基于K-means聚类算法的校园网用户行为分析研究

利用数据挖掘相关技术,针对后台计费服务器的数据库,基于K-means算法以校园网用户行为特征为对象来进行聚类分析,提出了几个校园网用户行为分析的模型.此类模型为校园网管理者在制定有效管理策略,满足校园网用户个性化需求方面提供理论依据.     

基于VFW的AVI视频文件压缩与解压缩方法研究

本文首先概述了微软数字视频软件开发包VFW(VideoForWindows)的内容与其体系结构,然后针对AVI文件结构进行必要性分析,接着重点讲述如何使用VC++编程技术调用VFW库函数对AVI文件中视频数据进行压缩与解压缩处理,并给出了相关函数或代码。     

异构CAD系统间的用户自定义特征在线交换

用户自定义特征(UDF)能很好地反映用户特有的设计意图,减少重复性的设计活动,是主流CAD系统都提供的功能,因此实现UDF在线交换是异构CAD系统在线集成中不可或缺的一部分.为此,提出一种基于中性命令的UDF在线交换方法.在综合主流CAD系统UDF表示的基础上,给出了一种UDF的中性命令表示;然后给出系统UDF与中性UDF命令之间的相互转换算法,并重点介绍了其中的差异性解决方法.采用文中方法在Pro/E,SolidWorks和UG之间进行UDF实时交换的实例结果表明,文中提出的UDF在线交换方法能够有效地支持UDF在异构CAD系统间的实时创建、修改和删除操作.     

ECO布局中的电源线/地线网络局部SOR分析方法

供电电压直接决定芯片性能,在IC设计的各个阶段考虑供电电压约束具有重要的意义.受制于电源线/地线(P/G)网络分析的高复杂性,尽管供电电压已成为布图规划设计中的一个设计约束,但目前在布局设计中还未考虑供电电压约束.有别于ICCG,SOR等经典的全局分析算法,提出了一种局部的连续过松弛方法(SORPECO),并在ECO布局过程中对P/G网电压约束进行高效的分析.基于前一个布局的P/G网电压分布,针对ECO试探布局中某些轻微设计变动,SORPECO只需对这些设计变动的局部变化周边区域进行松弛,以更新P/G网电压分布.受益于P/G网络分析的局部性,SORPECO拥有局部、高效和高精度等优点.实验结果表明,与通常用于布图规划的传统高效的ICCG算法相比,SORPECO不仅精度损耗几乎可以忽略(最大误差0.062%),而且可以加速2个数量级.     

云模型在入侵检测的应用与研究

入侵检测是指在计算机网络系统中的若干关键点收集信息,并从安全审计、监视、进攻识别和响应等方面,分析这些信息,查看网络中是否有违反安全策略的行为和遭到袭击的迹象.数据的分类采集是入侵检测的关键环节,我们采用云模型对入侵数据进行分类,有效的保持了连续数据对定性概念的模糊性,并且在入侵危害等级评测阶段运用了协调过滤推荐算法,极大地提高了入侵检测系统在面临海量可疑入侵数据的处理效率。     

基于遗传算法的航空弹药保障人员优化配置

航空弹药保障任务中人员合理高效的配置是一个多约束条件下的组合优化问题。在建立保障人员配置模型的基础上,通过操作因子对模型的合理描述,应用遗传算法对模型进行优化求解,得到合理的保障人员数量和最优的保障人员配置方案。实例仿真验证了模型的正确性及算法的有效性。     

最大最小蚁群算法在实际GSM系统中频率规划的应用

探讨了应用最大最小蚁群算法（MMAS）来解决移动通讯系统（GSM）的频率规划问题。基于MMAS提出了一个可方便地控制算法的探索和开发能力并使之平衡的参数。实验结果表明,通过优化该参数,显著提高了算法的性能。     

新型粒子群算法在多元方程组求解中的应用

介绍了求解多元方程组的一种新型粒子群算法。通过引入多路并行的粒子群与可变异惯性权重,有效地增加了算法种群的多样性,提高了算法的整体寻优能力,使传统粒子群算法容易陷入局部最优解的问题得到了有效解决。最后通过求解运算,与传统粒子群算法进行比较,验证了该算法在求解多元方程组问题上的优越性。     

MEMS热电堆高温测试系统中单晶材料的红外衰减特性研究

在对PerkinElmer公司的MEMS热电堆红外探测器静态和动态特性实验研究的基础上,本文提出了由MEMS热电堆、红外衰减片、靶体和存储模块组成瞬态表面高温测试装置的方案,对拓宽测温上限的关键元件--红外陶瓷衰减片进行了较深八的研究,用MEMS热电堆测量方法测量了氧化锆陶瓷片红外吸收系数,得出了不同厚度氧化锆（熔点为2715℃）陶瓷片红外衰减倍数曲线,为基于MEMS热电堆的表面高温测试装置的设计提供了依据。     

基于CMA—ES算法的支持向量机模型选择

研究模型选择对支持向量机(SVM)的泛化性能有着重要影响。针对传统梯度算法对初始值敏感及网格搜索法计算复杂的缺点,为了提高全面优化能力和分类精度,提出了一种基于协方差矩阵自适应进化策略(CMA-ES)的支持向量机(SVM)模型优化算法,通过对SVM泛化性能界(Bounds on Generalization Performance)的优化求解,实现了基于CMA-ES算法的SVM模型选择。在标准数据集上的实验结果表明:相比遗传算法和梯度算法,上述方法能够在较小计算代价下得到更优的超参数,提高支持向量机的预测精度稳定性,尤其适合大样本数据条件下的模型选择。