摘要：文章针对现阶段河南工学院提出"培养具有创新精神的应用型人才"的要求,探索将TRIZ理论应用于计算机类专业课程的教学方法。针对"数据库原理及应用"教学中存在的问题,提出以学生为中心的5步教学实施过程。这种教学方法和实施过程使得学生在掌握专业课程知识的同时也掌握了科学的创新方法,满足了学校关于人才培养的要求,同时也为"数据库原理及应用"课程教学改革提供了一种新的思路和方法。

摘要：为了克服用重复剪辑近邻法筛选训练样本集产生样本被误剔除进而增大决策树的判决风险和误判概率的问题,提出一种新的方法-引入拒绝阀值的重复剪辑近邻法,并从理论上分析了它降低判决风险和误判概率的原理。通过实验比较这两种方法发现,引入拒绝阀值的重复剪辑近邻法在降低判决风险和误判概率上要优于重复剪辑近邻法;而在决策树的规模和分类错误率上,重复剪辑近邻法的精度要优于引入拒绝阀值的重复剪辑近邻法。

摘要：ID3算法是决策树算法中的经典算法,但存在多值偏向问题。一些改进的ID3算法虽避免了多值偏向问题,但多存在主观性强、没有考虑属性信息熵等问题。为了解决该问题,提出了一种基于修正系数的决策树分类算法MC。该算法利用修正系数降低取值个数多的属性的信息增益,并通过实验与ID3算法进行了比较,结果表明,当样本集中各属性取值个数不同时,算法MC在生成决策树的结点总数和分类准确率上明显优于ID3算法。

摘要：研究了SE-BGP的安全性,通过分析发现该机制存在安全漏洞,无法抵御合法用户发起的主动攻击。为了克服SE-BGP存在的安全漏洞,基于AS联盟的思想,使用基于RSA的聚合签名算法设计了一种新的BGP安全机制:SA-BGP,该机制具有更高的安全性,可以有效地验证AS宣告的网络层可达信息(NLRI)的正确性和AS宣告的路径属性的真实性,还可以大规模地减少网络证书规模和单个节点存储的证书数量,通过仿真实验得到SA-BGP和同级别的安全机制相比对网络的影响较小,收敛速度更快。

摘要：针对无人飞行器动力推进装置容易发生故障而造成飞行器发生事故的问题,提出基于ARM微控制器飞行控制平台构建无人飞行器动力故障自主检测系统,介绍了系统设计的组成与总体结构,研究实现了ARM微控制器LPC2148的硬件连接电路,PWM信号发生电路,A/D采样电路及前置放大电路等;对系统硬件平台进行了启动代码等系统底层软件的设计,对自主检测算法进行了研究,建立了系统的启动环境;并通过飞控测试对系统进行了调试,测试中通过PC上的串口软件,设置串口为C0M1,波特率为115200,校验位为NONE,数据位为8,停止位为1,发送和接收均为16进制显示,实验结果表明系统对于无人飞行器动力故障自主检测的准确性与稳定性均有很大提高。

摘要：对Web应用进行了合理的分层,介绍了3种主流开源框架Struts、Spring和Hibernate,应用它们作为Web应用各层的相应实现,进行了有效整合,设计了一个优秀的、完整的开发框架,给出了该框架在实践中的成功应用。

摘要：将上下文推荐系统同贝叶斯网络相结合,提出了一个上下文推荐算法,并设计了上下文资源推荐系统架构。首先利用贝叶斯网络,通过计算用户访问时间和资源信息的联合概率分布来取得用户在该环境下对资源的兴趣,然后比较当前用户所处环境所选取的资源与过去环境用户选取的资源的相似度,从而为用户提供合适的资源列表。最后将所提算法同其他常用的推荐系统算法进行了比较,系统架构按照M/G/1队列进行建模,对系统架构性能和稳定性进行了验证,取得较好结果。

摘要：针对嗜热蛋白质特征表征能力不足影响预测精度的问题,基于FF和VIM提出了一种新的嗜热蛋白质预测方法。利用MAAC、G-gap二肽组成和CTDC三种特征提取方法,构建499维特征;为减少特征冗余对预测性能的影响,设计VIM算法进行特征筛选,得到179维的最优特征子集;通过对比实验,建立多层感知机预测模型;在独立测试集下所建模型精度达到93.19%,与传统的单一特征提取方法相比有显著改善,总体性能优于已有方法,具有一定的理论和实际意义。

摘要：针对气窑成品率低的问题,本项目利用传感网技术实时获取窑炉内的环境参数,通过多物理场耦合分析技术量化"烧成氛围"、量化专家经验,制定模糊控制规则,从而模糊控制瓷器的烧制过程,既保持气窑的成品特色,又提高气窑的瓷器质量,对气窑烧制工艺的改进有着非常深远的意义。

摘要：许多实际问题涉及到多分类技术,该技术能有效地缩小用户与计算机之间的理解差异。在传统的多类Boosting方法中,多类损耗函数未必具有猜测背离性,并且多类弱学习器的结合被限制为线性的加权和。为了获得高精度的最终分类器,多类损耗函数应具有多类边缘极大化、贝叶斯一致性与猜测背离性。此外,弱学习器的缺点可能会限制线性分类器的性能,但它们的非线性结合可以提供较强的判别力。根据这两个观点,设计了一个自适应的多类Boosting分类器,即SOHPBoost算法。在每次迭代中,SOHPBoost算法能够利用向量加法或Hadamard乘积来集成最优的多类弱学习器。这个自适应的过程可以产生多类弱学习的Hadamard乘积向量和,进而挖掘出数据集的隐藏结构。实验结果表明,SOHPBoost算法可以产生较好的多分类性能。