基于隐含变量信度网模型的脱机签名鉴别方法

本文提出一种新的基于信度网表示的签名鉴别方法。这种信度网表示方法和传统的信度网表示不同，其中的结点被划分成两类：共有结点和可选结点，以保证构造的网为树结构。该方法不仅可以获得每个结点的条件概率，而且可以表达与结点相关联的成分间的拓扑关系，以便对结构描述的不确定性和成分间的依赖关系进行处理。     

序列缺失数据的灰插值推理方法

根据灰色系统理论和序列数据的特性,提出一种灰插值方法．建立前向灰预测和后向灰预测模型,充分利用缺失值时区窗口内的全部信息对其进行推理．分别在单序列时建立递进灰拟合模型,在多维数据集时利用属性相关性,对括值结果进行学习优化．通过与常用插值方法的比较实验表明。该方法具有较好的光滑性和预测效果．     

从文档集推导html标签影响因子的算法

在Web文档中,同一个关键词处在不同html标签中,其对中心思想影响程度各不相同。选择合适的标签影响因子,对于构建文档的数学模型至关重要。本文在总结前人研究基础之上,提出了一种新的推导算法,该算法提出了ttf（标引词标签频率）和itf（逆标签频率）等定义,构造出行序为标签、列序为关键词的文挡矩阵。从中抽取每个文档的某一特定行向量组构成一个新的向量集舍,根据这个新集合中各个向量到质心的平均距离,就能得出该特定行向量集合所代表的标签的影响因子（针对训练文档集合）。如果训练文档集合的容量放大到足够,就可以近似认为这个影响因子具有一般意义。通过试验验证,推导出的影响因子作用于新的文档集舍的时候,在一定程度上改善了检索的性能。     

统计语言模型综述

The Statistical Language Model (SLM) is a distribution to capture the generation rule in natural language.Since the first model was proposed in 1980, the SLM was used in many application such as speech recognition, opticcharacter recognition, machine translation and etc. Recently the information retrieval based-on SLM is becoming anew direction in IR community. In this paper, we introduce the primary theory and current method about the SLM,and point out several promising research direction.     

循环流化床锅炉运行存在的问题及改进措施

本文通过对某煤矸石电厂循环流化床锅炉运行中存在的煤耗过高和省煤器磨损问题的分析，探讨燃料的粒径分布、分离器和返料器的设计等因素对锅炉运行工况的影响，并提出改进措施，为循环流化床锅炉的设计与运行提供实践依据。     

基于Hibernate的关联检索策略研究应用

Hibernate是现今广泛使用的对象关系映射持久化工具.对实体对象所关联对象的检索,Hibernate提供了3种检索方式:立即检索,延迟检索和预先抓取.分析了Hibernate不同关联检索策略的性能,结合Web应用请求响应模式的特性,探讨了Web应用中性能较好的对象关联数据检索实现方式:使用Filter组件管理Hibernate事务,简化了数据库检索操作的复杂性,提高检索性能.     

一种基于关键域子空间的离群数据聚类算法

离群数据发现与分析是数据挖掘的重要组成部分,现有离群数据挖掘算法主要针对如何检测离群对象,缺乏对挖掘出的离群数据集进行解释与分析的有效方法.通过对离群数据来源及特性进行分析并结合粗糙集理论,定义了离群划分相似度的概念,提出了一种基于关键属性域子空间的离群数据聚类算法COKAS,该算法不仅揭示了离群数据子空间特性,进一步获取了扩展知识,而且有助于对整体数据集的理解.对两个多维数据集的实验结果表明,该算法具有良好的适应性及有效性.     

基于方块编码纹理特征的图像检索算法研究

提出了一种新的基于方块编码(BTC)的图像纹理检索算法.首先将检索图像分成互不重叠的子图像块,然后利用BTC的思想来对这些图像块进行编码,进而进一步定义图像的纹理基元并以此作为图像的纹理描述,提出了一种改进的基于纹理基元的灰度共生矩阵来获得纹理特征,以此进行图像检索.实验结果表明,文中提出的算法比传统的灰度共生矩阵算法和颜色共生矩阵算法具有较高的检索准确度.     

融合概率和逻辑的推理模型研究

逻辑和概率理论是分属于哲学和数学领域的两个历史悠久的学科，一直以来都是相互独立的两个研究方向。但近年来，伴随着人工智能领域的快速发展，这两种经过长期发展形成的优秀理论逐渐成为计算机科学重要的研究工具。如果将这两种理论有效地结合起来，对于人工智能领域，特别是不确定性研究方向来说，有着重要的研究价值。目前，大致上有两种策略来实现。第一，利用已有的理论基础，实现整合应用。比如，知识的表示采用逻辑的形式，而推理过程则采用概率统计的观点，发挥它们各自的长处，又保持相互的独立性。第二，建立新的模型。通过深入理解逻辑推理和概率推理的本质，挖掘它们之间的区别与联系，发现概率变量数目是区别这两种理论的关键所在，并以此为切入点提出了新的模型，将其称为“逻辑概率模型”。     

信度网中条件概率表的学习

一、引言信度网B的学习包括结构B(?)的学习和条件概率表B_p的学习。因果马尔可夫条件原理表明:如果图形G是一个随机变量集合X的因果图,那么图形G也是该随机变量集合的联合概率分布所对应的信度网的结构图。根据这一原理,在实际应用中,可以利用领域