中文分词算法解析

中文分词是计算机中文信息处理中的难题,而中文分词算法是其中的核心,但由于中英文环境中语素的不同特点,使得中文必须要解决分词的问题。这篇文章较为深刻的阐述了中分分词的算法,基于对分词算法的理解和对匹配法分词的分析,对最大匹配分词方法进行了较深入的研究探讨,提出了什么算法是解决分词效率的最佳方法以及各种方法的比较优劣等问题,及可能产生的歧义．对不同的算法给予了充分的解释,通过对各种算法的比较,总结出了比较常用和效率较高的算法。     

基于故障概率的可拓诊断法

基于可拓学的故障诊断法现已成功应用于电力设备的故障诊断中,但在故障诊断过程中,没有考虑电力设备常见的几种故障发生的概率．对诊断结果的准确性有一定的影响。基于故障概率的可拓诊断法是在分析可拓诊断法优缺点基础上,将常见的故障概率与可拓法中的关联度相结合,即在可拓法中引入贝叶斯判别法,在故障诊断过程中综合考虑各种故障总体物元出现的先验概率和分布,得出故障所属类型,最后介绍了这一方法在电力设备的故障诊断中的应用。     

基于英汉平行语料库术语词典的自动抽取

该文提出了一种从英汉平行语料库中自动抽取术语词典的算法。采用的是已对齐好的双语语料,中文经过了分词处理。利用英文和中文词性标注工具对英文语料和中文语料分辨进行词性标注。统计双语语料库中的名词和名词短语生成候选术集。然后对每个英文候选术语计算与其相关的中文翻译间的翻译概率。再通过设定阈值过滤掉一些与该英文候选词无关的中文翻译,最后通过贪心算法选取概率最大的词作为该英文候选词的中文翻译。     

随机非线性系统的输出反馈控制

针对满足线性增长条件的一类随机非线性系统, 本文研究了输出反馈镇定问题. 然而不同于现有的所有文献, 由于线性增长条件中含有不可量测的状态, 引入了一个待定的高增益观测器. 利用反推设计技术, 构造性地给出了一个输出反馈控制器的设计, 通过适当地选取高增益参数, 保证了闭环系统的零解是概率意义下全局渐近稳定的, 输出几乎处处调节于零.     

超宽带无线传感器网络性能分析

超宽带（UWB）无线电技术是近年来发展迅猛的新型通信方式,它无需中频和射频电路,对于减小体积和降低能耗具有特别的意义,尤其适合无线传感器网络（WSNs）。利用UWB信号的物理特性,将信道按照时间方式划分成一个个时隙作为子信道供不同的节点使用,分析了WSNs中不同子信道个数下,节点的发送概率和分组冲突概率的关系,得出了多信道方式下有利于减小分组的冲突概率的结论。     

基于谱相关和RBFNN的调制识别算法

根据谱相关函数理论,对常用通信信号的谱相关函数和谱相关平面图的分析,提取4个可用于调制信号识别的谱相关特征参数.分类器算法采用改进的RBF神经网络.利用提出的联合特征参数和分类器算法能动态识别信号的调制方式.仿真结果表明,该算法在不增加算法复杂度的前提下,在低信噪比下能够取得较高的正确识别率.     

非合作式传感器空间运动目标截获概率研究

为了实现非合作式传感器对空间运动目标的有效捕获,在分析kalman滤波误差协方差矩阵的基础上,建立了传感器对目标跟踪误差的空间分布模型,并利用该模型提出了一种基于联合高斯分布的截获概率计算方法。该方法经过降维处理,降低了截获概率计算的复杂度,提高了运算的实时性。仿真实验表明,所提算法具有良好的估计性能。最后,对截获概率的误差来源、影响因素进行了深入的分析并得出了相关结论,可为实际工程应用提供了一定的参考价值。     

基于中间节点效应的无标度网络演化模型研究

原BA模型以网络中已存在的各个节点与新增节点的连接相互独立为前提。然而,在真实系统中,当网络中一个节点与新增节点连接后,该节点对其邻居节点与新增节点的连接会存在影响。针对该现象,提出了基于中间节点效应的无标度网络演化模型。首先描述与定义了中间节点效应,然后给出了中间节点效应模型的生成算法,并从理论上分析了该模型的度分布情况,最后利用仿真验证了理论分析的正确性,并就度分布、群聚系数、平均路径长度等复杂网络参数与原BA模型进行了对比,结果表明此模型能生成无标度网络并且更符合现实网络的演化过程。     

基于神经网络的安全风险概率预测模型

网络安全风险概率预测对分布式网络环境及其内在的不确定事件进行动态分析和评价,是构建网络安全保障体系的重要环节.深入研究网络态势感知中的特征提取、聚类分析、相似性度量和预测方法,提出了一种基于神经网络的安全风险概率预测模型.采用入侵检测数据进行了实例验证,仿真实验结果验证了风险预测方法的可行性与有效性.     

The learning convergence of CMAC in cyclic learning

In this paper we discuss the learning convergence of the cerebellar model articulation controller (CMAC) in cyclic learning.We prove the following results.First,if the training samples are noiseless,the training algorithm converges if and only if the learning rate is chosen from (0,2).Second,when the training samples have noises,the learning algorithm will converge with a probability of one if the learning rate is dynamically decreased.Third,in the case with noises,with a small but fixed learning rate ε the mean square error of the weight sequences generated by the CMAC learning algorithm will be bounded by O(ε).Some simulation experiments are carried out to test these results.