充分认识河北省软件产业现状走校企联合发展之路

对河北省的经济结构进行了简单概括,指出发展软件产业带动经济发展的必要性,结合高校的工作经历从多个方面论述了软件产业化过程中需要解决的问题,并对全省软件产业化提出了自己的观点。     

网络管理协议SNMP和CMIP研究

分析了网络管理的功能、模式和标准 ,详细介绍了网管协议SNMP ,并且对CMIP协议进行了一般性地介绍 ,从MAP、MIB和NMP三方面出发 ,比较了它们的各自特点。最后 ,展望了它们的应用前景。     

异质网络社区发现方法研究综述

社区结构是复杂网络研究中的重要领域,也是复杂网络的重要特征之一,发现网络中的社区结构在理解网络功能方面起着重要作用。通过对国内外异质网络社区发现文献进行深入研究,较为全面地对现有异质网络社区发现算法进行了归纳总结。首先,通过对国内外异质网络社区发现文献进行归纳,给出异质网络社区发现的基本概述,明确异质网络社区发现领域相关问题的基本定义。其次,介绍了异质网络社区发现算法及主要评价指标,利用不同网络结构以及算法对现有方法进行分类概述。最后,对异质网络社区发现算法的发展趋势进行了总结与展望,提出未来可以将研究重点集中在以下几个方面:1)探索基于异质网络的社区发现评价标准,以推动该领域的快速发展;2)设计更加通用的算法模型,解决由先验知识引起的未知社区数量问题;3)开展更多关于动态网络的研究。     

基于异型网的数据通信和共享

本文主要介绍基于 Unix- Windows异型网环境下点对点通信的一种方法 ,通过它可以实现 Unix服务器、终端与 Windows工作站及 Windows NT服务器间点对点通信。此外还介绍了一种在 Unix- Net Ware- Windows- Windows NT- L ANMAN工作站异型网环境下文件资源共享方法。通过它可实现 Windows工作站及 Windows NT服务器及 L ANMN工作站对 Unix文件服务器及Novell文件服务器的资源共享。     

数字图像处理技术在客观题阅卷中的应用

针对光电式阅卷机价格昂贵,使用成本高,设备利用率低、维护困难的缺点,介绍了一种采用数字图像处理技术,分析、理解答题卡图像,正确提取考试信息,结合数据库技术实现智能阅卷和成绩统计的新方法.首先对答题卡图像进行纠斜、定位、分割等预处理,然后通过比较答题卡图像中各选项的平均灰度值大小,不仅能识别出正确选项,而且能识别出错选、重选、漏选等选项.实验表明用此法实现客观题阅卷具有硬件价格低,使用成本低、设备利用率高、无需维护、阅卷速度快的优点,具有极大的推广应用价值.     

膝关节红外热像图的多尺度熵算法分析研究

随着红外热成像技术的在医学领域日趋广泛的应用,传统的医学红外影像处理技术是通过医生观察胶片或者图像来进行诊断,需要医生具有足够的知识积累和临床经验.针对上述问题,提出了利用计算机图像处理技术对膝关节红外图像进行处理,形成图像信号序列,再通过多尺度熵算法进行数据信息分析,最终得出当机体膝关节出现病变时,其熵值在多个尺度上均低于健康机体熵值,且熵值越低,病变程度越大.     

基于k-means与Apriori算法的食物营养成分分析

营养作为人类生活的必要前提,大量患有某种疾病患者或由于工作职业原因对不同营养成分需求各不一致,发现不同食物种类营养成分及含量间的关系具有较强的应用价值。由于各类食物类别所含食物数量不同,针对Apriori算法通过支持度和置信度来衡量关联规则的特点,为克服各类食物数量不一致容易对挖掘结果产生不良影响,设计了一种通过k-means与Apriori算法对多种食物的营养成分及含量的挖掘与分析的方法。首先根据不同食物营养成分含量采用k-means聚类算法进行聚类,将食物数据集划分出了多个互不相交的"簇",再在各"簇"内通过Apriori算法实现食物营养成分含量之间的关联规则挖掘,其结果表明使用该方法经过聚类后的同一簇内食物营养成分关联程度明显优于直接在数据集中使用Apriori算法进行挖掘,为各类人群的合理膳食及饮食健康提供了重要的参考依据。     

推荐系统研究综述

随着互联网技术的快速发展,如何对海量网络信息进行挖掘分析,已成为热点和难点问题。推荐系统能够帮助用户在没有明确需求或者信息量巨大时解决信息过载的问题,为用户提供精准、快速的业务(如商品、项目、服务等)信息,成为近年来产业界和学术界共同的兴趣点和研究热点,但是,目前数据的种类多种多样并且应用场景广泛,在面对这种情况时,推荐系统也会遇到冷启动、稀疏矩阵等挑战。深度学习是机器学习的一个重要研究领域和分支,近年来发展迅猛。研究人员使用深度学习方法,在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。目前,深度学习在推荐领域也得到了许多研究人员的青睐,成为推荐领域的一个新方向。推荐方法中融合深度学习技术,可以有效解决传统推荐系统中冷启动、稀疏矩阵等问题,提高推荐系统的性能和推荐精度。文中主要对传统的推荐方法和当前深度学习技术中神经网络在推荐方法上的应用进行了归纳,其中传统推荐方法主要分为以下3类:1)基于内容推荐方法主要依据用户与项目之间的特征信息,用户之间的联系不会影响推荐结果,所以不存在冷启动和稀疏矩阵的问题,但是基于内容推荐的结果新颖程度低并且面临特征提取的问题。2)协同过滤推荐方法是目前应用最为广泛的一种方法,不需要有关用户或项目的信息,只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效但是会出现稀疏矩阵和冷启动的问题。3)混合推荐方法融合了前2种传统推荐方法的特点,能取得很好的推荐效果,但在处理文本、图像等多源异构辅助信息时仍面临一些挑战与困难。依据神经网络基于深度学习的推荐方法主要分为4类:基于深度神经网络(DNN)的推荐方法、基于卷积神经网络(CNN)的推荐方法、基于循环神经网络(RNN)和长短期记忆神经网络(LSTM)的推荐方法、基于图神经网络(GNN)的推荐方法、将深度学习技术融入到推荐领域,构造的模型具有以下优势:具有较强的表征能力,可以直接从内容中提取用户和项目特征;具有较强的抗噪能力,可以轻易地处理含有噪声的数据;可以对动态或者序列数据进行建模;可以更加精准地学习用户或项目特征;便于对数据进行统一处理,并且可以处理大规模数据。将深度学习技术应用到推荐领域,可以积极有效地应对传统推荐方法面临的挑战,提高推荐效果。     

基于关系数据库的频繁项集挖掘算法研究

Apriori算法及其改进是目前应用最为广泛的频繁项集挖掘算法,但其在关系数据库中挖掘频繁项集时,产生大量候选项集,导致重复扫描数据库,从而导致其效率低下.本文在深入研究Apriori算法及其改进算法和关系数据库特征的基础上,提出了基于关系数据库的频繁项集挖掘算法,并详细描述了其实现和优化方法.本算法不产生候选项集,只需一次事务扫描,大幅提高算法执行效率,此外,本算法经过简单修改就能满足大部分的关联分析需求.在零售业中的应用实验证明:该算法在一定的条件下比经典的Apriori算法具有更高的效率.     

静电放电电磁脉冲理论建模与作用机理研究进展

通过静电放电效应实验和理论分析,研究了IEC6100042标准规定的实验方法与实验平台的局限性,提出了改进的ESD电磁场理论模型,探讨了静电放电电磁脉冲对微电子器件作用机理,提出了相应防护对策。