利用VB和ASP操作远程数据库的技术

介绍了一种利用VB和ASP实现的，通过万维网（WEB）来建立，访问Access数据库的方法。     

基于相关性分析的微阵列数据集成分类研究

基于微阵列数据的肿瘤诊断方法有望在不久的将来成为临床医学上一种快速且有效的分子层肿瘤诊断方法,但由于微阵列数据存在高维小样本的特点,因而对传统的分类方法提出了挑战,为此研究人员开始关注于性能更好的集成分类算法.针对现有的微阵列数据集成分类算法分类精度不高、计算量过大等问题,提出了一种基于相关性分析的微阵列数据集成分类算法.该算法可以通过计算训练子集间的相关性挑选出差异度最大的一组子集来进行训练,有效地增强了集成中的多样性.应用支持向量机作为基分类器,在急性白血病与结肠癌数据集上的实验结果表明了所提算法的有效性和可行性.同时,测试了算法在不同参数设置下的性能,测试结果为合理的参数设置提供了参考依据.     

鼓泡流化床稀相空间颗粒粒度分布的时变特性

鼓泡流化床稀相空间的催化剂颗粒粒度分布一方面与流化床流化速度有关,另一方面与流化床中藏量的细小颗粒跑损有关,即随着流化床操作的连续进行,流化床系统中的细颗粒不可避免的存在跑损,进而影响到稀相空间的颗粒粒度分布。由于这种跑损是连续发生的,因此稀相的颗粒粒度分布变化具有时变特性。选用催化裂化平衡催化剂和二维流化床,在连续流化操作过程中采集稀相空间中的颗粒样品,分析颗粒的粒度分布,考察稀相空间中颗粒粒度分布随流化操作时间的变化。结果表明：随着流化床系统中细颗粒的跑损,稀相颗粒粒度分布的中位粒径和峭度逐渐增加,稀相空间的颗粒逐渐粗化,经过一段流化操作时间后颗粒粒度分布变化趋于稳定。     

无线传感器网络数据的个性化加权在线集成学习算法

作为一种数据采集型网络,无线传感器网络有效地提高了人们获取客观物理信息的能力,已成为智慧生活的重要一环.然而,无线传感器网络数据是一种流数据,显著特点在于具有时间顺序性,实时性高,容易受外界因素干扰,且易产生分布漂移等特点.要利用无线传感器网络建立精确可靠的预测模型,就要兼容其上述特性.为此,本文提出了一种个性化加权在...     

一种基于邻域协同表达的分类方法

邻域粗糙集模型中,随着信息粒尺寸的增长,基于多数投票原则的邻域分类器(NC)容易对未知样本的类别产生误判。为了缓解该问题,在协同表达分类(CRC)思想的基础上,提出了一种基于邻域协同表达的分类方法,即邻域协同分类器(NCC)。NCC首先借助邻域粗糙集模型对分类学习任务进行特征选择,然后找出被选特征下未知样本的邻域空间,最后在邻域空间内采用协同表达来代替多数投票原则,找出与未知样本具有最小重构误差的类别作为预测的类别标记。在4组UCI数据集上的实验结果表明:1)与NC相比,所提NCC在大尺寸信息粒下获得了较为满意的分类效果;2)与CRC相比,所提NCC在保持良好分类精度的同时,极大地降低了字典样本的规模,进而提高了分类的效率。     

基于样本选择的启发式属性约简方法研究

属性约简是粗糙集理论的核心研究内容之一。借鉴于贪心策略的启发式算法是求解约简的一种有效技术手段。传统的启发式算法使用了决策系统中的所有样本,但实际上每个样本对约简的贡献程度是不同的,这在一定程度上增加了启发式算法的时间消耗。为解决这一问题,提出了一种基于样本选择的启发式算法,该算法主要分为3步:首先从样本集中挑选出重要的样本;然后利用选取出的样本构建新的决策系统;最后利用启发式算法求解约简。实验结果表明,新算法能够有效地减少约简的求解时间。     

适用于单轮单样例标注场景的主动学习停止准则

针对现有的选择精度主动学习停止准则仅适用于批量样例标注场景这一问题,提出了一种适用于单轮单样例标注场景的改进的选择精度停止准则。该准则通过监督自本轮起前溯的固定学习轮次内的预测标记与真实标记间的匹配关系,对选择精度进行近似的评估计算,匹配度越高则选择精度越高,继而利用滑动时间窗实时监测该选择精度的变化,若当其高于事先设定的阈值,则停止主动学习算法的运行。以基于支持向量机的主动学习方法为例,通过6个基准数据集对该准则的有效性与可行性进行了验证,结果表明当选取合适的阈值时,该准则能找到主动学习停止的合理时机。该方法扩大了选择精度停止准则的适用范围,提升了其实用性。     

面向综合信息服务提供的下一代业务网络

在当前NGN体系架构的基础上提出“下一代业务网络（NGSN）”的概念,指出NGSN是运营商向综合信息服务提供商转型的关键所在,给出了NGSN的设计原则和多视图参考模型,重点研究了NGSN的功能体系架构,分析和总结了NGSN对运营商向综合信息服务提供商转型的支撑作用。     

Delphi多层数据库应用程序的实现方式—MIDAS

本首先介绍了多层应用服务技术的出现和发展，然后对Borland公司推出的用于实现多层体系结构的关键技术MIDAS的功能和性能进行了说明和讨论。