空间目标监视性能分析与评估系统设计

为了更好地分析地基雷达和天基光学系统对空间目标的监视性能,以Visual C++为主要工具,开发了空间目标监视性能分析与评估系统.给出了总体的系统设计框架,通过建立空间目标数据库实现对空间目标的有效管理,该系统可以对在轨运行空间目标进行高精度的轨道递推和姿态仿真.设计了ModelReaderCom组件,实现了卫星的几何与行为一体化建模.采用面向对象的软件设计思想,实现了系统的三维显示引擎.以天基光学系统为例,基于该系统分析了对空间目标的监视性能,并以图表形式给出了直观的显示分析结果.     

面向自然语言的空间数据库查询研究

随着地理信息系统深入应用于人们的日常生活,面向自然语言的空间数据库查询的研究越来越被人们重视。论文根据地理要素间基本的空间关系(度量关系、拓扑关系、方向关系),讨论了面向自然语言的各种空间关系的基本查询形式以及查询语句中的空间语义,在此基础上,为进一步的理解以空间分析、网络分析作为自然语言查询条件的研究打下了基础。     

基于面向对象空间数据库的三维地景可视化研究

该文设计了一个基于面向对象空间数据库的三维地景(terrain)可视化系统,并依据人们对地图的理解角度提出了面向对象的四级数据模型,研究了场景生成技术,开发了底层的面向对象的空间数据库。系统具有良好的通用性和可扩展性,在飞行模拟、实时动态仿真及虚拟现实等领域有较广泛的应用前景。     

多级安全空间数据库的语义

本文提出了为每一元素（数据项）赋予安全级时的多级关系－层次数据模型，该模型处理多级空间数据，在该模型下，引入了上下层关系完整性，在吸收基于信赖的语义和基于事实的语义思想的基础上，修改了SELECT语句的格式和语义，扩充了MLR中基于数据的语义，为防止数据模型引入的隐通道，我们修改了MLR中其它SQL语句的语义和处理，最后证明了多级关系－层次数据模型是安全的。     

空间数据库应用程序的性能优化问题探讨

在数据库中实现空间数据和属性数据的统一存储,必须采用相应的技术措施提高数据库应用程序数据库服务器的访问速度,降低与数据库结构的相关性,对于客户端,在面向对象编程(OOP）中降低对数据库服务器的访问频率,能充分发挥OOP优势,提高对数据库服务器的访问速度,在服务器端,用Transact-SQL编程隔离应用与数据表,能提高数据交换速度,降低应用程序对数据库结构的依赖性。     

基于面向对象空间数据库的空间对象模型设计及其存储策略的探讨

分析空间信息的结构和面向对象数据库技术的基础上，着重讨论了如何利用面向对象数据库的技术来对空间信息进行存储，展现了利用面向对象设计建立空间信息结构模型的先进性，并针对空间信息的结构提出了在面向对象空间数据库的存储策略。一方面为面向对象空间数据库的设计与建立提供参考，另一方面，通过借鉴相对成熟的面向对象技术，为空间信息的存储管理提供了思路和策略。     

面向对象技术在空间信息系统中的应用

本文探讨了面向对象技术在空间信息系统设计中的应用，提出了空间信息系统数据模型结构的三个概念层次，并用面向对象方法给出了相应的模型描述，传统的数据在处理图形，图像等空间信息时显得很不适应，面向对象技术是在概念水平上最接近自然的设计方法，是处理复杂空间信息的有效工具。     

面向视觉监视的变化检测与分割

文章介绍了一种针对目标跟踪的高级视觉保安系统的双摄象机方案,在此框架下研究了变化检测问题,提出了一种简单、快速的分割算发：中点导引扫描方法。实验证明该算发对于将变化区域用矩形分割表示十分有效,是一种建立视觉监视系统的实用方法,可以作为目标跟踪研究的基础。     

利用SQL数据库编写集中监视系统

本文介绍了在Microsoft Windows 2000环境下,采用Server/Client模型,利用Microsoft Visual C＋＋结合Microsoft SQL 2000数据库编写采集程序监视局域网内工作站的运行状况。     

空间探测相控阵雷达系统的任务优化编排仿真

任务优化编排是空间探测相控阵雷达系统效能发挥的关键.传统的空间探测大多采用探测时段局部优化的思路,可能导致任务丢失,不利于对空间目标的编目维持.针对上述问题,设计了一种全局的任务优化编排方法,利用空间目标过境的可预测性和周期性,挖掘探测任务无丢失和资源利用均衡程度的内在关系,提出了表征资源使用均衡程度的物理量——资源熵.然后通过资源熵引导雷达为过境目标选择合适的探测时段编排任务,实现了资源不过载条件下的任务无丢失规划.仿真结果表明,提出的编排算法显著提高了雷达系统时间资源利用的合理性,而且更加符合对空间目标编目维持的需求.     

基于语义对象模型数据库设计技术的研究与实现

该文以设计民航空管信息处理系统(CAATIS)的数据库这一典型的例子为基础,讨论了采用语义对象模型建立数据模型的步骤,以及如何将语义对象模型转换到关系数据库的设计。     

基于Web数据库的即时测验系统的设计与实现

通过构造一个基于数据库的Web即时测验系统，分析了在设计该类系统时需要解决的技术难点，并给出相应的解决方案。     

利用数据库转换实现异构数据库数据共享的研究与实现

提出了一种基于数据库组件的异构数据库数据共享的方法,方法实现简单,效率较高,转换能力较强。介绍了几种异构数据库转换方法,并分析了它们之间的优缺点。文章着重阐述了基于数据库组件的数据库表结构的转换方法和数据信息的转换方法。     

数据库系统的安全性及在FOXPRO中的实现

本文讨论了数据库系统安全性的一般方法以及在FOXPRO环境下如何保护数据库系统中数据的安全．     

如何在数据库应用中存取和使用Excel对象

介绍了使用ＶＢ编程语言在ＳＱＬＳｅｒｖｅｒ中存取和使用Ｅｘｃｅｌ对象,包括前后台的配置以及程序中的一些值得注意的主要关键点。     

数据库加密系统中关键技术的实现

数据库系统的信息安全性已成为目前迫切需要解决的课题。针对此问题,建立密文数据库是实现数据安全的有效方法。文章对数据库加密的原理,算法和密钥等关键技术进行了研究和设计,探讨了数据密钥的动态生成技术和密钥的管理的实现方法。     

多媒体数据库引擎的设计与实现

介绍了一种多媒体数据库引擎的设计与实现方法。多媒体数据库引擎从数据库系统中分离出来，它能被开发、安装和独立地应用在所有发行的大型关系型数据库产品中，使现有的关系型数据库管理系统能够支持对多媒体数据的管理及基于内容的检索。引擎中对不同媒体的支持相对独立，用户可以根据实际需要对多媒体数据库引擎进行扩展。     

Database Integration Using Neural Networks: Implementation and Experiences

Applications in a wide variety of industries require access to multiple heterogeneous distributed databases. One step in heterogeneous database integration is semantic integration: identifying corresponding attributes in different databases that represent the same real world concept. The rules of semantic integration can not be ‘pre-programmed’ since the information to be accessed is heterogeneous and attribute correspondences could be fuzzy. Manually comparing all possible pairs of attributes is an unreasonably large task. We have applied artificial neural networks (ANNs) to this problem. Metadata describing attributes is automatically extracted from a database to represent their ‘signatures’. The metadata is used to train neural networks to find similar patterns of metadata describing corresponding attributes from other databases. In our system, the rules to determine corresponding attributes are discovered through machine learning. This paper describes how we applied neural network techniques in a database integration problem and how we represent an attribute with its metadata as discriminators. This paper focuses on our experiments on effectiveness of neural networks and each discriminator. We also discuss difficulties of using neural networks for this problem and our wish list for the Machine Learning community. Received 18 February 1999 / Revised 22 April 1999 / Accepted in revised form 20 November 1999