计算机专业本科毕业设计存在问题及对策分析

针对本科毕业设计存在问题的研究多关注表面现象,很少分析深层次的原因,已有解决方法多注重形式上的质量管理,较少从更深层次着手解决。综合多年本科课程教学与本科毕业设计指导的体会和已有的相关研究,从教育体制与教学管理、教师、学生三个方面分析了当前形势下计算机专业本科毕业设计存在的主要问题及其产生问题的原因,并探讨了解决方法。     

应用主成分回归分析评估企业经济效益

文中编制了一个MATLAB程序,针对多个企业的基本数据进行主成分回归分析,得到一个经济效益的定量描述公式,从而可以不受人为因素制约地对企业进行综合评估并排名;分析发现企业经济效益主要由资金周转次数等因素决定,与实际情况相符,因此排名结果容易得到认同.此外还分析了指标间的关系.结果表明主成分回归分析法对于指标数多且指标间存在较大相关性的场合简洁高效.     

如何实现Foxpro和Sybase之间的数据传输

本文讲述了Ｓｙｂａｓｅ和Ｆｏｘｐｒｏ之间的数据传输问题，重点介绍了使用Ｂｃｐ．ＣｏｐｙＴｏ命令及Ｅｄｉｔ软件将Ｆｏｘｐｒｏ数据库内容复制到Ｓｙｂａｓｅ数据表的实现方法     

网络安全评估

首先指出网络安全评估具有重要意义，然后给出参照CC的网络安全评估实施框架，重点讨论了TOE评估依据－安全指标的建立，并给出EAL1级和EAL2级TOE评估的内容，最后说明实施评估还有很多问题有待考虑。     

基于话题标签和转发关系的微博聚类和主题词提取

针对微博聚类正确率不高的问题,在研究微博数据特点的基础上,利用微博hashtag来增强向量空间模型,使用微博之间的转发关系提升聚类的准确性,并利用微博的转发、评论数以及微博发布者信息来提取聚类中的主题词。在新浪微博数据集上进行实验发现,与k-means算法和基于加权语义和贝叶斯的中文短文本增量聚类算法(ICST-WSNB)相比,基于话题标签和转发关系的微博聚类算法的准确率比k-means算法提高了18.5%,比ICST-WSNB提高了6.48%,召回率以及F-值也有了一定的提高。实验结果表明基于话题标签和转发关系的微博聚类算法能够有效地提高微博聚类的正确率,进而获取更加合适的主题词。     

基于页面分类的Web信息抽取方法研究

通过对现有Web信息抽取方法和当前Web网页特点的分析,发现现有抽取技术存在抽取页面类型固定和抽取结果不准确的问题,为了弥补以上两个不足,文中提出了一种基于页面分类的Web信息抽取方法,此方法能够完成对互联网上主流信息的提取。通过对页面进行分类和对页面主体的提取,分别克服传统方法抽取页面类型固定和抽取结果不够准确的问题。文中设计了一个完整的Web信息抽取模型,并给出了各功能模块的实现方法。该模型包含页面主体提取、页面分类和信息抽取等模块,并利用正则表达式自动生成抽取规则,提高了抽取方法的通用性和准确性。最后用实验证实了文中方法的有效性与正确性。     

网络管理发展及其关键技术

旨在对纷繁复杂的互联网网络管理技术进行合理的分类并对网络管理发展趋势进行预测.首先概述了网络管理概念,然后从网络管理技术的产生背景、网络管理功能和网络管理层次等方面分析了互联网网络管理管理的发展历程,并将网络管理发展分成了功能层次逐渐递增的3个阶段:可用性管理、网络行为监测和网络内容监管.研究认为网络管理的发展趋势是继续设法保障网络具有良好的服务质量,并将越来越注重网络秩序和网络信息安全的维护.     

感知Web服务质量的测度研究

确定各种网络服务或应用服务的SLA(服务等级协约)参数是实施SLA管理的前提之一。基于Web服务的实现机理以及用户浏览习惯，定义了两个易于测量的Web服务内在性能测度：平均响应延迟和交付速率。在两个实验中，分别在不同时间不同上网条件下访问特定Web站点一段时间，在客户方被动测量相关Web流量、计算上述两测度值，同时记下用户当时感知服务质量的主观评价值。对两次观测数据分别进行线性回归分析，发现两测度相结合确实能够反映用户访问Web站点时的感知服务质量。     

通过VB访问SYBASE图象数据

一、引言 Sybase的系统数据类型有浮点型、货币型、字符数据型等类型。字符数据类型又分char(n)、varchar(n)和text三种;二进制数据类型有binary(n)、varbinary(n)和image。其中text和image数据是实现多媒体数据库的基础。基于Windows平台的Visual Basic从综合性能上优于不少其他开发软件,因此常用VB作为Sybase的客户端开发平台。通过VB(专业版)经由ODBC接口访问Sybase SQL Server上的text或image数据较方便,但有一定的难度,本文就实际开发过程中获得的有关经验、体会作一介绍。     

多元线性回归的一种神经计算实现及其优点

给出了用模糊感知器学习算法和（ε，δ）准则估计多元线性回归模型回归系数的详细算法，讨论了学习速率，ε和δ的设定，并与经典的回归系数估计方法最小二乘法作比较，发现总体拟合最好的特性对于含异常数据(noisy data）的情况反而会使预测值背离事实更远，而基于模糊感知器的学习算法实现线性回归具有编程简单，对数据无特殊要求而且对数据的容错性较高的优点，可用来实现数据挖掘所需要的预测和异常检测功能。