媒体舆论引导仿真

使用multi-Agent的建模思想,以现实为基础建立了一个舆论涌现的仿真模型.该模型主要由个体和媒体以及它们之间的规则组成.个体的属性包括了个体之间的信任度、个体观点的可信度和个体的从众性;媒体的属性包括媒体的影响范围和权威度.规则包括个体交互规则和个体与媒体的交互规则.通过仿真证明了模型是合理的,并且用该模型来仿真媒体对舆论演化的引导作用,从媒体的数量和报道频率2个方面研究媒体在舆论形成过程中的引导作用,结果发现积极媒体的数量越多对舆论的引导作用越强,媒体的报道频率增加会对舆论的形成产生积极效果,但是超过一定次数时对舆论的影响作用有限.最后通过对模拟结果的分析,提出了通过媒体来引导舆论的方式.     

基于改进的选择算子和交叉算子的遗传算法

为了有效解决遗传算法中收敛速度与局部最优解的矛盾,文中提出了一种具有改进的选择算子和改进的交叉算子的遗传算法。使用文中改进的选择算子,能够增加算法收敛于全局最优解的概率,从而不容易陷入局部最优,也就增加了找到最优解的概率,使用文中改进的交叉算子可以加快算法的收敛速度,从而缩短寻找最优解的时间。实验证明,这两种改进算子的结合能以较快速度收敛于全局最优解,因此能很好地解决遗传算法中收敛速度与局部最优解之间的矛盾。     

VPN中的隧道技术研究

大规模的组建VPN网络已经成为一种趋势,越来越多地受到用户的广泛关注。从总体来说。VPN技术非常复杂,它涉及到通信技术、密码技术和现代认证技术,是一项交叉科学。隧道技术对于构建VPN来说,是一个关键性技术。它在源局域网与公网的接口处,将数据作为负载封装在一种可以在公网上传输的数据格式中,在目的局域网与公网的接口处将数据解封装,取出负载。从隧道技术的发展,对各种隧道技术做了一个简单的分析,了解VPN组网的安全技术。     

基于PhotoModeler Scanner的普通数码相机快速检校研究

随着分辨率的不断提高与价格的日益降低,数码相机已成为近景摄影测量的基本设备,而相机的准确检校是保证量测精度的关键因素.借助于PhotoModeler Scanner软件,本文实现了相机的快速准确检校,并对野外检校的稳定性和质量进行了分析,说明该检校方法简便可靠.     

机会发现中简单场景构造方法研究

场景构造是机会发现过程中的关键活动之一。对机会发现场景的结构进行形式化描述,提出基于布尔相关矩阵并利用聚类分析的方法构造事件簇,进而实现机会发现简单场景构造的思想并给出实现方法。对机会发现场景构造方法性能的评估进行探讨,明确以效率系数作为机会发现场景构造方法的评估标准。实验表明,该方法的效率系数较高。     

求旅行商问题近似解的碰撞算法

提出通过寻找精确解的边获得旅行商问题(TSP)近似解的思想,并以该思想为指导,设计一种新的碰撞算法。对国际通用的TSPLIB中不同城市规模的数据进行测试表明,该算法可以得到与目前已知最优解或相同或相近的结果。该算法不仅可以计算小规模的TSP,而且同样适用较大规模的TSP。     

基于布尔矩阵的Deep Web复杂模式匹配

在正负关联规则中引入布尔矩阵的概念,在双重相关性挖掘算法的基础上提出一种Deep Web复杂模式匹配算法。将查询接口模式中的属性项转化成布尔矩阵,通过对矩阵进行正关联规则运算挖掘组属性,对矩阵进行负关联规则运算挖掘同义属性。实验结果表明该算法的执行效率较高。     

基于结构和纹理特征融合的场景图像分类

利用整体结构特征和局部纹理特征的优势,采用两级分类器对场景图像进行分类。第1级分类器利用全局结构信息得到候选类别,并通过分类结果判定相似类别对;第2级分类器则利用局部纹理信息区分相似类别,采用分类器的级联综合利用场景图像的整体结构信息和局部纹理信息。实验结果表明,该方法能够做到不同场景类别鲁棒分类,有效区分相似场景类别,提高场景图像的分类准确率。     

基于Hadoop的Web日志挖掘

基于单一节点的数据挖掘系统在挖掘Web海量数据源时存在计算瓶颈,针对该问题,利用云计算的分布式处理和虚拟化技术的优势,设计一种基于云计算的Hadoop集群框架的Web日志分析平台,提出一种能够在云计算环境中进行分布式处理的混合算法。为进一步验证该平台的高效性,在该平台上利用改进后的算法挖掘Web日志中用户的偏爱访问路径。实验结果表明,在集群中运用分布式算法处理大量的Web日志文件,可以明显提高Web数据挖掘的效率。     

改进的BP神经网络算法在航迹匹配中的应用

利用迭代最近等值点(ICCP)算法对重力图上的航迹进行匹配可以减小惯性导航系统误差,但计算量大。针对上述问题,通过修改激励函数并增加假饱和预防函数,提出一种改进的反向传播神经网络学习算法。仿真结果表明,该算法可以加快搜索最近等值点的速度,更好地满足重力辅助导航对匹配精度及匹配速度的要求。