传感器网络及其数据管理的概念、问题与进展

传感器网络综合了传感器技术、嵌入式计算技术、分布式信息处理技术和无线通信技术,能够协作地实时监测、感知和采集各种环境或监测对象的信息,并对其进行处理,传送到这些信息的用户.传感器网络是计算机科学技术的一个新的研究领域,具有十分广阔的应用前景,引起了学术界和工业界的高度重视.介绍了传感器网络及其数据管理的概念和特点,探讨了传感器网络及其数据管理的研究问题,并综述了传感器网络及其数据管理的研究现状.  

Internet测量与分析综述

Internet的测量与分析为加强网络管理、提高网络利用率、防范大规模网络攻击提供了技术平台,已成为学术界、企业界和国家政府部门所普遍关心的重要问题之一.介绍了网络测量与分析的主要研究内容,以及国内外相关领域的研究现状,并对该领域的关键技术和难点问题进行了分析,同时给出了网络测量与分析的3个典型应用案例.  

基于统计的网页正文信息抽取方法的研究

为了把自然语言处理技术有效的运用到网页文档中,本文提出了一种依靠统计信息,从中文新闻类网页中抽取正文内容的方法.该方法先根据网页中的HTML标记把网页表示成一棵树,然后利用树中每个结点包含的中文字符数从中选择包含正文信息的结点.该方法克服了传统的网页内容抽取方法需要针对不同的数据源构造不同的包装器的缺点,具有简单、准确的特点,试验表明该方法的抽取准确率可以达到95%以上.采用该方法实现的网页文本抽取工具目前为一个面向旅游领域的问答系统提供语料支持,很好的满足了问答系统的需求.  

智能水下机器人技术展望

智能水下机器人作为一个复杂的系统，集成了人工智能、水下目标的探测和识别、数据融合、智能控制以及导航和通信各子系统。是一个可以在复杂海洋环境中执行各种军用和民用任务的智能化无人平台．由于水下机器人在海事研究和海洋开发中具有远大前景，在未来水下信息获取、精确打击和“非对称情报战”中也有广泛应用，因此水下机器人技术在世界各个国家中都是一个重要和积极的研发领域．基于实践和在相关技术难题上的经验，对智能水下机器人的发展现状和前景进行了描述，对这些问题可能的解决方案提出了建设性的意见，这些相关的技术包括：水下机器人载体设计技术、体系结构、基础运动控制技术、智能规划与决策技术、系统仿真技术、水下目标探测与识别技术、系统可靠性与容错技术等．随着科学技术的发展，人工智能技术将会在智能水下机器人上得到更为广泛的应用，然而水下机器人技术仍然处于基础研究和试验开发阶段，距离全面应用还有很长的路要走。  

Internet拓扑建模综述

Internet拓扑建模是在更高层次上开发、利用Internet的基础.Internet拓扑模型研究经历了从随机型到层次型,再到无尺度(scale-free)网络的过程.对包括幂率(power law)在内的多种Internet拓扑特征及其相应度量进行了分析,对现有的拓扑模型、拓扑生成算法以及拓扑生成器进行了全面的综述.最后论述了目前研究中遇到新的问题与挑战,并对今后技术路线进行了总结.  

无模型控制器的设计问题

介绍了非建模自主适应控制器，又称无模型控制器，它是一种通过非经典的设计途径完成的。该途径的特点是：建模和反馈控制一体化，打破PID概念的束缚，冲破经典控制器设计的线性框架，使设计出来的控制器具有一定的结构自适应性，并采用了功能组合设计方法。文中还介绍了对控制器收敛分析的部分结构。  

基于奇异值分解和判别式KL投影的人脸识别

人脸识别是计算机视觉和模式识别领域的一个活跃课题,有着十分广泛的应用前景.提出了一种新的彩色人脸识别方法.该算法采用模拟K-L变换、奇异值分解、主分量分析和Fisher线性判别分析技术来提取最终特征,可以使分类器的设计更加简洁、有效,使用较少的特征向量数目就能取得较高的识别率.仿真结果表明了该方法的有效性.  

基于语义依存的汉语句子相似度计算

句子间相似度的计算在自然语言处理的各个领域都占有很重要的地位，在多文档自动文摘技术中，句子间相似度的计算是一个关键的问题。由于汉语句子的表达形式是多种多样的，要准确地刻画一个句子所表达的意思，必须深入到语义一级并结合语法结构信息，由此提出了一种基于语义依存的汉语句子相似度计算的方法，该方法取得了令人满意的实验效果。  

无模型控制器的应用

无模型控制器在炼油、化工、电力、轻工等领域应用获得了良好的效果。介绍了无模型控制器在各领域的一系列应用实例，并对在应用中取得良好效果的原因进行了分析。指出无模型控制器是一种结构自适应控制器，它是“建模与控制一体化”，冲破P、I、D和线性框架的束缚的产物。  

实体关系自动抽取

实体关系抽取是信息抽取领域中的重要研究课题.本文使用两种基于特征向量的机器学习算法,Winnow和支持向量机(SVM),在2004ACT(Automatic Content Extraction)评测的训练数据上进行实体关系抽取实验.两种算法都进行适当的特征选择,当选择每个实体的左右两个词为特征时,达到最好的抽取效果,Winnow和SVM算法的加权平均F-Score分别为73.08%和73.27%.可见在使用相同的特征集,不同的学习算法进行实体关系的识别时,最终性能差别不大.因此使用自动的方法进行实体关系抽取时,应当集中精力寻找好的特征.