局域网间微机数据库通信软件TRAN的设计

本文介绍一种局域网间微机数据库通信软件ＴＲＡＮ．该软件能实现局域网间微机数据库点对点、点对多点,多点对一点以及广播等方式通信。     

可伸缩式活动顶尖的设计与应用

设计一种可伸缩式活动顶尖,介绍其工作原理和在经济型数控车床上的应用,解决了采用固定式活动顶尖一夹一顶的工艺方式因顶尖的作用在工件切断瞬间容易打坏切断刀的实际问题,同时采用该装置因免去了切断工序时手工脱离顶尖作用的环节,从而提高了生产效率,降低了成本及安全隐患。     

基于抽象内存模型的内存相关漏洞检测方法

针对现有的内存相关漏洞检测方法中存在依赖指针数据流而导致大量误报漏报、缺乏漏洞特征的形式化描述以及漏洞特征描述不全面的问题,提出一种基于抽象内存模型的内存相关漏洞检测方法.对抽象内存模型进行相关定义;基于抽象内存模型,对内存泄露、重复释放内存和读写释放后的内存这三种与内存相关的漏洞类型的特征进行形式化符号表示;基于代码...     

Linux内核进程调度与控制的实现

首先分析了Linux系统的整体结构,阐明了进程调度与内存管理系统、文件系统和网络接口之间的关系,最后给出了Linux进程调度的原理、策略及其实现方法.     

精神疲劳识别的可拓模型与策略生成

精神疲劳识别中普遍存在着方法的侵扰性、实时性与识别准确率之间相矛盾的问题.为此,引入可拓理论和方法来建立问题的可拓模型,针对矛盾主体建立关联函数和策略优度函数.结合领域知识,通过拓展分析、可拓变换对矛盾进行转化,生成多种同时满足非侵扰性、实时性和识别准确率的特征和识别策略,并对策略优度进行计算和分析.实验研究验证了本方法的有效性.本研究为计算机模拟人类思维进行算法研究和创新奠定了基础.     

基于多模态知识图的用户微行为会话推荐

基于会话推荐的目标是根据给定的会话预测下一个交互项.针对现有基于会话推荐大多只关注某个用户交互项的连续项来捕获相关信息;以及利用知识图谱提供辅助信息的过程中忽略了多模态知识图中各种数据类型的问题.本文提出多模态知识图的用户微行为的会话模型,将用户微行为和多模态知识纳入基于会话推荐的多任务学习中,用户微行为对项目的建模在微观行为级别上,使用一系列项目操作对来充分捕获会话中的用户意图.提出多模态知识图注意力网络,通过使用多模态图注意机制进行信息传播,将得到的聚集嵌入表示进行推荐.考虑候选项目信息来平衡局部和全局表示的门控模块,门控模块利用多层感知器层对候选项目、最近交互项目和每个用户的全局偏好之间的关系进行建模来计算权重.在两个基准数据集的实验结果表明,本文所提模型优于最新基于会话的推荐,有利于提升推荐的准确率.     

基于蚁群模拟退火算法的云环境任务调度

针对云计算的MapReduce编程框架,提出一种融合蚁群算法和模拟退火算法的混合调度算法（ACOSA）。该算法以最小化调度时间为目标,引入了任务与资源的匹配因子和负载均衡度,先利用蚁群算法得到一组任务到资源的优化解,然后通过模拟退火算法对解进行路径的优化和信息素的更新。通过扩展Cloudsim云计算仿真平台,对其进行重新编译,实现了所提出的算法,实验结果表明该算法在调度时间、负载均衡等方面表现良好。     

扩展的RBAC模型在数据共享服务平台中的应用

针对数据共享服务平台在实际运行中存在的权限管理的复杂性和数据的安全性问题,首先,分析了传统的RBAC（基于角色的访问控制）模型,然后,结合数据共享服务平台的实际需求,对典型的RBAC模型进行了扩展,经过扩展后的模型对角色和客体进行了抽象,增添了“特征”的概念,粗化了权限和角色的粒度,有效地减少了角色、权限的数量。此方案已经在数据共享服务平台中得到应用,结果表明这种扩展的RBAC模型不但有效地降低了授权管理的复杂度,而且让系统的维护和扩展变得更方便。最后给出了该模型在数据共享服务平台中的应用实例。     

结合GloVe和GRU的文本分类模型

文本分类有着广泛的应用,对其分类算法的研究也一直备受关注。但是,传统文本分类算法普遍存在文本特征向量化维度过高、没有考虑关键词之间语义关系、训练参数过多等问题,这些都将影响到分类准确率等性能。针对这些问题,提出了一种结合词向量化与GRU的文本分类算法。对文本进行预处理操作;通过GloVe进行词向量化,尽可能多地蕴含文本语义和语法信息,同时降低向量空间维度;再利用GRU神经网络模型进行训练,最大程度保留长文本中长距离词之间的语义关联。实验结果证明,该算法对提高文本分类性能有较明显的作用。     

融合信任关系和用户项目二部图的推荐算法

传统冷启动和数据稀疏性问题是推荐系统面临的两大难题。现有的大多数基于矩阵分解的推荐方法将用户孤立对待,忽略了用户之间的信任关系,从而导致推荐性能低效。提出一种融合信任关系和用户项目二部结构的矩阵分解推荐方法。该方法在对评分矩阵进行分解的基础上,加入用户信任关系和用户项目二部图结构信息,采用梯度下降算法训练模型参数。Epinions数据集上的对比实验表明,该方法有效提高了推荐系统的准确性和可靠性,尤其在冷启动和稀疏数据情况下,其推荐精度明显优于传统的推荐方法。