在癌症分类中基于分层抽样的神经网络集成算法

在基因表达谱数据的分析中,针对有效合理地选择特征基因集的问题,本文将分层抽样技术引入特征基因选择,提高特征基因集的分类能力。以神经网络作为分量分类器,神经网络集成进行分类预测。并在结肠癌数据集上进行实验,实验结果表明该方法能有效地降低特征基因集选择的复杂性,提高对于未知样本的分类预测效果。     

网络控制系统的模糊自适应PID控制

针对网络控制系统中网络时延补偿的问题,提出了一种模糊自适应PID控制器的设计方法,通过利用在线时延估计方法对时延进行预估计,根据估计时延值在线调节PID三个参数,从而改善系统的性能。对基于控制局域网络(CAN)总线的典型工业过程进行了仿真实验。结果表明,与常规PID的控制器比较,采用设计的PID控制器能补偿网络上的时延,更加有效的抑制了时延对网络控制系统的影响并提高了系统的性能。     

地铁列车存储技术的应用研究

本文讨论了现有地铁列车环境的存储技术,提出了使用固态硬盘的解决方案,并从抗震性能、节能、读取速度和工作温度等方面详细分析了固态硬盘在地铁列车上应用的优势,适合推广到整个交通行业的广泛应用。     

基于C8051的光缆性能试验机的设计

设计了一种基于C8051F340微处理器的新型光缆性能试验机的控制系统。针对传统试验机的不足,简化了设计方案、提高了采集数据的精度、改进了控制台的设计和数据转递的方式、增加了语音告警和提示功能。该方案能广泛应用于数据采集、工业监控和网络传输等领域。对硬件和软件设计中的关键技术进行了说明。     

基于多时相遥感图像的人造目标变化检测算法

传统的像素级变化检测方法的检测性能受到以下因素的严重制约: 图像辐射差异、配准误差和差异图像分类门限的选取, 并且难以从检测信息中提取出关键的变化. 本文针对遥感图像中人造目标的变化检测问题, 提出了一种综合特征级和像素级的两步变化检测算法. 首先将大幅多时相遥感图像分成一系列子图像对, 采用有监督子图像对分类方法, 提取人造目标变化的感兴趣区域, 然后采用像素级变化检测算法对感兴趣区域进行变化检测, 得到定量的检测结果. 实验结果表明了该算法的可行性和有效性.     

基于ε-支配的多目标进化算法及自适应ε调整策略

提出了一类新的基于ε-支配关系的多目标进化算法.该算法采用配对比较选择和稳态替换策略,提高了算法的收敛速度,降低了计算时间.首先,在保持种群分布性上,采用了一种新的基于ε-支配关系的精英保留策略,避免了传统修剪策略所引起的Pareto前沿面的退化.其次,根据不同ε取值分析了算法收敛性,提出了一种自适应ε调整策略.最后,通过5个常用的双目标测试函数的计算,验证了包括该自适应调整策略的多目标进化算法在求解质量上显著强于NSGAII,SPEA2和ε-MOEA等主流多目标进化算法.     

基于模糊树模型的间接自适应模糊控制

提出了一种基于模糊树模型的间接自适应模糊控制器的设计方法. 采用模糊树辨识方法离线辨识系统中的未知非线性函数, 得到初始的控制器, 然后在线调节模糊树模型中的线性参数, 改善控制器的性能, 实现对有界参考信号的跟踪控制. 通过对倒立摆系统进行数值仿真, 验证了所提方法的有效性和优越性.     

大规模流媒体应用中关键技术的研究

支持大规模用户在线使用的流媒体应用是Internet中极富潜力的一项"重磅级应用",但由于Internet缺乏服务质量(QoS)与相应的安全保障,并且网络和终端系统又存在着较大的异构性,这使得在Internet上构建支持大规模用户的在线流媒体应用面临很多的挑战.该文从支持该应用的流媒体编码技术和网络技术两个角度出发,针对其面临的挑战,深入、全面地综述了编码技术与网络技术的发展与现状.提出了一个新的流媒体应用体系结构,以同时解决大规模流媒体应用中的性能瓶颈、异构性、安全传输以及服务质量等问题,并指出了大规模流媒体应用中关键技术的研究方向.     

新一代网络QoS研究

随着网络技术和应用的飞速发展,互联网的接入形式以及网络应用日益呈现出复杂、异构和泛在等特点,当前的网络已经暴露出诸多不足,在很多方面无法满足用户对服务质量(QoS)的要求.当前互联网的QoS体系结构及相关技术已经不能适应新一代网络应用的进一步发展.文章着眼于未来互联网的发展方向,从网络QoS体系结构、实时QoS保证、融合QoP的QoS控制以及QoS性能评价理论等几个方面论述新一代网络QoS面临的挑战和解决思路,探讨了新一代网络QoS的发展方向.     

数据流挖掘研究及其进展

有关数据流挖掘技术的研究是当前国际数据库研究领域的一个热点,数据流的特点在于数据规模宏大,并快速、持续地到达,对应的挖掘算法只能在内存中单遍扫描样本子集就可以获取相应的知识结构,还需要在一定时间内对学习的结果进行更新以适应数据分布的变化.本文对现有数据流上的挖掘算法进行综述,最后给出了数据流挖掘今后的一些研究方向.