值.     

铭记抗战史 回望高工校——纪念抗日战争胜利60周年

抗日战争时期，高工校（成都电子机械高等专科学校前身）坚持在外东多宝寺办学，克服种种困难，广大师生精诚团结与合作，扩大学校规模，开办短训班，增设航技科、电机（电讯）科培养抗战急需的人才。部份青年学生冲破阻力奔赴抗日前线，为电子高专校史写下了光辉的篇章，为抗日战争挽救国家和民族的存亡与兴衰作出了积极的贡献。     

模糊几何和纹理特征在指纹细节点后处理中的应用

指纹识别一般基于指纹细节点匹配，当指纹图像质量较差时，细节点的可靠提取十分困难，通常会产生大量的虚假细节点．为提高细节点的精度，给出一种在原始灰度指纹图像上进行细节点后处理验证的方法．在每个自动提取出的细节点上取其在原始灰度指纹图像上的局部邻域，分析邻域图像的模糊几何特征和纹理特征，然后用MLP神经网络对提取出的局部邻域特征进行分类，实现细节点类型验证．实验结果表明：文中方法能有效地去除大量的虚假细节点，与其他方法相比具有较高精度．