基于File Mapping的进程间通信中共享内存技术的实现方法

进程间的数据交换和共享是一种非常重要和实用的技术，如何选择恰当的通信方式就成为应用开发中的一个关键问题。本文就基于File Mapping的共享内存技术的实现方法进行了探讨，并针对“内存文件映射”方式编写了进程间通信程序实例。     

结合缺失模式的不完整数据模糊聚类

数据的完整性是数据可用性的重要维度。由于数据采集等过程中存在的问题,现实中的数据往往存在缺失。现有的聚类算法在面对不完整数据时一般采用忽略缺失或填补缺失的策略,但是当数据缺失属于非随机缺失时,这样的处理策略会导致聚类精度严重下降。当数据缺失属于非随机缺失时,数据缺失模式与缺失属性的取值相关,因此在不完整对象的相似度量中加入缺失模式相似的度量,提出了两种结合缺失模式的 PCM(Possibilistic c-means)模糊聚类算法:最小化缺失模式距离之和的 PatDistPCM 算法和基于缺失模式聚类的 PatCluPCM 算法。在两个公开数据集上的实验证明, 考虑缺失模式的模糊聚类PatDistPCM和PatCluPCM算法,在对存在非随机缺失的数据进行聚类时 ,能有效提高聚类结果的准确性。     

油气田图形构件质量模型的研究

油气田图形构件研发是油气田业务构件研究的重要内容,易组装性是其主要质量特性。而SJ/T 11374-2007《软件构件 产品质量》中易组装性作为可复用性特性的子特性,无法对油气田图形构件的易组装性特性进行全面度量评价。依据SJ/T 11374-2007《软件构件 产品质量》标准,提出的油气田图形构件质量模型,对原有的可复用性特性内容进行了裁剪,增加了易组装性特性及相关子特性,并提出了相应的度量方法。     

基于MDA数据库开发方法研究

随着数据库规模的不断扩大,传统的基于E-R模型的数据库设计方法显得过于繁琐,且不能自动适应数据库平台的变更.为了解决上述问题,提出了利用模型驱动体系(MDA)开发数据库的新方法.介绍了MDA的基本概念、基于MDA开发过程等;重点研究了基于UML数据库平台无关模型(PIM)、平台相关模型(PSM)等模型的建模方法以及基于查询、视图和变换语言(QVT)的模型变换方法;并借助MDA工具,将该方法成功运用于实际的数据库开发活动之中.实践证明,基于MDA数据库开发方法是规范数据库开发过程、提高数据库开发效率和可重用性的有效途径.     

基于能量平衡的WSN簇头选择机制

通过对已有的基于簇的自组织路由算法和簇头选择机制的分析比较,发现经典LEACH算法在选取簇头节点时具有不合理性,提出了一种基于PSO模型的簇头选择机制。以网络总体能量消耗最小为原则,综合考虑节点剩余能量和网络当前平均能量,较好地平衡了无线传感器网络中的能量负载,延长了网络的生命周期。     

基于TMS320F2812的挤出装置串行通信研究

膏体挤出自由成型是一种陶瓷零件快速制作工艺,挤出位置和挤出速度的控制以及挤压力的实时采集对于陶瓷膏体挤出装置的运行非常关键。本文采用了TMS320F2812DSP对挤出装置进行控制和数据传输,分析了控制任务的结构,研究了DSP与PC机之间的串行异步通信方案,详细阐述了数据传输格式和接收方式,并设计了上下位机的控制程序。对通信方案的实施结果表明:该通信方案准确有效,可以完成电机控制和数据采集。     

基于数据挖掘的符号序列聚类相似度量模型

为了从消费者偏好序列中发现市场细分结构,采用数据挖掘领域中的符号序列聚类方法,提出一种符号序列聚类的研究方法和框架,给出RSM相似性度量模型。调整RSM模型参数,使得RSM可以变为与编辑距离、海明距离等价的相似性度量。通过RSM与其他序列相似性度量的比较,表明RSM具有更强的表达相似性概念的能力。由于RSM能够表达不同的相似性概念,从而使之能适用于不同的应用环境,并在其基础上提出自组织特征映射退火符号聚类模型,使得从消费者偏好进行市场细分结构研究的研究途径在实际应用中得以实现。     

网络效益最大化的认知无线电频谱分配算法

首先介绍了认知无线电系统中频谱分配的图论着色模型。针对该模型以网络效益最大化为目标,设计了自适应的交叉和变异算子,并在此基础上引入小生境技术,提出了基于自适应小生境遗传算法的认知无线电频谱分配算法。通过仿真实验比较了本算法、颜色敏感图论算法与经典遗传算法的性能。结果表明基于自适应小生境的遗传算法不易陷入局部最优,在较少的代数内就可以找到理想最优解,能更好地实现网络频谱效益最大化,其性能优于颜色敏感图论算法和经典遗传算法。     

集成学习算法的研究与应用

集成学习算法的思想就是集成多个学习器,并组合它们的预测结果,以形成最终的结论。典型的学习模型组合方法有投票法,专家混合方法,堆叠泛化法与级联法,但这些方法的性能都有待进一步提高。提出了一种新颖的集成学习算法--增强的集成学习算法（ReinforcedEnsemble）。ReinforcedEnsemble集成算法由两大部分组成：ReinforcedEnsemble特征提取算法与ReinforcedEnsemble基分类器。通过实验,将ReinforcedEnsemble算法与其他集成学习算法进行了性能比较。实验结果表明,所提出的算法在多项指标上均达到最优。     

多层梯度提升树在药品鉴别中的应用

近红外光谱分析技术高效应用于药品分析领域。针对高维非线性的小规模近红外数据,传统的药品鉴别算法存在特征学习能力不足的缺陷,基于神经网络的方法有局部最优及过拟合等问题,且两者易忽略样本的不均衡性。针对以上劣势,提出一种基于特征选择与代价敏感学习的多层梯度提升树(CS_FGBDT)药品分类方法。首先采用Savitsky-Golay平滑和一阶导数对原始数据进行预处理;其次利用随机森林对预处理光谱自适应提取特征,并由多层梯度提升树进行特征映射;然后结合代价敏感学习机制将样本不均衡性的负效应降到最小。实验结果表明,在胶囊和药片两种不平衡数据集上对算法进行对比评估,该模型具有更高的预测精度和稳定性,是一种有效的药品鉴别方法。