一种多值逻辑函数的智能简化方法

就多值逻辑函数综合问题给出一种建立在扩展型Ａｌｌｅｎ－Ｇｉｖｏｎｅ代数系统之上的启发式智能算法，即根据一种折衷实现的代价标准，给出了函数位置多维体之间及其坐标之间的２种排序策略，以提高求解速度和简化程度；在此基础上，又给出了采用启发式排序策略的智能简化算法，该算法产生的结果是无冗余的覆盖。     

渗透压与含果粒果汁饮料稳定性的关系

本文论述了果粒悬浮的原理,讨论了渗透作用对果粒细胞汁与果汁液之间物质分配的影响。渗透压的存在造成果粒密度和果汁液密度在贮存过程中出现差异,致使果粒或上浮或下沉。亲水性可溶性大分子和可溶解于水的盐类可使渗透压改变,改变它们在果汁液中的浓度可最终达到果粒稳定的悬浮。     

横观各向同性平板中复合应力波的传播规律研究

以各向异性本构关系一般理论为基础,导出了横观各向同性平板中的粘塑性本构关系及板中复合应力波传播的控制方程,应用有限差分方法研究了在压扭复合冲击载荷作用下粘塑性横观各向同性平板中复合应力波的传播特性与演化规律,分析了粘塑性参数和撞击倾角对复合应力波传播与演化规律的影响,并对各种现象进行了分析和解释.     

一种基于数据流准则的测试数据自动生成算法

提出了一种基于数据流准则的测试数据自动生成的算法。该算法采用ALL-DU—PATHS覆盖准则．应用Warshall算法来计算判定DU对的可行可测性，通过优化选取覆盖DU对的测试序列，给出了基于测试序列的测试数据自动生成的方法，最后通过实例和实验进行了验证。     

基于Boosting的TAN组合分类器

Boosting是一种有效的分类器组合方法，它能够提高不稳定学习算法的分类性能，但对稳定的学习算法效果不明显,TAN(tree-augmented naive Bayes)是一种树状结构的贝叶斯网络，标准的TAN学习算法生成的TAN分类器是稳定的，用Boosting难以提高其分类性能,提出一种构造TAN的新算法GTAN，并将由GTAN生成的多个TAN分类器用组合方法Boosting-MultiTAN组合，最后实验比较了TAN组合分类器与标准的TAN分类器．实验结果表明，在大多数实验数据上，Boosting-MultiTAN分类器显示出较高的分类正确率。     

一种基于Java2D的均匀大数据集曲线表达快速算法

基于网络B／S模式地震波形数据实时浏览，在现代地震研究与数据服务方面具有重要作用并且技术亟待提高。文章解决了基于B/S模式动态调阅服务器端数据库系统中的波形数据并即时显示、编辑的问题，重点研究了Java2D在波形曲线表达方面的局限性，并针对由均匀大数据集构成的曲线表达提出了较为快速的算法，最后给出了该算法在实际中的应用。     

时间序列可变尺度的时频特征求解及其分类

对于许多实际应用来说,获取多个不同窗口尺度上的模式,有助于发现时间序列的不同规律性特征.同时,通过对时间序列时域和频域两方面的分析,有助于挖掘更多的知识.提出了一种新的基于可变尺度的时域频域辨别性特征挖掘方法以及应用于分类的算法.主要采用了不同尺度窗口、符号聚合近似技术以及符号傅里叶近似技术等,以有效地发掘时间序列不同尺度时域频域模式;与此同时,使用统计学方法挖掘部分最具辨别性的特征用于时间序列分类,有效地降低了算法时间复杂度.在多个数据集上的对比实验结果,说明了该算法具有较高的准确率;在真实数据集上的解析,表明了该算法具有更强的可解释性.同时,该算法可扩展应用到多维时间序列分类问题中.     

一种基于时间衰减模型的数据流闭合模式挖掘方法

数据流是随着时间顺序快速变化的和连续的,对其进行频繁模式挖掘时会出现概念漂移现象。在一些数据流应用中,通常认为最新的数据具有最大的价值。数据流挖掘会产生大量无用的模式,为了减少无用模式且保证无损压缩,需要挖掘闭合模式。因此,提出了一种基于时间衰减模型和闭合算子的数据流闭合模式挖掘方式TDMCS （Time-Decay-Model-based Closed frequent pattern mining on data Stream）。该算法采用时间衰减模型来区分滑动窗口内的历史和新近事务权重,使用闭合算子提高闭合模式挖掘的效率,设计使用最小支持度-最大误差率-衰减因子的三层架构避免概念漂移,设计一种均值衰减因子平衡算法的高查全率和高查准率。实验分析表明该算法适用于挖掘高密度、长模式的数据流;且具有较高的效率,在不同大小的滑动窗口条件下性能表现是稳态的,同时也优于其他同类算法。     

Creo二次开发及其在车体型材设计中的应用

针对目前轨道车辆产品设计特点,分析Creo 二次开发快速设计系统的关键技术。提出基于TOOLKIT 和VC2008开发平台的快速设计系统的设计思路,重点研究并实现了模板派生、参数传递、特征自动建模、骨架模型替换和数据库管理等关键技术并通过车体型材快速设计系统实例说明这些关键技术的应用。     

基于标签聚类的多标签分类算法

多标签分类的实质就是为给定实例预测一个与其关联的标签集合。典型方法可以分为两类:问题转换型和算法适应型。本文主要研究基于标签幂集的问题转换型算法。由于已有的标签幂集算法很难发现甚至可能忽略隐藏在训练集中的重要标签集合,因此,本文提出了一种基于标签聚类的标签幂集方法,通过改进平衡k-means聚类来发现训练集中潜在的重要标签集合,并用于形成新的训练集进行多标签分类。经实验验证,该算法在多个评价指标上较原有的标签幂集方法具有更好的分类性能。