新工科背景下的C语言程序设计模块化教学改革探讨

为了提高C语言程序设计课程中学生的实践动手能力和创新能力,根据教育部新工科建设的理念和要求,探索模块化教学在C语言程序设计理论教学、实践教学和考核管理中的应用。以学生为中心制定任务驱动的理论教学模块、层次化实践教学模块和综合考核管理模块,激发学生对C语言程序设计课程的学习兴趣以及提高学生的自主创新和实践能力,进而弥补传统教学的弊端,提高C语言课程的教学效果。     

基于云计算的病毒多执行路径

针对目前对于病毒的行为分析工具只能在单机系统中分析一条程序执行的路径,误报率很高的问题,提出了一种行为分析模型。该模型利用云计算海量资源,将病毒多条执行路径的分析移植到云计算虚拟机结点上完成。对每条病毒的执行路径分别在不同的虚拟机结点上并行同时执行分析,通过对虚拟机结点中系统调用的监控找出病毒在某种特定的条件下触发的恶意行为。在开源云平台Eucalyptus的实验表明,该模型可以检测出病毒的条件触发行为,找出触发恶意行为的条件和可以满足这些条件的输入数据,并且性能比单机系统有了很大提升。     

基于K均值集成和SVM的P2P流量识别研究

提出基于K均值集成和支持向量机相结合的P2P流量识别模型,以保证流量识别精度和稳定性,克服聚类识别模型中参数值难以确定、复杂性高等缺点。对少量标签样本采用随机簇中心的K均值算法训练基聚类器,按最大后验概率分配簇标签,无标签样本与其最近簇标签一致;按投票机制集成无标签样本标签信息,并结合原标签样本训练支持向量机识别模型。该模型利用了集成学习稳定性和SVM在小样本集上的良好泛化性能。理论分析和仿真实验结果证明了方案的可行性。     

中心引力算法收敛分析及在神经网络中的应用

中心引力优化算法(central force optimization,简称CFO)是一种新型的基于天体动力学的多维搜索优化算法.该算法是一种确定性的优化算法,利用一组质子在万有引力作用下的运动,搜索目标函数在决策空间上的最优值.利用天体力学理论对该算法中质子运动方程进行了深入的研究,并利用天体力学中万有引力定理对质子运动方程进行了推导,建立起天体力学与CFO 算法之间的联系,通过天体力学中数学分析的方法对该算法中质子收敛性能进行了分析,最后,通过严格的数学推导证明出:无论初始时质子是何种分布,CFO 算法中所有的质子始终都会收敛于CFO 空间的确定最优解.作为测试效果,将CFO 算法与常见的BP 训练算法相结合,提出了CFO-BP 训练算法,优化前馈型人工神经网络的权值和结构.实验结果表明,采用CFO-BP 算法优化神经网络比其他常见优化算法有更好的收敛精度和收敛速度.     

P2P流量识别技术综述

分析了P2P流量识别的重要性,通过系统归纳现有文献,按流量识别机制将现有识别方案分为基于端口识别法、应用层特征识别法、传输层特征识别法和机器学习方法4大类。并详细地剖析每类识别方法的原理、涉及的关键问题以及解决这些问题的具体方法和国内外的研究进展,讨论各自存在的优缺点。在此基础之上对未来可能出现的研究趋势做了展望。     

一种新的过采样算法DB_SMOTE

针对非平衡数据集中类分布信息不对称现象,提出一种新的过采样算法DB_SMOTE（Distance-based Synthetic Minority Over-sampling Technique）,通过合成少数类新样本解决样本不足问题。算法基于样本与类中心距离,结合类聚集程度提取种子样本。根据SMOTE（Synthetic Minority Over-sampling Technique）算法思想,在种子样本上实现少数类新样本合成。根据种子样本与少数类中心距离构造新样本分布函数。基于此采样算法并在多个数据集上进行分类实验,结果表明DB_SMOTE算法是可行的。     

H.264的视频压缩技术的研究与分析

随着宽带技术的普及和多媒体技术的不断发展,人们对数字视频业务产生了越来越浓厚的兴趣。本文简要介绍视频编码标准的发展历程,描述了H.264在视频压缩方面的关键技术,分析了H.264编码标准及其采用的主要编码技术。探讨了H.264在视频、广电等领域的应用前景。     

基于遗传算法和神经网络的特征提取

特征提取是模式识别领域的一个重要的研究方向,特征提取可以提高分类的效率与效果。本文将遗传算法与神经网络结合起来运用于特征提取,对在数据中起显著作用的特征进行筛选,除去冗余和次要特征,得到特征子集。通过对UCI机器学习数据库中的sonar数据进行试验,结果表明可以有效地提取出重要的特征。     

基于实例迁移的数据流分类挖掘方法

为解决数据流分类过程中样本标注和概念漂移问题，提出了一种基于实例迁移的数据流分类挖掘模型.首先，该模型用支持向量机作学习器，用所得分类模型中的支持向量构建源领域，待分类的当前数据块为目标域.然后，借助互近邻思想在源域中挑选目标域中样本的真邻居进行实例迁移，避免发生负迁移.最后，通过合并目标域和迁移样本形成训练集，提高标注样本数量，增强模型的泛化能力.理论分析和实验结果表明，所提方法具有可行性，相比其它学习方法在分类准确性方面更具优势.     

一种基于分类器相似性集成的数据流分类研究

数据流分类已成为当前研究热点之一,如何解决其中的概念漂移和噪声是关键问题,为此提出了一种新的基 于分类器相似性的动态集成算法。由于数据流中相部数据具有相同概念的概率较大,因此用最新基分类器代表数据 流中即将出现的概念,同时基于此分类器求出基分类器之间的相似性作为权值进行加权多数投票,并根据相似性大小 淘汰较弱基分类器以适应概念漂移和噪声。在标准仿真数据集上进行了仿真实验,结果表明该算法相比其他集成方 法在抗噪性能和分类准确性方面均得到显著提高。