一种基于P2P的关键词搜索新方法

结构化对等(P2P)网络是基于文件标识符的分布武系统,它能够很好地支持对文件标识符的等值查询,但对于其他的复杂查询,则需要进行进一步扩展,现有的一些技术虽然在结构化对等网络实现了关键词搜索,但是仍然存在诸如负载不均衡,结构复杂,不易于部署和效率低等问题,对此提出了一种基于结构化对等网络的关键词搜索新方法,将构建在一般分布式哈希表上的倒排索引与top-k查询算法结合起来,以较少的代价实现关键词搜索.同时有效地克服了数据分布不均匀带来的负载不均衡问题.     

软件重用技术与GIS软件开发研究

给出了软件重用的定义,研究了领域分析、重用再工程、面向对象的程序开发方法以及基于重用的软件开发原则和软件重用技术在地理信息系统（ＧＩＳ）软件开发中的应用．     

基于线性残差独立性测试的致病基因检测

使用因果推断相关的机器学习方法辅助检测致病基因时,作为因果推断的核心工具,条件独立性(CI)测试算法在高维生物数据场景中往往存在时间复杂度高以及准确性低等问题。为此,提出一种融合偏相关测试与线性残差独立性测试算法,压缩CI测试条件集的搜索空间,同时提高准确率。设计一种因果推断策略,在减少冗余CI测试的同时结合V结构与因果函数模型的优点,在应用于真实癌症数据的致病基因检测场景中可以区分Markov等价类,找到真正的因果关系。实验结果表明,提出的算法有较好的致病基因检测性能。     

无线传感器网络中数据存储与访问研究进展

 无线传感器网络集感知、计算和无线通信为一体,是以数据为中心的网络,因此数据存储与访问是无线传感器网络研究中的重要问题.本文围绕无线传感器网络以数据为中心这一条主线,对其中数据存储与访问的国内外研究进展进行了综述.首先概述了无线传感器网络中的数据存储与访问的概念与技术;然后详细探讨了各种数据存储策略,重点分析了分布式数据存储和信息中介;其次详细介绍了查询的分类、查询处理模型以及优化策略;最后对无线传感器网络中数据存储与访问技术进行了展望.     

大模型辅助的域适应算法在基因预测的应用

域适应问题旨在解决由于源数据集和目标数据集存在域偏差,导致在源数据集上训练的模型在目标数据集上的泛化能力差的问题。当前域适应领域的工作通过强制特征空间中目标数据和源数据同分布,来对齐两个域的数据,从而提高模型在目标数据上的表现,这类方法在以下两种情况下表现不佳：一是两部分数据存在各自特有的类别;二是目标数据集原始特征质量不佳。针对这两个问题,本文提出使用预训练大模型增强目标数据集特征表示,且保留两个域数据的分布差异的域适应算法,并将其应用在生物信息中的空间数据缺失基因预测问题上。通过在多个数据集上的实验,本文提出的缺失基因预测方法在预测准确性上有所提升。     

非对称双向Base-k Chord

针对Base-k Chord的路由效率问题,本文对其finger表做出了非对称双向调整,即将其finger表奇数项保留为正向finger,偶数项finger对折到反向作为反向finger,调整后的finger表的大小不变.在此基础上提出了改进的路由算法,该算法每次选择离目标节点最近的finger进行路由.为了证明本文方法比2-Chord的对称双向finger方法更好,将2-Chord扩展成对称双向Base-k Chord,并与之进行了性能比较.实验分析发现,对称双向Base-k Chord的路由效率提升极小,非对称双向Base-k Chord有效地降低了平均路由跳数.     

GNETS：一种新的GML数据存储和查询机制

随着GML的发展和WebGIS环境下地理空间信息的广泛使用,越来越多的地理信息数据以GML格式表示.然而,以文本形式存储的GML数据给数据管理和查询带来不便.根据GML文档的特点,提出一种新的基于节点关系的GML数据存储和查询机制,将GML数据存储在对象关系数据库中,并根据用户提供的搜索关键词,利用GML数据在对象关系数据库中的存储模式和节点关系,对GML数据进行相关查询,最终将查询结果以SVG格式显示给用户.实验结果表明,提出的查询方法可行有效.     

Bloom Filter研究进展

近年来,由于Bloom filter具有可压缩性和高效查询性,其在分布式数据库、网络缓存、对等网和信息检索等领域引起了越来越多的研究者关注。随着Bloom filter不同应用需求的出现,多种Bloom filter变体被提了出来,诸如:支持删除元素的CBF;可以统计频次型的SBF、DCF、dlCBF;大小可以动态伸长的DBF、SBF;压缩型BF等。本文对Bloom filter及其各种变体进行了介绍,并对其特点进行了分析比较,总结了它们各自的优势和不足,并进一步指出了Bloom filter未来的一些研究方向。     

基于深度学习的光学遥感图像目标检测方法综述

面向光学遥感图像的目标检测已经有较长时间的发展历史,近年来由于深度学习的发展而成为遥感领域的一个研究热点。目标检测的基础环节之一是图像特征提取,它对最终的检测效果有关键影响。早期目标检测器主要通过手动设计特征提取方法获得图像特征,往往较为复杂且难以提取图像的高层次特征。得益于深度学习技术的发展,目前目标检测器已经能够实现自动特征提取,取得了比传统方法更好的检测性能。对基于深度学习的光学遥感图像目标检测方法进行了总结和归纳:首先,回顾目标检测的发展历史;然后,介绍当前广泛使用的数据集;其次,将现有基于深度学习的光学遥感图像目标检测方法分为4类,并进行分析比较,包括基于人工提取候选区域的方法、基于候选区域生成网络的方法、基于回归的方法和其他方法;最后,分析现有光学遥感图像目标检测研究存在的问题,并对未来发展趋势进行了展望。     

无线传感器网络中基于值的kNN查询处理

提出一种基于值的kNN查询处理算法,该算法运用哈希函数将节点的数据映射到一个子区域中存储,采用基于位置路由实现了查询处理,并通过多点存储和可变存储区域减少节点的能量开销.实验结果显示该算法在生命周期和延迟方面都取得较好的效果.