计算机辅助下丘神经核团三维重构

<正> 脑组织切片三维重构是脑研究领域中应用的一项新技术,它和显微图象处理技术相结合可为脑的结构,神经元形态和神经网络研究提供重要的研究手段。近十多年来国外先后建立了类似系统,得到了较广泛的应用,国内近几年来这方面发展迅速,先后采用二叉树数据结构、先序遍历方法,双眼立体图对法等实现了神经元连续切片的计算机三维重构,并给出了三个方向的正则投影,显示了生物组织三维重构的结果。     

基于软件网络加权k-核分析的关键类识别方法

识别关键类可以帮助人们尽快理解不熟悉的软件系统.尽管目前已有一些关键类识别方面的工作,但是大部分方法构建的依赖图是无权的,未考虑类之间交互的种类及次数.有鉴于此,提出了一种基于软件网络加权k-核分析的关键类识别方法.首先,用加权类耦合网络抽象类（接口）、类（接口）间的交互及其次数;然后,引入加权k-核分解方法计算类的加权核数;最后,以加权核数作为类重要性的量度指标,降序排列所有类,并通过过滤得到候选关键类.真实软件上的数据实验验证了本文方法的有效性.     

基于统计分析和停滞速度的GEP自动建模*

介绍了基因表达式程序设计的基本原理,并针对经典GEP算法存在的不足提出了一种基于统计分析和停滞速度的改进GEP算法——SACVGEP。其特点在于：用重复体统计的方法改进了初始种群的生成;提出停滞速度概念;引入了动态变异算子。最后,将该算法用于求解复杂函数自动建模并与传统方法、神经网络方法、经典GEP方法等进行比较。实验结果表明,用此方法建立的模型比传统方法、神经网络方法、经典GEP等方法具有更好的性能。     

基于多目标演化算法的序列密钥生成方法

将评价密钥流随机性的2个指标作为多目标演化算法的2个优化目标,提出了一种基于多目标演化算法的序列密钥生成方法--MOEASEP.由于该算法基于演化算子的随机特性和多目标演化算法的特点,其生成的密钥流具有高随机性、混沌性和长周期性.实验结果亦表明,利用该方法产生的序列密钥具有良好的性能.     

基于加权PageRank算法的关键包识别方法

识别软件中的关键实体对于人们理解软件,控制和降低维护费用具有重要意义.然而现有的工作基本都是针对关键类识别的,针对关键包、方法/属性等的研究甚少;同时现有的工作也未能揭示关键类与软件外部质量属性间的关系.为丰富现有的工作,本文提出了一种基于加权PageRank算法的关键包识别方法.该方法用加权有向软件网络模型抽象包粒度软件系统,提出新度量PR(PackageRank)从结构角度量度节点重要性,并引入加权的PageRank算法计算该度量值.数据实验部分以六个开源Java软件为例,分析了包的PR值与常用复杂网络中心性指标(介数中心性、接近中心性、度数中心性等)间的相关性;使用加权的SIR(Susceptible-Infectious-Recovered)模型分析了PR所识别关键包的传播影响,并与其它相关方法进行比较,验证了本文方法的有效性;最后,以其中两个软件为例,分析了包的PR值与包可理解性间的关系,进一步验证了本文方法的有效性.     

硬件化演化算法在函数优化上的运用

针对用软件实现的演化算法普遍存在的执行速度慢、不能满足实时应用需求等特点,这里使用基于Altera公司的CycloneⅡ型号的FPGA,及用VHDL实现一种比较先进的演化算法,并详细给出硬件实现的一体化操作和仿真步骤,从演化算法的软件实现到演化算法的硬件化;以及用此硬件化演化算法求解一些函数的优化问题。实验结果表明,用这种硬件化的演化算法可以大大提高演化算法的运算速度、同时收敛速度快、效果好,为演化算法在实时场合的运用提供了一种可能性。     

基于复杂软件网络的回归测试用例优先级排序

 测试用例优先级排序技术是一种高效实用的回归测试技术.针对现有排序方法未能有效利用软件结构复杂性信息的不足,提出了一种基于复杂软件网络的回归测试用例优先级排序方法.该方法用加权类依赖网络模型抽象类粒度软件系统,从结构角度测度类引入错误的可能性及错误的严重性,并据此评价类的测试重要性,同时结合测试用例的覆盖信息,对测试用例进行排序.实例研究表明,本文的方法能够显著提高严重错误的发现速率,并且具有较好的稳定性.同时,揭示了方法有效性与软件错误类型和结构度量指标两者间的关系.     

基于管理者合作网络的开源软件开发社区中心性分析

随着开源生产模式的快速发展,合作开发社区中项目管理者之间的关系也变得越来越复杂.社会网络的分析可以作为组织管理的辅助工具与方法,将其与复杂网络研究结合起来,使人与人之间的相互作用关系变的更加清晰,促进对其拓扑结构的理解.本文通过对SourceForge.net社区中开源软件项目信息进行收集,在项目-管理者二分网络基础上构建管理者合作网络模型,对管理者的度进行分析发现网络呈现明显的核心/边缘结构.因此,我们分别从节点度、介数和拓扑势三个度量指标,进一步对合作网络的结构进行中心性分析,发掘网络的核心人物.     

基于改进演化算法的空间数据聚类方法

分析空间数据的特点和用常规方法进行空间数据聚类分析的难点与不足,提出一种基于改进的演化算法空间数据聚类方法——SDCEA。解决用传统方法进行空间数据聚类分析时存在的问题,增强聚类分析方法的灵活性和有效性。实验结果表明,对于空间数据的聚类分析问题,该算法具有很好的性能。     

一种求解空间数据聚类的粒子动力学演化算法*

从空间数据挖掘的基本概念出发,阐述了空间数据的特点及空间数据挖掘的常规方法,分析了用常规方法进行数据挖掘的不足,提出了一种求解空间数据聚类的粒子动力学演化算法——SDCPDEA。该方法有效地避免了用常规方法进行空间数据聚类时的缺陷,增强了聚类分析方法的灵活性和有效性。实验结果表明,对于空间数据的聚类分析问题,该算法具有很好的性能。