基于邻层传播的相对重要节点挖掘方法

目前针对复杂网络中相对重要节点的挖掘方法已有一些成果,但方法的效率和准确性仍有待提高。该文基于如下假设—如果一个节点具有某种特征的邻居节点越多,则该节点具有此特征的可能性越大—提出了一种基于邻层传播(NLD)的相对重要节点挖掘算法,并通过实验比较与分析,验证了该方法的准确性与适用性。     

基于构件的软件演化波及效应分析

随着新技术的采用和系统环境的变化,构件和软件系统的演化在所难免,演化会影响系统的整体行为。分析了基于构件的软件系统中的耦合性对演化波及效应的影响,对软件系统中构件内部各种依赖关系、构件与连接件之间的各种耦合关系进行矩阵表示,提出一种能够防止波及效应扩大化的软件系统动态演化的波及效应方法,实现了对软件系统的构件和连接件的演化波及效应研究。在基于构件的软件系统的动态演化中,可以根据波及效应的分析获得需要进行重新修改或演化的构件和连接件,从而保证动态演化的一致性和连续性。     

基于GRNN和混沌系统的数字图像加密方法研究

混沌加密技术应用于信息加密是近年信息安全研究的热点问题;首先概括了GRNN神经网络的主要理论,然后将GRNN神经网络和混沌系统相结合建立了一种混沌序列的生成模型,并给出基于GRNN的混沌图像加密算法,该算法只需改变混沌系统的初值,便可获得不同的混沌序列,进而实现对图像数据进行置换加密;最后对算法进行计算机仿真实验;结果表明GRNN神经网络具有更快的收敛速度和更准确的逼近能力,而基于GRNN神经网络的混沌加密算法具有很高的安全性.     

基于Petri网的软件演化过程

随着遗产软件系统的老化,软件演化已成为软件工程的一个新兴领域.对软件演化及过程的特征进行了描述,提出基于Petri网的软件演化过程;最后给出了软件演化过程的活性判断及优化算法.     

基于反馈的软件演化过程模型*

对软件演化及过程的特征进行了描述,提出软件演化过程的具体活动;分析了软件演化过程中的反馈机制,提出了基于扩展双变迁Petri网和反馈循环的软件演化过程模型.     

基于模拟退火PSO的神经网络模型

人工神经网络的训练问题实质上是一个优化问题。将模拟退火算法和基本粒子微粒群算法相结合,提出一种基于模拟退火的微粒群算法,该算法能够有效抑制早熟收敛。利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,有效的解决了BP算法易陷入局部极小值的缺点,从而提高了神经网络的精度和收敛速度。通过对非线性系统进行Matlab仿真研究,实验结果表明,基于模拟退火的微粒群算法训练的神经网络是一种有效的辨识方法。     

基于结构熵的构件耦合性度量方法

在基于构件的软件系统中,耦合性是软件中各个构件之间相互关联程度的一种度量.为了能够较好地对软件系统中构件之间的耦合性进行度量,首先对基于构件的软件系统进行形式化表示;然后,对软件系统中的构件之间的耦合关系进行分析;最后,提出结构熵的概念和一种基于结构熵的构件耦合度的度量方法.     

基于内聚度和耦合度的二分K均值方法

聚类分析是数据挖掘中最重要的技术之一,它在社会经济的各个领域都具有重要作用,并被广泛应用。K均值算法是最经典、应用最广泛的聚类方法之一,但其缺点是过度依赖初始条件和聚类数目难以确定,这制约了其应用范围。引入簇的内聚度和耦合度的定义与度量方法,基于“高内聚低耦合”的原理,在二分K均值聚类过程中对得到的簇进行不断的分裂和合并,并判断聚类结果是否满足要求以确定聚类的次数和簇的个数,从而实现对二分K均值聚类过程的改进。在Iris数据集上的实验测试与分析表明该算法不仅更加稳定,而且其聚类结果的正确率也较高。     

一种小波神经网络的混沌加密算法研究

概括了小波神经网络的主要理论,将小波神经网络和混沌系统相结合,建立了一种混沌序列的生成模型,给出基于小波神经网络的混沌加密算法,最后对算法进行计算机仿真实验.结果表明小波神经网络具有更快的收敛速度和更准确的逼近能力,而基于小波神经网络的混沌加密算法具有很高的安全性.     

基于灰色神经网络对软件可靠性模型的研究

软件可靠性是软件工程的一个重要的研究课题。软件可靠性模型可以预测软件产品的缺陷累计率。在GM（1,1）模型、DGM（2,1）模型和Verhulst模型的基础上,结合BP神经网络的理论对软件可靠性进行建模。通过理论分析和预测实验表明,该方法是可行的,拓宽了软件可靠性模型的研究方法。