90年代的数据库技术及其市场

数据库是当代信息系统的基础，在计算机应用中起着极其重耍的作用。自从80年代初期以来，从同的计算机应用领域提出了许多数据库的非传统应用课题，诸如多媒体数据、空间数据、时序数据、科     

信息动态

深度学习是机器学习研究中的一个新的领域,其核心思想在于模拟人脑的层级抽象结构,通过无监督的方式分析大规模数据,发掘大数据中蕴藏的有价值信息.深度学习应大数据而生,给大数据提供了一个深度思考的大脑. 尽管YahnLecun在1993年提出的卷积神经网络是第一个真正成功训练多层网络结构的学习算法,但应用效果一直欠佳.直到2006年,Geoffrey Hinton and RuslanSalakhutdinov基于深度置信网,提出非监督贪心逐层训练算法,应用效果才取得突破性进展.从2009下半年开始,美国微软研究院邀请Hinton到雷德蒙与他的研究员合作,将深度学习巧妙地应用在大规模语音识别,迅速获得巨大成功,由此掀起了深度学习的浪潮[1-3].2014年3月,Facebook报道他的DeepFace项目使得人脸识别技术的识别率已经达到了97.25％,只比人类识别97.5％的正确率略低一点,准确率几乎可媳美人类.该项目利用了9层的神经网络来获得脸部表征,神经网络处理的参数高达1.2亿.     

概念推理网及其在文本分类中的应用

在分析了当前文本分类中学常用方法的基础上,提出了一种新的分类模型,该模型是对人的分类过程的一种模拟,在已的有英语语义词典及大量训练集的基础上,应用机器学习、数据挖掘等技术进行知识获取并最终形成若干个概念推理网,对待分类的文档可以激活相应的网络,网时传播推理以决定其类别的归属,试验表明：该方法具有较高的分类正确率与召回率。     

用数据采掘方法获取汉语词性标注规则

从数据采掘的角度对汉语文本词性标注规则的获取进行研究,在满足用户规定的支持度向量的前提下,先从侯选集模式中挑选出常用模式;然后采掘出具有高可信度的产生式规则。该过程完全是自动的,而获取的规则有表达上是明确的,同时又是隐含在数据中的、用户不易发现的,实验表明：在原有统计方法的基础上,利用自动获得的标注规则作为补充,可以提高词性标注的正确率。     

知识的增值——知识发现与知识管理

知识是一种像流体一样具有流动性的物质,其中混杂了已经结构化的经验、价值和有特定含义的信息及专家洞察力。 知识发明是所谓“数据挖掘”的一种更广义的说法,即从各种媒体表示的信息中,根据不同的需求获得知识。知识发现的目的是向使用者屏蔽原始数据的繁琐细节,从原始数据中提炼出有意义的、简洁的知识,直接向使用者报告。 知识管理是一个过程,个人通过这一过程学习新知识和获得新经验,并将这些新知识和新经验反映出来,进行共享,以用来促进、增强个人的知识和机构组织的价值。     

一种基于蚁群算法的TSP问题分段求解算法

群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优伦算法的有力方法。对以蚁群算法为代表的群集群能的研究已经逐渐成为一个研究热点。该文首先在蚁群算法的基础上提出了相遇算法,提高了蚁群算法蚂蚁一次周游的质量,然后将相遇算法与采用并行策略的分段算法相结合,提出一种基于蚁群算法的TSP问题分段求解算法。实验结果表明该算法有较好的有效性。     

一种基于主特征的几何空间模糊推理方法

在几何空间中关于几何体之间不确定关系的推理是空间推理技术的主要研究方向,首先,提出了空间几何体的特征与主特征的概念,并证明了几何体特征之间的关系与几何体之间的基本关系的等价性;其次,引入了相邻、平行、从属、同线、线性等空间关系来描述空间几何体主特征之间的关系,并且将这几种空间关系通过隶属度函数模糊化;最后,基于主特征之间的空间关系,提出了一种进行空间模糊推理的方法,并给出了相应的应用实例,表明了所提出的方法是有效的、可行的。     

主体命名方式AST

主体的命名和定位是移动主体中的关键技术,它的优劣影响到整个移动主体系统的性能,在分析了目前几种主体命名和定位方式之后,提出一种新的主体命名和定位的方法：Agent Shadow Tracing。这种方法将主体看成是生成它的主机的一种资源,为主体在生成它的主机上分配一个固定的界面（shadow）,在主体移动时,别的主体和程序可以通过与界面交互达到与移动主体通信的目的,这种方法避免了目前主体命名和定位方式的一些缺点,较好地解决了移动主体之间的通信问题。     

形式化多主体系统中的交互及交互协议

深入研究了多主体系统中的交互及其协议,并用一种进程演算;即π演算进行了形式化的描述.为了研究主体之间的交互,首先对参与交互的主体的行为进行了分类,并形式化地描述了其行为规范,然后用进程定义了主体间的交互协议,并在此基础上分析了主体交互的一致性及无死锁性.