回归最小二乘支持向量机的增量和在线式学习算法

首先给出回归最小二乘支持向量机的数学模型，并分析了它的性质，然后在此基础上根据分块矩阵计算公式和核函数矩阵本身的特点设计了支持向量机的增量式学习算法和在线学习算法．该算法能充分利用历史的训练结果，减少存储空间和计算时间．仿真实验表明了这两种学习方法的有效性．  

基于Hibernate与Struts框架的数据持久化应用研究

基于使用单一框架构建企业级应用时存在拓展性差，结构复杂的问题,给出使用Hibernate和Struts两个开源框架进行整合开发的实例，同时探讨如何配置和灵活使用两种框架，简化对象持久化映射工作和开发中的MVC分工，以及如何充分发挥两者优势，构建结构清晰、具备强大扩展性和维护性的J2EE应用  

基于SUMO的概念语义相似度研究

SUMO（建议上层共享知识本体）是由IEEE标准上层知识本体工作小组所建置的，其目的是发展标准的上层知识本体，这将促进数据互通性、信息搜寻和检索、自动推理和自然语言处理。基于该共享知识本体，提出了一种计算两概念语义相似度的方法。根据该方法实现了一个计算程序模块，并将计算结果同人类的主观判断进行了比较，验证了该方法的有效性。该研究工作可以在面向Web的知识检索领域中得到应用，还可以为本体的相关研究提供一定的理论基础。  

一种改进的实数自适应遗传算法

研究了基于实数编码的遗传算法的改进问题．针对实数编码在搜索后期存在搜索效率低、易早熟收敛等现象．讨论了遗传算法的参数调节问题．提出一种自适应交叉概率和变异概率，既考虑了进化代数对算法的影响，又考虑到每代不同个体适应度的作用，给出一种改进的实数自适应遗传算法．最后利用3个测试函数对算法进行验证，在函数的最终值、平均运行代数、收敛概率几方面都取得了较好的结果．  

基于LMI的不确定性关联时滞大系统的分散鲁棒控制

1 引言由于系统模型中往往含有不确定性和关联时滞,因而对不确定性时滞系统鲁棒控制的研究具有理论价值和实际意义. 在实际系统中,不确定项往往具有数值界表达形式[1],这种表达形式不需要满足匹配条件,更具有一般性. 本文应用LMI方法[2,3]研究一类具有数值界,可不满足匹配条件的时变不确定性关联时滞大系统的分散鲁棒稳定化问题,得到了其可分散状态反馈镇定的充分条件,提出了该类大系统的分散鲁棒控制器的LMI(Linear Matrix Inequality)设计方法,与以前黎卡提方程方法[4～6]相比,不需预先调整多个参数,计算简单,应用方便.  

Web服务组合的有色网模型及运算性质

定义了一种基于有色Petri网的Web服务组合模型,这一模型能清晰表达服务组合中各组成部分之间的逻辑关系,并可模拟组合服务的执行,分析其动态性质．给出了服务、服务组合运算的定义及性质、服务组合的建立与执行算法．  

离散广义系统稳定性分析与控制的Lyapunov方法

利用Lyapunov方法,研究离散广义系统稳定性分析与控制问题.得到了离散广义 系统正则、具有因果关系且渐近稳定的等价条件;还给出了相关的鲁棒稳定性分析与镇定方 法.  

基于岛屿群体模型的并行粒子群优化算法

为改善粒子群优化算法对大规模多变量求解的性能，提出了基于岛屿群体模型的并行粒子群优化算法．对粒子群优化算法机理和本质并行性进行分析，设计和实现了一种并行粒子群优化算法．实验结果表明，基于岛屿群体模型的并行粒子群优化算法不仅提高了求解效率，而且改善了早收敛现象，算法的性能比经典粒子群优化算法有了很大提高．  

面向服务架构参考模型及应用研究

面向服务架构(SOA)是一种粗粒度、松耦合的系统结构，它支持动态的企业应用集成。提出了一种以服务执行引擎为核心的面向服务架构参考模型，并结合遗传医学资源网项目，在该参考模型的基础上设计了一个基于SOA的动态企业应用集成支撑系统。  

挖掘数据流中的频繁模式

发现数据流中的频繁项是数据流挖掘中最基本的问题之一．数据流的无限性和流动性使得传统的频繁模式挖掘算法难以适用．针对数据流的特点，在借鉴FP-growth算法的基础上．提出了一种数据流频繁模式挖掘的新方法：FP—DS算法．算法采用数据分段的思想，逐段挖掘频繁项集，用户可以连续在线获得当前的频繁项集，可以有效地挖掘所有的频繁项集，算法尤其适合长频繁项集的挖掘．通过引入误差ε，裁减了大量的非频繁项集，减少了数据的存储量，也能保证整个数据集中项目集支持度误差不超过ε.分析和实验表明算法有较好的性能．