基于零知识交互式证明和Bayesian信誉网的小世界P2P模型

针对当前P2P(Peer-to-Peer)系统在网络拓扑和信誉评估机制结合方面的不足,设计一种基于角色和信誉访问控制机制的可信小世界P2P(SW-R2P)模型.模型使用零知识交互式证明(ZKIP)算法,在不传输节点身份相关信息的前提下安全地验证对等节点的组信息,并以此作为构建小世界网络拓扑的基础.通过Bayesian信誉网对节点和组的多方面信誉进行评估,从而影响节点的各种操作和组之间连接的建立.仿真实验结果表明,SW-R2P模型在资源查找成功率、网络聚合度以及节点信誉偏差等方面的性能优于Chord和R2P模型.SW-R2P模型结合了ZKIP算法、Bayesian信誉网和小世界拓扑的优势,实现了一种可信、安全和高效的P2P网络架构.     

Bayesian方法在建筑物检测中的应用研究

笔者以Bayesian网络作为工具,研究建筑图像中建筑物的识别问题.首先使用边界检测提取直线特征,生成二维假设.面对平行四边形空间中众多的假设,构建并使用Bayesian网络对已有假设进行选取,最终得到有用的建筑物信息.     

定数截尾数据缺失场合下k/N(G)系统可靠性指标的Bayes估计

在定数截尾缺失数据样本下,研究了不可修k/N(G)系统的可靠性指标评估问题。将经典估计方法和Bayes方法相结合得到了部件的平均寿命、系统可靠度及平均寿命等可靠性指标的Bayes估计。最后利用随机模拟例子说明了本研究方法的正确性和可行性。     

基于自学习规则和改进贝叶斯结合的问题分类*

根据对中文问题的分析可知,问题中的疑问词和中心词等关键词对问题所属类型起着决定性的作用。提出利用自学习方法建立疑问词—类别和疑问词+中心词—类别两种规则,并结合改进贝叶斯模型的问题分类方法。该方法充分利用了关键词对分类的贡献。实验结果表明,该分类方法有很大的改进,准确率达到了84%。     

动态网络中的高效多故障诊断技术

针对已有算法复杂度较高,不适用于规模较大网络的问题,将被管系统建立成动态贝叶斯模型,并提出一种能处理多故障的近似推理算法. 通过复杂度分析,证明该近似算法时间复杂度为多项式级,远远低于精确算法的时间复杂度下限,可以用于解决大规模动态网络的故障诊断问题. 实验结果证明,新算法在准确度方面虽然略低于精确算法,但执行效率上远远高于精确算法.     

浅谈解的存在唯一性定理在《偏微分方程数值解》中的应用

从一个新的角度讨论常微分方程中解的存在唯一性定理在偏微分方程数值解法中的重要应用。给出一类伪双曲型偏微分方程的新的分裂混合有限元数值格式,将该格式转化成常微分方程系统,利用解的存在唯一性定理证明该系统是存在唯一解的。通过简短的讨论、概述明确解的存在唯一定理在偏微分方程数值解中的应用方法．并希望能够在教学科研未来的发展中有新的观念。     

基于计算思维的中医院校《Visual Basic程序设计》课程的教学研究

计算思维已成为目前国际、国内计算机教育界研究关注的热点。以“计算思维”为导向,如何有效组织大学计算机课程教学,已逐渐成为各大高校计算机教师教学研究的重点课题。主要介绍在中医学院校计算机基础课程教学中培养学生计算思维的重要性,分析当前中医院校在推广“计算思维”过程中所处的现状,然后从教学内容、教学理念和教学方法等方面阐述以培养中医学生“计算思维”能力为目标的几点看法。     

关于数学建模教学及竞赛改革的思考

从笔者学校实际情况出发,阐述数学建模课程的特点,探讨数学建模教学及竞赛存在的问题,从开设《数学建模与实验》公共选修课、编写教材或讲义、教学方法改革、成立数学建模竞赛教学团队及考核形式多样化等五个方面提出数学建模课程改革的思路,并给出数学建模教学及竞赛改革的具体建议。     

《C语言程序设计》教学改革的新探索

《C语言程序设计》是理工类专业的一门重要的基础课程。它是《计算机软件技术》、《操作系统》和《数据结构》等许多课程的先导课程,在整个课程体系结构中占据重要地位。如何有效地提高《C语言程序设计》的教学效果和质量一直是人们关心的问题。通过多年的教学改革尝试,探索出一套《C语言程序设计》教学的新方案并取得良好的教学效果。     

A joint introduction to Gaussian Processes and Relevance Vector Machines with connections to Kalman filtering and other kernel smoothers

The expressive power of Bayesian kernel-based methods has led them to become an important tool across many different facets of artificial intelligence, and useful to a plethora of modern application domains, providing both power and interpretability via uncertainty analysis. This article introduces and discusses two methods which straddle the areas of probabilistic Bayesian schemes and kernel methods for regression: Gaussian Processes and Relevance Vector Machines. Our focus is on developing a common framework with which to view these methods, via intermediate methods a probabilistic version of the well-known kernel ridge regression, and drawing connections among them, via dual formulations, and discussion of their application in the context of major tasks: regression, smoothing, interpolation, and filtering. Overall, we provide understanding of the mathematical concepts behind these models, and we summarize and discuss in depth different interpretations and highlight the relationship to other methods, such as linear kernel smoothers, Kalman filtering and Fourier approximations. Throughout, we provide numerous figures to promote understanding, and we make numerous recommendations to practitioners. Benefits and drawbacks of the different techniques are highlighted. To our knowledge, this is the most in-depth study of its kind to date focused on these two methods, and will be relevant to theoretical understanding and practitioners throughout the domains of data-science, signal processing, machine learning, and artificial intelligence in general.