一种求解tableau等式合一问题的算法

在增添扩展规则的tableau方法的基础上提出了一种新的含等词tableau方法——等式合一方法，并证明了它的可靠性和完备性。在该方法中，将tableau分成两个阶段，等词单独处理，通过提取等式合一问题并求解解替换封闭tableau，进一步限制了tableau的搜索空间，提高了tableau的推理效率。同时，为了研究等式合一方法的有效性，在解替换求解方面，提出了提取不等式析取，并在启发式的帮助下计算等价类的方法。通过实例分析，结果表明，等式合一方法优于其它方法。     

基于Schema和RST的自然语言生成混合规划方法

在自然语言生成系统的内容规划阶段，主要的手段是基于Schema的规划方法和修辞结构理论RST方法，Schema方法只适用于模式固定、细节略有变化的文本的生成，而RST方法则比较灵活，但是它的数据结构、规则库比较难建立。把这两种方法集成起来，并对Schema方法进行改造，使之能与RST有机地结合起来。在规划文本时首先用Schema方法规划全局的组织，然后用RST方法控制局部话语的连贯。这种结构可弥补采用单一方法的不足，具有双方的优点。     

一种汉语分词方法

本文对现有的汉语分词方法作了概述，然后，提出了一种新的汉语分词方法－－单扫描分词方法，并对单扫描汉语分词方法的时间复杂度作了分析。分析表明，单扫描分词方法的时间复杂度为２．８９，比现有的分词方法的时间复杂度１２．３２小得多。单扫描分词方法无论在理论，还是在实践上都有重大的意义。     

遥感图像像素级融合方法的建模与分析

遥感图像像素级融合方法众多，但缺乏统一的定义，使得各种方法的差并不明确，不利于有针对性的应用；各种方法的融合质量差异悬殊，缺乏选用合适融合方法的理论指导，往往只能根据操作者的经验进行判断。为此，本文首先对融合方法的一般处理过程进行建模，提出了基于融合过程中图像信息表示的遥感图像融合方法的形式化定义RSPF; 然后，基于RSPF从理论上分析了现有融合方法的融合质量差异；最后，通过实验定量分析了各种典型融合方法的融合质量。结果表明，融合过程中图像信息的表示形式是影响响融合质量的关键因素。     

基于物联网技术的网络异构传感数据融合方法

融合网络异构数据时，现有融合方法存在融合精度低和融合时间长问题，因此引入物联网技术，提出一种新的融合方法。首先，引入小波变换的方法，过滤网络异构传感器数据噪声；其次，利用物联网技术，对物联网簇内数据聚类；最后，通过最小二乘法运算，实现汇聚网络异构传感器数据融合。实验结果证明，新的融合方法可有效提高融合结果的精度，缩短融合时间，提升融合效率，与现有融合方法相比具备更高的实际应用价值。     

群体决策支持系统的工程观点评述

本文对群体决策支持系统研究领域中的三种主要方法，即面向内容的方法，面向过程的方法及信息系统方法，进行了综合评述。同时，本文还考查了这些方法用于多准则ＧＤＳＳ设计中的需求分析的可能性。     

二进制信号传输中随机共振与线性方法的比较

利用随机共振的主动降噪的非线性动力学行为，提出了一种应用随机共振进行二进制信号传输方法，对该方法的合理性作了分析和证明，并就方法的性能与常规的线性方法进行了比较，设计了仿真试验，结果表明，低信噪比传输时，随机共振方法具有明显的优越性。本文的结论不仅扩大了随机共振的应用领域，而且为突破线性方法的极限提供了可能的途径。     

基于属性重要性的定性数据聚类分析及应用

传统的聚类方法大多是基于距离或者是样品间相似度的，这就要求所分析的数据必须是定量的。但是在数据挖掘中，存在着大量的定性数据，传统的聚类分析方法已不再是一个可行的方法，这就需要寻找一个可以有效处理定性数据的聚类方法。粗糙集是处理定性数据的有效方法，在详细阐述粗糙集的相关概念后，利用属性重要性的概念，提出了一种能有效处理定性数据的聚类分析方法，并利用了数据对该方法进行了实证分析，取得了良好的结果。     

基于设计模型的信息系统自动测试方法

针对当前自动测试领域存在的问题，提出了一种基于设计模型的自动测试方法（Model Based Automated TestIng System，MATIS）。该方法利用用户界面自动生成方法，把设计模型中的类属性定义和实现中的控件属性组织在一起，构建描述界面的逻辑对照表，辅助测试脚本引擎执行自动测试脚本。借助设计模型中扩展的类定义，MATIS方法可以自动生成测试用例和测试数据。MATIS方法是一个较轻量级的方法，更贴近于实际的软件开发过程，可以有效地降低自动测试成本。     

基于密度的kNN文本分类器训练样本裁剪方法

随着WWW的迅猛发展，文本分类成为处理和组织大量文档数据的关键技术。kNN方法作为一种简单、有效、非参数的分类方法，在文本分类中得到广泛的应用。但是这种方法计算量大，而且训练样本的分布不均匀会造成分类准确率的下降。针对kNN方法存在的这两个问题，提出了一种基于密度的kNN分类器训练样本裁剪方法，这种方法不仅降低了kNN方法的计算量，而且使训练样本的分布密度趋于均匀，减少了边界点处测试样本的误判。实验结果显示，这种方法具有很好的性能。