数据库完整性在数据库原理课程中的地位及实践意义研究

结合多年的教学和信息系统研发经验,提出了数据库完整性在应用中的现实意义,探讨了其在“数据库原理”课程教学中的重要地位,并通过教学实践对该课程各种教材的数据库完整性内容进行了比较,提出了适应学生理解和掌握的教学方式。实践证明,加强数据库完整性的实例教学,尤其是注重反例对完整性的影响的教学方式对该知识点的强化具有很好的效果。     

计算机专业应用型人才培养模式研究与实践

针对地方高校计算机专业培养的学生不能满足企业对计算机人才需求的现状,以应用型人才培养为出发点,提出一种应用型人才培养模式,其中,专业模块化培养和工程实践训练是该培养模式的核心。经实践验证,通过该模式培养的学生能够满足企业对计算机专业人才的需求。     

现代油水分离技术与原理

随着现代工业技术的不断发展,油水分离技术得到广泛应用.面对越来越困难的油水分离现状,基于不同工作原理,针对不同分离对象,多种油水分离技术随之诞生.通过对现代油水分离技术进行分类,深入分析了不同油水分离技术的工作原理,并结合原理列出相应的应用实例,评价了不同油水分离技术的分离效果,并根据油水分离的难度、使用对象、应用环境等因素的变化,建议采用相应的油水分离技术,实现经济高效地油水分离效果.最后,提出了现代油水分离技术中存在的问题和今后关于该研究发展的一些建议.     

基于自律反馈机制的入侵容忍模型

针对当前入侵容忍系统需要过多人工干预和缺乏自适应性的问题,提出了一个基于自律计算的容侵系统模型.该模型借鉴自律计算的思想并引入反馈机制对网络连接的可信度进行实时分析,生成初始信度,并通过信度阈值的自主学习与调整实施动态的信度优化,实现对可疑连接的自律容忍.     

信息数据融合技术支持下的自动化制造管理系统设计

传统的自动化制造管理系统管理效率低,很容易造成材料浪费。为了解决上述问题,基于信息数据融合技术设计了一种新的自动化制造管理系统,系统硬件设计了数据与Web服务器、工作台零件、信息数据融合传料机械手以及信息数据融合检查器,系统软件设计针对PLC控制技术和SHCB体系进行优化。为验证管理系统有效性,与传统管理系统进行实验对比,结果表明,信息数据融合技术支持下的自动化制造管理系统管理效率提高了12.87%,且在工作过程中很少出现材料浪费,具有很强的实际应用价值。     

基于自动化控制软件的人工智能交互模型研究

针对传统人工智能交互模型语音交互性能较差的问题,设计一种基于自动化控制软件的人工智能交互模型,通过关联分析法对人工智能多传感器实施局部关联计算,并通过主成分分析计算融合目标的传感器影响系数,实现人工智能多传感器数据融合,结合框架表示、网络语义表示、产生表示、空间状态表示这几种知识表示法构建人工智能交互架构,在构建的交互架构基础上,基于自动化控制软件建立人工智能交互模型,主要利用自动化控制软件进行人工智能交互数据管理、人工智能交互图像处理、人工智能交互控制、人工智能交互通信,从而实现人工智能交互模型的构建。为了证明基于自动化控制软件的人工智能交互模型的语音交互性能较强,将几种传统人工智能交互模型与该交互模型进行对比实验,实验结果证明该交互模型的语音交互性能优于几种传统语音交互性能,实现了性能方面的突破。     

改进的结构化指纹分类算法

在深入研究现有指纹分类算法的基础上,提出了一种基于结构的指纹分类算法。利用指纹图像的方向场信息,用Poincare索引值检测出方向场中不连续的点——奇异点,根据奇异点的数目和相互位置关系以及指纹脊线的结构特征确定指纹的基本类型。该算法为匹配算法提供指纹类型信息,可极大地提高算法的匹配速度和匹配精度,具有较好的使用意义。     

基于网络连接分析的DDoS攻击检测模型

分布式拒绝服务（Distmuted Denial of Service，DDoS）攻击是当前网络安全的主要威胁之一。通过对网络连接特征的分析，提出了一种DDoS攻击检测模型。该模型利用DDoS早期攻击阶段的固有特性，从网络连接数据的统计分析中探寻系统正常行为的分布规律并确定DDoS攻击检测阈值。最后，通过模拟攻击实验验证了检测模型的有效性。实验结果表明，该模型能快速有效地实现对早期DDoS攻击的检测，并对其他网络安全检测研究具有一定的指导意义。     

一类切换时滞奇异系统的状态反馈H∞控制*

研究一类由任意有限多个时滞奇异子系统组成的切换系统的状态反馈H∞控制问题。利用Lyapunov函数方法和凸组合技术,给出由矩阵不等式表示的控制器存在的充分条件,并设计了相应的子控制器和切换规则。采用变量替代方法,将该矩阵不等式转换为一组线性矩阵不等式(LMIs),最后给出一个求解状态反馈控制器增益矩阵的仿真算例。研究结果表明,通过切换,闭环系统在整个状态空间上的每个点都满足H∞性能,并不要求每个子系统在整个状态空间上都满足H∞性能,甚至也不要求其渐进稳定。     

基于低秩和图拉普拉斯的属性选择算法

针对无监督属性选择算法使用单一方法,未考虑数据间内在相关性和噪声等问题,提出一种基于属性自表达的低秩无监督属性选择算法。算法首先将稀疏正则化（[l2,1-]范数）引入属性自表达损失函数中实现无监督稀疏学习,其次在系数矩阵中加入低秩约束以降低噪声和离群点的影响,然后利用低秩结构和图拉普拉斯正则化使子空间学习兼顾数据的全局和局部结构,最后通过属性自表达实现无监督学习。经数据集上多次迭代验证,该算法能够快速收敛并达到全局最优,与SOGFS、PCA、LPP、RSR等四种算法相比分类准确率平均提高了16.11%、14.03%、9.92%和4.2%,并且在各数据集上互信息平均值也是最高的,说明该算法有效、高效。