Knight：一个通用知识挖掘工具

现有知识挖掘系统普遍存在通用性不好，发现方法单一的弱点。     

基于移动代理的网络配置管理模型的研究

配置管理作为网络管理的功能之一,负责监控和管理整个网络的配置状态,调整网络设备配置以保持整个网络的正常操作。利用移动代理进行网络配置管理的目的是解决当前集中式网络管理所带来的管理信息流量大、效率低和灵活性差等问题。基于移动代理的网络配置管理模型利用移动代理分布式计算能力改进了传统的集中式网络配置管理模型,它能够适应配置管理功能的发展和变化,对网络进行高效、持续、实时和准确的配置管理。文中通过对该模型的构成、配置管理过程和特点等进行详细研究,充分说明了利用移动代理进行配置管理的可行性和优势。     

基于移动代理网格计算的资源管理模型研究

为了研究基于移动代理的网格计算资源管理模型，介绍了网格计算环境和其体系结构应有的特征，并分析了基于其上的应用层模型应有的特征；根据各种不同的资源管理策略，研究了各种策略的优点和不足，并提出了各种改进方法；同时，提出了将移动代理引入网格计算中以解决资源管理、作业调度等问题的思想。     

基于Connectionist机制的合一算法实现及其模拟系统

本文我们首先介绍了基于ｃｏｎｎｅｃｔｉｏｎｉst机制的合一算法并在此基础上建立了其模拟系统,最后我们对该模拟系统进行了评价     

一种基于不变量的工作流协同模型分解方法

现代企业计算的业务过程越来越复杂,有很多分散且相对独立的组织机构,为了协同来自不同组织的业务过程,文中提出一种IOPN模型(面向交互的Petri网)用于描述跨组织的工作流协同,该模型包含组织内的过程模型和组织间的交互关系.为了确保IOPN模型能够被正确地执行,文中提出IOPN模型的弱合理性(relaxed soundness)作为IOPN模型的正确性标准之一.IOPN模型是一种复合模型,其规模一般较大,采用基于状态空间的分析方法,容易产生状态空间爆炸问题,为此文中提出基于不变量的分解方法,能够将一个弱合理的无回路IOPN模型分解为一组顺序图,并提出相关定理:一个无回路IOPN模型是弱合理的当且仅当其可以被分解为一组合法的顺序图.     

基于Hadamard变换的数码显微成像自动对焦新方法

提出了一种基于Hadamard变换的自动对焦评价函数,利用数字图像Hadamard频谱的高频分量分析对焦的精确程度.实验结果表明,相对于传统的自动对焦方法,新方法不仅可实现精确对焦,而且抗噪能力强;由于Hadamard变换本身计算量很低,因此新方法还具备算法简单、运算速度快和易于硬件实现等特点.     

基于被动-主动的特征演化流学习

在许多现实应用中,数据以一种特征演化流的形式收集.例如,随着传感器的更换,由旧传感器收集的数据特征会消失,新传感器收集的数据特征会出现.在线被动-主动算法已被证明可以有效地从具有固定特征空间和梯形特征空间的数据集中学习线性分类器.因此,提出了一种基于被动-主动更新策略的特征演化学习算法(passive-aggressive learning with feature evolvable streams, PAFE).该算法通过主动-被动更新策略从当前特征空间和被恢复的已消失特征空间中学习了2个模型.具体来说,在重叠时段,即新旧特征同时存在的时段,该算法用新特征恢复了消失的特征空间,同时用旧特征空间模拟了新特征空间,进而为新特征空间的模型学习提供合理的初始化.基于这2个模型,为提高算法整体性能提出了2个集成算法：组合预测和当前最优预测.在合成数据集和真实数据集上的实验结果验证了该算法的有效性.     

基于H.264的煤矿井下无线视频通信

煤是我国的第一能源。要振兴煤炭工业,最重要的一条是依靠现代科学技术和提高现代化管理水平。但是,从我国目前煤矿现有的硬件装备及软件等技术水平来看,还远远达不到煤矿现代化通讯、煤炭生产及安全管理手段的要求。煤炭开采主要以井下为主,巷道可达数千米。矿井生产工序多、作业地点分散,人员流动性大且工作环境恶劣,事故隐患极大。矿井生产的这些特点对于建立一个良好的无线通信系统有着迫切的要求,而无线视频通信的实现,将是系统中最重要也是最具挑战性的工作。     

网格计算下大规模虚拟仿真环境应用研究

长久以来大规模虚拟仿真环境由于受到其对计算、存储、实时性等高要求的束缚未能得到广泛的应用。文中研究了网格计算技术的特点,并列出了大规模虚拟仿真环境应用与网格计算技术结合后的优势,接着分别从资源获得、时钟管理、实体交互三个方面分析了大规模虚拟仿真环境应用所存在的问题,并以解决这些问题为目的引入了网格计算技术,提出了在网格计算环境下对大规模虚拟仿真应用这些问题的解决方案。     

蒙德里安深度森林

大多数有关深度学习的研究都基于神经网络,即可通过反向传播训练的多层参数化非线性可微模块.近年来,深度森林作为一种非神经网络深度模型被提出,该模型具有远少于深度神经网络的超参数.在不同的超参数设置下以及在不同的任务下,它都表现出非常鲁棒的性能,并且能够基于数据确定模型的复杂度.以gcForest为代表的深度森林的研究为探索基于不可微模块的深度模型提供了一种可行的方式.然而,深度森林目前是一种批量学习方法,这限制了它在许多实际任务中的应用,如数据流的应用场景.因此探索了在增量场景下搭建深度森林的可能性,并提出了蒙德里安深度森林.它具有级联森林结构,可以进行逐层处理.设计了一种自适应机制,通过调整原始特征和经过前一层变换后的特征的权重,以进一步增强逐层处理能力,更好地克服了蒙德里安森林在处理无关特征方面的不足.实验结果表明：蒙德里安深度森林在继承蒙德里安森林的增量训练能力的同时,显著提升了预测性能,并能够使用相同的超参数设置在多个数据集上取得很好的性能.在增量训练场景下,蒙德里安深度森林取得了与定期重新训练的gcForest接近的预测准确率,且将训练速度提升一个数量级.