网络时代的人工智能

五十多年来,人工智能在模式识别、知识工程、机器人等领域已经取得重大成就,但是离真正的人类智能还相差甚远。本文强调 在当今的网络时代,作为信息技术的先导,人工智能科学有着非常值得关注的研究方向,要在学科交叉研究中实现人工智能的发展与创新。要关注认知科学、脑科学、生物智能、物理学、复杂网络、计算机科学与人工智能之间的交叉渗透,尤其是重视认知物理学的研究;自然语言是人类思维活动的载体,是人工智能研究知识表示无法回避的直接对象,要对语言中的概念建立起能够定量表示的不确定性转换模型,发展不确定性人工智能;要利用现实生活中复杂网络的小世界模型和无尺度特性,把网络拓扑作为知识表示的一种新方法,研究网络拓扑的演化与网络动力学行为,研究网络化了的智能,从而适应信息时代数据挖掘的普遍要求,迎接人工智能科学与应用新的辉煌。     

评测Web使用分析中会话识别的准确度

目前用于用户会话识别的方法主要有两类:基于时限的会话识别和与拓扑结构(超链接)结合的会话识别,这两类方法都是在用户识别的基础上对用户活动作出猜测而得到的。该文提出了一套用于对这些启发式方法所获得的数据的准确程度进行量化的评测系统,不同的估测方法反映不同的数据挖掘应用的需要。最后通过一个实际站点的数据说明了评测系统的识别结果是准确的。     

利用对称多处理器提高NIDS的性能

网络入侵检测系统(NIDS)通过捕获和分析网络数据包判断是否存在攻击行为。由于网络带宽越来越高，NIDS的处理能力越来越难以跟上网络的速度。该文提出了一种利用对称多处理器(SMP)提高NIDS处理能力的方法，通过多个CPU并行的处理网络数据包改善系统的性能。经过对NIDS处理过程的分析，设计了一种有效的并行处理结构，保证在不同CPU上运行的线程能够高度并行的执行。此外，该文提出的线程同步方式既保证了程序功能的正确，又避免了对共享资源的互斥访问，进一步提高了线程的并行度。实验证明，在具有双CPU的CMP结构上实现的NIDS的性能比单CPU系统提高了80％。     

基于可靠拓扑的高可用性网络核心问题分析

如何建设下一代集成服务的高可用性网络是网络界的研究方向之一．基于可靠拓扑研究了高可用性网络，在网络可用性宏观定义的基础上，讨论并分析了影响高可用性网络构建的7类核心问题，包括网络体系结构设计、服务管理、资源管理、网络安全、开放式应用、网络管理及指标的评估等，指出在设计高可靠性网络架构中，应对其进行综合的衡量．提出下一代高可用性网络的设计应本着需求牵引、服务为核心的原则．最后介绍了下一代高可用性网格HaGrid的设计思想．     

基于模糊认知图的文本分类推理算法

文本分类是信息处理的重要研究方向,现在应用较多的是基于统计计算的分类方法。介绍了利用模糊认知图的文本分类推理理论与算法,该方法是基于数值推理的,实现将统计与规则融合推理,灵活性较大,不需要语料的多次训练,适合于训练不充分和新主题的文本分类和多类分类,并具有一定的鲁棒性。     

PowerBuilder中图片文件的处理

文章总结了在ＰｏｗｗｅｒＢｕｉｌｄｅｒ应用程序中处理图片文件的两种方法,ＰｏｗｅｒＢｕｉｌｇｄｅｒ语句加Ｐｉｅｔｕｒｅｒ控件以及ＯＬＥ列加ＯＬＥ控件。作者从图片的存储。显示民族 三方面对这两种方法进行了徼讨论。     

基于用户分配和负载的频谱分配算法

提出了一种基于用户分配和负载的频谱分配算法.该算法包括两部分:用户分配子算法和频谱分配子算法.用户分配子算法首先基于聚类划分理论,使分配到相同访问点下的用户具有相近的信噪比,缓解了无线接入网络中普遍存在的远近效应问题.在该用户分配基础上,频谱分配子算法根据各访问点的负载及其关联用户信噪比的平均值计算最优频谱分配.该算法具有可实现性、多项式时间的计算复杂度以及比例公平性.真实数据驱动的仿真实验结果表明,该算法能够有效地提高系统吞吐量,同时大幅度减小访问点的报文缓冲区队长.     

网格环境下基于QoS的协作型任务调度算法研究

在深入研究网格环境下任务调度算法的基础上,提出一种基于QoS的协作型任务调度遗传算法并通过引入协作型任务的形式化描述DAG图构造了QoS参数模型.该参数模型提出了任务完成时间、价格和可靠性三个QoS参数并将这些QoS参数引入遗传算法,实现了网格环境下协作型任务调度对服务质量的优化并保证了协作型任务之间的数据依赖.通过与DAG-MIN和DAG-GSA算法的对比实验表明,该算法能在保证较优调度性能的同时大幅度提高调度的服务质量.     

挖掘语言值关联规则

讨论了大型数据库上数量属性的关联规则问题.为了软化论域的划分边界,应用相关的模糊c-方法(relationalfuzzyc-means,简称RFCM)算法确定正态模糊数的两个参数,并借助正态模糊数模型来划分数量属性的论域,由此生成一系列的语言值关联规则.另外,给出了语言值关联规则的挖掘方法.由于语言值能很好地表示抽象的概念,从而使得挖掘出的关联规则更抽象、更容易被人理解.