数据流分类变化的分析和检测

针对主动挖掘和被动挖掘2种典型分类方法的特点,分析实际问题中数据流的基本变化类型及衍生的各种变化情况,证明主动挖掘方法在许多情况下无法有效工作,给出一个有效检测数据流变化的思路。采用主动学习方法,利用有限的资源可以组织高质量的类标数据,降低训练数据的需求量。     

AutoCAD应用系统的数据存取模式与SQL技术

讨论了CAD应用系统的两种数据存取方式及SQL技术 ,实现了多窗口消防CAD系统数据的高速存取。     

多窗口消防CAD系统用户界面及DCL技术

改造了AutoCAD多窗口显示技术 ,并获得所有窗口的控制权 ,实现了在不同窗口生成不同实体来表达某实体的不同形态。讨论了多窗口建筑消防CAD系统的用户菜单和对话框设计技术。     

编程疑难问题解答

Q如何在程序设计中利用递归方法的本质A递归就是函数的嵌套调用,递归的本质是函数调用。 1.函数的嵌套调用指函数执行过程中又调用了另一函数,例如下面一个C程序(框架):     

数据流上挖掘决策树的关键技术研究

分类是一个重要的数据挖掘问题,在数据流上挖掘决策树分类器的关键技术是如何计算最佳分裂标准,现有的算法有的不能很好地处理数值型的属性,有的计算代价太高。本文首先采用数据结构CML(C lassMatrix List)收集计算最佳分裂标准仅需的信息;其次,将数值型的属性值分成适当的区间,根据它们gini index值的特殊性质,只需确定具有最大gini index梯度的区间,因而可以快速地计算最佳分裂点,实现在流数据上快速建立决策树。     

融合K-means和RBF神经网络的汉字识别算法

对于自然场景中拍摄的汉字图像,现有的汉字识别算法出现了很多问题,如传统的BP神经网络算法识别效率低下,传统的RBF神经网络算法识别准确率不高等,针对这些问题,论文提出了融合K-means和RBF神经网络的汉字识别算法.该算法通过引入减聚类算法,来计算出K-means算法的初始聚类中心及其个数,接着用K-means算法计...     

基于条件随机场的深度相关滤波目标跟踪算法

目标跟踪是计算机视觉领域众多应用中的重要组成部分之一.在实际环境中目标经常会因为形变、快速运动、背景杂波和遮挡而引起明显的表观变化,使得该问题具有一定的挑战性,因此如何对跟踪问题进行建模变得至关重要.基于深度卷积神经网络（convolutional neural network,简称CNN）的判别式相关滤波（discriminative correlation filter,简称DCF）跟踪方法自提出以来,就以兼顾准确率和速度的优势,吸引了大量研究者的关注,该方法通过相关滤波器获取目标候选区域的响应图,作为衡量目标位置的标准,理想响应图的最大值应该对应目标所在的位置.在此基础上,考虑到响应图中数值的连续性,对应的连续条件随机场（conditional random field,简称CRF）模型中极大似然对数存在闭式解,因此对响应值的求解可以定义为一个连续CRF的学习问题.基于以上研究,提出了一种基于条件随机场的鲁棒性深度相关滤波目标跟踪算法,将DCF与CRF结合,设计了一个端到端的深度卷积神经网络,嵌入了CRF中的一元状态函数与二元转移函数,用来获取图片的响应.通过结合一元状态函数中的初始响应和二元转移函数中的相似度矩阵,优化后的算法可以得到一个更平滑、更精确的响应图,从而提高跟踪的鲁棒性.最后,在OTB-2013和OTB-2015这两个数据集上进行了大量的测试,并且与近年来9种在国际上具有代表性的相关算法进行对比分析,结果显示,在OTB-2013中,所提出的算法比基准方法的跟踪成功率高3%,跟踪精度高6.1%;在OTB-2015中,所提出的算法比基准方法的跟踪成功率高3.5%,跟踪精度高4.8%.     

结合卷积神经网络和三支决策的入侵检测算法

随着网络入侵行为的多样化和智能化,传统的入侵检测算法在面对高维特征、非线性的海量数据时,存在特征提取不充分、模型分类不够精确等问题,为此,提出了一种结合卷积神经网络（convolutional neural networks,CNN）和三支决策（three-way decision,TWD）的入侵检测算法。卷积神经网络具有优越的特征提取能力;同时,三支决策可以规避因信息不足而盲目分类造成的风险,且减少分类所耗费的时间。该方法通过卷积神经网络对高维数据进行特征提取,构建多粒度特征空间,然后基于三支决策理论对网络行为做出即时决策,对于无法即时决策的网络行为进行延迟决策,即对该部分网络行为再次特征提取以构建不同的粒度特征空间,最后输出分类结果。该方法建立的模型在NSL-KDD、CIC-IDS2017数据集上的实验结果表明,提出的算法可以提升入侵检测系统的性能。