铝合金的锌系磷化处理

以LY12铝合金为试样,讨论了腐蚀加速剂、酸比、磷化温度、磷化时间、磷化添加剂对铝合金磷化的影响,得出了相应的最佳工艺参数.铝合金磷化反应机理与钢铁材料的类似,其重要条件之一就是其表面能被酸性氟化物适度腐蚀.     

分布式环境下连续概率Skyline查询

Skyline计算是多准则决策,数据挖掘和数据库可视化的重要操作。移动对象在运动过程中,由于位置信息的不确定,导致局部各数据点间的支配关系不稳定,从而影响全局概率Skyline集合。针对分布式环境下不确定移动对象的连续概率Skyline查询更新进行研究,提出了一种降低通信开销的连续概率Skyline查询的有效算法CDPS-UMO,该算法在局部节点中对局部概率Skyline点的变化进行跟踪;提出了有效的排序方法和反馈机制,大大降低了通信开销和计算代价;提出一种基本算法naive,与CDPS-UMO进行了对比实验,实验结果证明了算法的有效性。     

过程控制组态系统中操作站的设计

本文介绍了过程控制组态系统操作站的设计思想、实现方法及数据结构。把操作站的一切活动统一在实时数据库里,说明了数据的组织和处理是相当重要的。     

面向复杂网络的图稀疏算法综述

大规模数据下复杂网络的算法分析面临复杂度高的挑战,为此引入图稀疏的思想,在保持原始图性质的情况下以一定的精度在稀疏图上实现了高效的算法分析。图稀疏算法是一种保留顶点、对边稀疏采样的方法。按照相应算法分析所需要的原始图性质,提出图稀疏的边度量方式。文中系统回顾了4种边度量下的图稀疏采样方法:生成图稀疏、边连通图稀疏、聚类图稀疏、边传播性图稀疏,归纳了不同边度量方式下图稀疏的优缺点和适应性,并进一步讨论了动态图流稀疏化的最新研究进展。最后,总结了图稀疏领域有待解决的问题并展望了未来的研究方向。     

MapReduce框架下的不确定数据Top-k查询计算

Top-k查询是不确定性数据管理中普遍采用的一种技术.基于参数化排名函数的Top-k查询语义是近年来提出的各种查询语义的统一.文中针对海量不确定数据,提出一种基于MapReduce框架的Top-k计算的有效方法.通过分析基于参数化排名函数的不确定数据Top-k查询语义,设计一种获得未计算元组的排名函数值上界的算法,避免计算所有元组的排名函数值,解决Top-k计算中的剪枝问题.在MapReduce计算模型中提出两种不同的策略来实现该算法.文中针对单机环境和Hadoop分布式计算平台进行两组不同的对比实验.实验表明在处理海量不确定数据时,该算法在计算时间上有较高的性能提升.     

面向复杂网络的异构网络表示学习综述

异构信息网络包含丰富的节点信息和链接信息,具有复杂异质性、高稀疏性、属性高维性等特性,这些特性给网络表示学习任务带来了巨大的挑战。异构网络表示学习通过在嵌入过程中将多样化的异质信息和结构信息进行有效融合,学习得到更有利于下游机器学习任务的低维特征向量。从异构网络表示学习方法的研究粒度出发,对近年的研究现状进行了比较全面的分析和讨论。首先探讨网络表示学习的产生动机,阐述了近年的异构网络表示学习的研究历程;然后对具有代表性的算法模型进行分类讨论,归纳其主要的研究内容和所使用的嵌入技巧。最后给出了未来工作中异构网络表示学习可能的研究方向和比较有价值的研究内容。     

英语教学语料库管理系统CMS的设计与0实现

讨论了英语教学语料库管理系统CMS的主要功能,总体结构和对一些关键问题的处理技术。     

SLSB-forest:高维数据的近似k近邻查询

近似k近邻查询的研究一直受到广泛关注,局部敏感散列(LSH)是解决此问题的主流方法之一.LSH及目前大部分改进版本都会面临以下问题:数据散列以后在桶里分布不均匀;无法准确计算对应参数k的查询范围建立索引.基于此,将支持动态数据索引的LSH和B-tree结合,构建新的SLSB-forest索引结构,使散列桶里的数据维持在一个合理的区间.针对SLSB-forest提出了两种查询算法:快速查找和准确率优先查找,并通过理论和实验证明查找过程中查询范围的动态变化.     

面向时空数据的区块链研究综述

时空数据包括时间和空间2个维度,常被应用于物流、供应链等领域。传统的集中式存储方式虽然具有一定的便捷性,但不能充分满足时空数据存储及查询等要求,而区块链技术采用去中心化的分布式存储机制,并通过共识协议来保证数据的安全性。研究现有区块链1.0、2.0和以Block-DAG为代表的3.0体系架构及性能特点,分析三代区块链架构应用于时空数据时的性能支持度、优化方式以及局限性,并对区块链技术在时空数据领域的应用前景、存在的问题和未来的研究方向进行展望。     

基于协同过滤和隐语义模型的混合推荐算法

协同过滤算法一般根据用户的评价信息来推测用户的喜好,但受到数据稀疏问题的影响,很多时候无法得到较为理想的推荐结果;除此之外,一般协同推荐算法忽略了用户兴趣的动态变化;文中提出的算法主要融合了相似度传递、用户兴趣迁移、隐语义模型等用以解决上述问题。首先提出了基于项目相似度的协同推荐算法。该算法深入研究了改进的余弦相似度方法,在执行过程中首先需要对项目进行信任关系建模,基于此来传递相似度,然后将这两部分相似度关系进行加权得到新的项目相似关系,可以将其应用到项目的评分中。其次,提出了基于用户兴趣迁移的隐语义模型推荐算法。该算法引入时间函数,重构用户的兴趣模型,实现对传统模型的修正,然后再使用梯度下降法来求解。最后,采用线性融合的办法,将以上两种算法进行融合。实验对比结果表明,混合推荐算法的推荐准确率较原先的算法有了较大的提高,因为它可以对丢失的信息进行补充,对于用户兴趣的变化能够较好的适应,同时大大弱化了数据的稀疏导致的一系列负面影响。