扩充扩展内存和上部内存的管理原理与使用方法

本文清晰地阐明了上部内存、扩充内存和扩展内存等概念，并通过对ＸＭＳ，ＥＭＳ和ＶＣＰＩ等规范以及ＥＭＭ３８６．ＥＸＥ等内存管理器的分析。介绍了在高版本ＤＯＳ上，上述几种内存的管理原理和使用方法。     

如何使用扩展内存和扩充内存

本文简要地介绍了分别把汉字库放入扩充内存和扩展内存的方法,并很容易从扩充内存和扩展内存中取出汉字送往主内存.     

扩展内存和扩充内存的比较及使用

内存是微机最重要的资源之一,PC及其兼容机有1M的寻址能力,其中640K供一般用户程序使用。但是随着软件的发展,这些内存已经越来越难以满足软件的需要,80286及其后续系列的出现,给予了PC机越来越大的寻址能力,如80286的寻址能力是16M,但DOS不能对它进行直接管理,使得普通用户不能直接使用1M以上的内存,这就导致了扩展内存(Expanded Memory)管理规范EMS和扩充内     

“扩展内存”和“扩充内存”的误区

该文小议Ｅｘｔｅｎｄｅｄ Ｍｅｍｏｒｙ Ｅｘｐａｎｄｅｄ Ｍｅｍｏｒｙ的中英文名称易混难记的原因，以及国内各类译文相互矛盾的翻译方法所造成的混乱局面，并提出解决此问题的建议和设想。     

触发词与属性值对联合抽取方法研究

传统的属性值对抽取方法通常应用于短文本,且仅限于抽取字符串属性。提出一种触发词与属性值对的联合抽取方法,不仅能够通过识别触发词确定长文本中的信息语句,从而确定二元语义属性的取值,而且能够考虑触发词、字符串属性和属性值的相互依赖关系,基于条件随机场构建联合标记模型,提高字符串属性值对的抽取性能。实验结果显示,与传统方法相比,所提出的方法能够抽取二元语义属性值对,并且对字符串属性的抽取准确率、召回率和F值分别提高15.3%、15.5%和15.5%,同时抽取所用平均时间降低76.29%。     

基于整数线性规划的查询扩展

查询扩展是信息检索过程中重要的一步.在现有的研究中,大部分查询扩展方法都是孤立地考察每个词对查询扩展的重要性,挑选最好的几个词作为查询扩展.但已有研究表明,多个最好的扩展词组合到一起效果并不一定是最好的.尝试以集合的方式挑选扩展词:首先通过监督的方法学习单个扩展词的权重以及扩展词之间的约束关系,然后根据一些约束条件,将查询扩展的任务转化成一个整数线性规划问题.通过解决整数线性规划这样一个全局优化的问题来得到最好的扩展词组合.最后,通过在3个TREC标准数据集上的对比实验说明,该方法能显著地提升查询扩展的效果.     

基于属性信息熵的实体匹配方法研究

如何找出异构数据库间相同的实体,特别是当现实生活中的同一实体在不同的应用环境中用不同的标识符表示时,如何根据已知描述实体的相同属性的信息,进行实体匹配,解决实体异构问题,是实现数据库间互操作至关重要的因素。针对该问题,文章给出了一种基于属性信息熵的实体匹配方法。具体数据的实验结果显示该方法是很有效的。     

一种按需加载的DSP程序扩容方法

随着软件无线电的发展,软件无线电平台的处理能力越来越强大、平台上实现的功能越来越多,平台的硬件结构也多种多样,各平台之间无法实现软硬件资源的共享,在实现通用数字中频的工作中,DSP程序的扩容需求逐步增大.针对上述问题,本文提供一种按需加载的DSP程序扩容方法,这种方法可以根据需要加载不同的DSP函数,相当于对DSP的内...     

结合全局特征的命名实体属性值抽取

关注非结构化文本中命名实体属性值的抽取问题.当前主流有监督属性值抽取方法仅使用局部特征,抽取效果有限,开展了利用文本全局特征改善属性值抽取的研究.通过适用于中文属性值抽取的全局特征,用局部特征以外的有价值信息提高抽取效果.据此,提出结合全局特征的感知机学习算法,该算法能够方便地融合文本全局特征,并将全局特征和局部特征统一结合到模型学习过程中,使模型具有更好的特征表示能力.实验结果表明,所提出方法的整体抽取效果高于仅使用局部特征的CRF模型和平均感知机模型.该方法适用于开放领域的属性值获取,具有较好的泛化能力.     

基于形式背景的属性转移与知识发现

概念格理论是一种有效的知识表示与知识发现工具,是知识表示、知识发现和知识获取的基础。利用形式背景信息熵与属性的重要性理论,讨论形式背景的属性知识转移的特点,得到了基于形式背景的属性转移原理,给出形式背景的知识发现与应用。     

基于属性区分能力和AP聚类的属性粒化方法

提出了一种基于属性区分能力和AP聚类的属性粒化方法(Attribute Granulation based on attribute discernibility and AP algorithm,AGAP)。该方法首先依据属性依赖度计算属性的区分能力;然后将所有属性作为潜在的聚类中心,使用AP算法聚类,得到若干个属性簇类;最后采取选用代表属性的方法得到较粗的属性粒子,从而达到属性粗粒化的要求。对高维数据的特征降维,这种算法比传统的属性约简算法大大提高了运算效率,在属性粒化精度要求不是很严格的情况下,所提算法优势明显。     

基于属性分类和回归模式的知识发现研究

该文针对目前数据挖掘的研究状况,理论上提出了将基于属性分类方法和多元线形回归算法相结合的算法,首先使用基于属性分类的方法将原始数据库进行属性分类,化简,去掉次要的条件属性,最后得出一个简化的表格,找出影响决策属性的主要因素,根据此表,可以得出简单的ifthen规则;然后使用多元线形回归求出它们之间的近似定量关系,得出一个最优回归方程。     

Data envelopment analysis of integer-valued inputs and outputs

This paper addresses DEA scenarios whose inputs and outputs are naturally restricted to take integer values. Conventional DEA models would project the DMU onto targets that generally do not respect such type of integrality constraints. Although integer-valued inputs and outputs can be considered as a special case of ordinal inputs and outputs, the use of that type of models has many drawbacks. In this paper a MILP DEA model that guarantees the required integrality of the computed targets is proposed.     

一种基于属性重要性的变精度粗糙集属性约简算法

结合胡可云算法中对属性重要性的描述,以条件属性在可辩识矩阵中出现的频率作为启发信息,提出一种基于变精度粗糙集模型的属性约简算法.实验证明,该方法能够有效地对决策表进行属性约简,并具有一定的抗噪声能力.     

基于投票式属性重要度的快速属性约简算法

作为经典Pawlak粗糙集的扩展,邻域粗糙集能有效处理数值型的数据。但是,因为引入了邻域粒化的概念,所以邻域实数空间下的计算量要比经典离散空间下的计算量大得多。对于邻域粗糙集算法而言,能够有效且快速地找到数据集的属性约简是十分有意义的。为此,针对现有算法中属性重要度定义的不足,首先提出了一种改进的投票式属性重要度,然后进一步提出了一种基于投票式属性重要度的快速属性约简算法。实验证明,与现有算法相比,在保证分类精度的前提下,该算法能更快速地得到属性约简。     

基于属性计算网络的模式识别

给出了如何建立属性网络,属性网络中定性基准的学习机制以及如何使用属性网络来实现模式识别,最后给出了该方法的应用实例.