测评软件生成系统的设计与实现

本文讨论了一个具有通用性的测试评估软件生成系统的设计思想和实现方法，给出了该生成器的系统组成、数据组织结构、查询搜索方式以及用户界面的设计。该系统具广泛的应用领域和实用意义。     

利用TM资料测量毛乌素沙地面积的方法和结果

利用1:25万陆地卫星TM资料和地形图，在GIS支持下，建立毛乌素沙地图形数据库，对毛乌素沙地目前流沙分布的范围进行了调查研究。重.资、介绍了利用陆地卫星TM资料对毛乌素沙地的面积进行测童计算的技术和方法，给出了最新测贡得到的毛乌素沙地全区总面积和分布于各旗县的沙地面积数据。     

浅谈如何搞好加油站的风险评价

阐述了加油站实施HSE管理，进行加油站风险评价的必要性，介绍了评价方法及其应用范围，评价组织的建立和工作流程及注意事项，指出：进行加油站风险评价，在选择评估方法时应从加油站的生产实际出发，针对不同的区域，采用适当的，可操作的方法；找出身边存在的危害因素，采取适当的措施来控制和化解风险，提高加油站安全管理水平，才能适应加入WTO后所面临的挑战。     

组播通信的访问控制和密钥管理

IP组播是一种高效的多目标传输机制.随着网络的发展,组播在网络的应用占据着越来越重要的地位,其应用不断扩展,技术日益成熟.目前,组播作为一个崭新的学术研究领域,在组播路由算法、流量控制、可靠传输等方面的研究已有很多成果,而对于组播安全问题的研究特别是组播通信密钥的研究还很不成熟.本文通过研究绀播通信安全进行深入的研究,对比各种密钥管理方法,研究了可扩展的密钥管理方法.该密钥管理体系采用分层管理结构,采用子管理中心对各个子域进行管理,不仅可以高效地处理组播组成员动态加入和退出,同时,大大减少了密钥管理中心的负担.使该方法可以应用于大型、动态的组播系统.此外,该方法根据现有的网络和组播系统的要求,提出了控制中心由计算机组进行统一调度管理,避免了单点故障的问题,增加了系统的鲁棒性.     

并行哈夫曼编码器的硬件设计与实现

文章设计了一种并行编码的哈夫曼硬件编码器，它采用了流水线和并行编码方法，使得在一个时钟周期内可以编码一个字节的数据，在编码时显著降低了工作频率。文章给出了关键部分的实现方案并分析了实验结果。     

系统备份及其误区分析

文章对系统备份的几个主要方面进行了讨论，并在此基础上，对系统备分的若干认识误区进行了分析。     

基于多传感器数据融合方法的火灾模拟实验炉温度采集系统

基于多传感器算术平均值与分批估计的数据融合方法在火灾模拟实验炉上温度数据采集中的应用，用VB6．0开发了相应的实际应用系统。     

数据采集与监控软件Genie

Genie是具有国际先进水平的数据采集与监控软件，它提供了一个面向对象的图形化用户界面，因此简化了数据采集过程、控制应用程序开发和操作员界面。本文介绍了Genie的特点、功能、基本用途以及VISUALBA－SIC在设计这类监控软件中的作用。     

燃煤电厂融合多信号光纤火焰检测器的开发研究

介绍一种新型光纤燃煤炉火焰检测器，阐述其系统组成及特点，并提出了基于模糊推理的多信号融合处理方法。     

FindOut: Finding Outliers in Very Large Datasets

Finding the rare instances or the outliers is important in many KDD (knowledge discovery and data-mining) applications, such as detecting credit card fraud or finding irregularities in gene expressions. Signal-processing techniques have been introduced to transform images for enhancement, filtering, restoration, analysis, and reconstruction. In this paper, we present a new method in which we apply signal-processing techniques to solve important problems in data mining. In particular, we introduce a novel deviation (or outlier) detection approach, termed FindOut, based on wavelet transform. The main idea in FindOut is to remove the clusters from the original data and then identify the outliers. Although previous research showed that such techniques may not be effective because of the nature of the clustering, FindOut can successfully identify outliers from large datasets. Experimental results on very large datasets are presented which show the efficiency and effectiveness of the proposed approach. Received 7 September 2000 / Revised 2 February 2001 / Accepted in revised form 31 May 2001 Correspondence and offprint requests to: A. Zhang, Department of Computer Science and Engineering, State University of New York at Buffalo, Buffalo, NY 14260, USA. Email: azhang@cse.buffalo.eduau