基于XML的测试用例自动生成方法

提出一种基于XML描述的测试用例自动生成方法:采用XML语言来描述报文接口信息,根据域测试策略生成域测试表,通过组合覆盖生成算法生成最终的测试用例包.该方法产生的测试用例具有数量少、能实现报文接口的最大限度覆盖的特点,从而在保证软件质量的同时,降低成本,提高效率.     

4-3网格混合曲面细分

在已有曲面细分模式的基础上,利用"回推"技术构造出一类新的细分模式,对同时存在三角形和四边形的4-3网格进行混合曲面细分;采用分析细分矩阵特征结构的方法,讨论了该模式的连续性.分析表明,所构造的混合细分全局C1连续,且在规则情形下具有有界曲率.最后给出了一种基于体积保持的混合细分策略.     

基于基音周期与清浊音信息的梅尔倒谱参数

提出一种在浊音部分不固定帧长的梅尔倒谱参数(Mel-cepstrum)提取的方法。针对浊音和清音所包含信息量不同,对浊音进行双倍的加权,从而将基音与清浊音信息融合进梅尔倒谱参数。将这种动态的梅尔倒谱参数应用在说话人确认中,在混合高斯模型(Gaussian mixture models,GMM)的情况下,取得了比常用的梅尔刻度式倒频谱参数(Mel-frequency cepstral coefficient,MFCC)更高的识别率,在NIST 2002年测试数据库中,512个混合高斯下能够将等错误率(EER)由9.4%降低到8.3%,2 048个混合高斯下能够将等错误率由7.8%降低到6.9%。     

基于SVM的中文网页分类方法的研究

中文网页分类技术是数据挖掘中一个研究热点领域,而支持向量机(SVM)是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势.提出了基于支持向量机的中文网页分类方法,其中包括对该过程中的网页文本预处理、特征提取和多分类算法等关键技术的介绍.实验表明,该方法训练数据规模大大减少,训练效率较高,同时具有较好的精确率和召回率.     

120t转炉托圈制造工艺分析

对120 t转炉托圈制造工艺,从方案的选择,制造工艺,使用效果等进行了详细分析。120 t转炉托圈的制造工艺是合理的,实现了当月投产,当月达产的目标。     

亚45 nm技术节点平面式硅基CMOS电路制作的材料选择

随着45nm技术的临近，减小单个晶体管尺寸以提高晶体管集成度的方法逐渐达到物理极限。传统掺杂多晶硅，二氧化硅栅结构因硼杂质扩散穿透、多晶硅耗尽和电子隧穿等效应使深亚微米器件的性能退化。此外，沟道载流子迁移率退化也阻碍Si基MOS性能的提升。因此，需采用高k介质、金属栅和应变硅等新材料、新技术以改善Si基MOS管性能。本文在介绍这3种新材料优势的同时，分析了适合未来平面式硅基CMOS技术中的高介电常数材料和金属栅材料的种类，指出了未来电路中新材料的进一步发展方向。     

本钢360m2烧结机燃料分加适宜比例的探讨

为充分发挥烧结燃料分加工艺的作用，达到优质、高产、低耗的目的，在360m^2烧结机进行了燃料分加适宜比例试验，找出了本钢目前原料条件下的最佳分加比例，该比例用于生产后，取得了改善燃料分布，提高烧结矿强度，降低固体燃耗的效果。     

掺氮对300 mm单晶硅中流动图形缺陷和氧化诱生层错的影响

采用直拉法生长普通硅单晶和掺氮硅单晶,研究两种晶体中空位型原生缺陷（voids）和氧化诱生层错（OSFs）的行为。从两种晶体的相同位置取样,并对样品进行Secco腐蚀、1100℃湿氧氧化和铜缀饰实验。实验结果表明,在掺氮硅单晶中与较大尺寸的voids相关的流动图形缺陷（FPDs）的密度变小,氧化诱生层错环（OSF-ring）向样片中心处移动,同时宽度变大。这说明在直拉硅中掺氮可以抑制大尺寸voids的产生,同时可以缩小空位型缺陷区的范围,而且V/I过渡区（OSF-ring）的范围变大。     

一种基于模糊逻辑推理的双端发声检测算法

为了提高双端发声检测算法的性能、减少切音现象，文中提出了一种基于双统计量模糊逻辑推理的双端发声检测算法，并在回声消除系统中加入了舒适噪声生成部分。文中对传统的双端发声检测算法进行了分析，指出了这些算法由于采用固定门限，不能处理双端发声检测统计量其固有的模糊性，造成了在给定的虚警概率下，漏警概率偏高的问题。算法分析和实验结果表明，该算法大大地提高了双端发声检测的性能，很好地解决了加入非线性处理后的切音问题。     

Face recognition using a kernel fractional-step discriminant analysis algorithm

Feature extraction is among the most important problems in face recognition systems. In this paper, we propose an enhanced kernel discriminant analysis (KDA) algorithm called kernel fractional-step discriminant analysis (KFDA) for nonlinear feature extraction and dimensionality reduction. Not only can this new algorithm, like other kernel methods, deal with nonlinearity required for many face recognition tasks, it can also outperform traditional KDA algorithms in resisting the adverse effects due to outlier classes. Moreover, to further strengthen the overall performance of KDA algorithms for face recognition, we propose two new kernel functions: cosine fractional-power polynomial kernel and non-normal Gaussian RBF kernel. We perform extensive comparative studies based on the YaleB and FERET face databases. Experimental results show that our KFDA algorithm outperforms traditional kernel principal component analysis (KPCA) and KDA algorithms. Moreover, further improvement can be obtained when the two new kernel functions are used.