基于函数型网络的快速学习方法及其应用

对函数型神经网络的函数变换原理进行论述,指出函数型神经网络的特点。对函数型网络的学习规划及其实现进行了详细的描述,将该网络应用于土木工程的若干计算问题,得到了较高的收敛省事 出了与传统ＢＰ算法的性能比较。     

基于多媒体图形终端的协同工作

多媒体Ｘ终端是以多媒体化的Ｘ Ｗｉｎｄｏｗ系统为界面的网络终端。多媒体Ｘ客户程序可以在网络主机（高性能工作站）上运行,而在该终端上输出各种媒体,其性能可与直接使用主机相媲美。基于多媒体Ｘ终端ＣＡＣＷ体系结构充分利用了Ｘ终端的网络透明性,将需要大量通讯的用户模块集中到一台高性能的主机上,从而大大提高了多媒体协同工作系统的性能,避免了传统的协同工人系统中由于带宽的限制,无法达到很高的多媒体性能的问题。     

InfoSigs:一种面向Web对象的细粒度聚类算法

面向Web对象的细粒度聚类已经成为学术界研究的热点.然而现有大多数聚类模型只关注如何对文本内容或文章主题进行聚类,聚类结果粒度较粗,无法满足大规模网络信息检索的质量要求.针对上述挑战,充分挖掘Web文档中词汇间的树状概率层次关系,提出一种以词汇信息分布作为特征标志的聚类算法InfoSigs,实现对Web对象的细粒度聚类.算法构建一个信息传递有向无环图,根据词汇在图中信息分布的集中度赋予其合理的权重,产生更具代表性的特征向量;同时算法提出了一个自适应的记录合并模型,有效提高记录簇中记录间的相似度,减少噪音对合并过程的影响.实验结果表明,InfoSigs算法比传统聚类算法—I-Match和Shingling—在F-Measure值上平均约有21.3%的提高,可以有效地运用到多领域Web对象的聚类问题.     

HAPS: Supporting Effective and Efficient Full-Text P2P Search with Peer Dynamics

Recently, peer-to-peer (P2P) search technique has become popular in the Web as an alternative to centralized search due to its high scalability and low deployment-cost. However, P2P search systems are known to suffer from the problem of peer dynamics, such as frequent node join/leave and document changes, which cause serious performance degradation. This paper presents the architecture of a P2P search system that supports full-text search in an overlay network with peer dynamics. This architecture, namely HAPS, consists of two layers of peers. The upper layer is a DHT (distributed hash table) network interconnected by some super peers (which we refer to as hubs). Each hub maintains distributed data structures called search directories, which could be used to guide the query and to control the search cost. The bottom layer consists of clusters of ordinary peers (called providers), which can receive queries and return relevant results. Extensive experimental results indicate that HAPS can perform searches effectively and efficiently. In addition, the performance comparison illustrates that HAPS outperforms a flat structured system and a hierarchical unstructured system in the environment with peer dynamics.     

一个基于多媒体X终端的协作CAD系统

本文提出了一种基于多媒体Ｘ终端的协作ＣＡＤ体系结构，它充分利用了Ｘ终端的网络透明性，将核心计算和用户间通讯的模块集中到高性能的主机上，从而提高了协作ＣＡＤ系统的性能。系统还提供了虚拟声音会议环境使得用户间可以直接地通过语音交互。     

基于循环神经网络的数据库查询开销预测

数据库负载管理、性能调优中,开销预测模型是提高其效率的关键技术。首先,由于数据库系统的复杂性和计算机资源的竞争,很难精确地估计不同操作的开销。其次,由于查询计划结构的复杂性,现有研究更多使用笼统的查询信息,而很少利用查询计划中操作层面的信息,并依据这些信息来获得开销模型。另外,现有的研究大多没有真正预测查询的执行时间,而是预测了类似查询优化器中开销模型生成的开销。为了减少负载管理的复杂性,本文提出了基于循环神经网络的精细模型来预测查询开销,以查询计划中的操作行为和其实际运行时间作为特征提取的来源。特别地,考虑到查询计划结构的复杂性,本文采用一种特殊的循环神经网络,长短期记忆（Long-Short Term Memory,LSTM）。给一个特定的查询计划,在该计划实际执行之前,模型就能产生其预测的执行时间。这会比现有数据库的查询优化器产生的开销预估结果（任意单位）更具有参考性;也优于需要在执行开始之后才能预测的查询进度指示器。本文提出的这种创新方法来预测查询执行时间,可以用于解决数据库负载管理中的关键问题。通过实验验证,模型的正确率高于71%,一定程度上证明了方法的可行性。     

最优预测理论在同步CSCW中的应用

运用现代控制论中的最优预测理论,对同步ＣＳＣＷ系统中的对象行为进行Ｋａｌｍａｎ预测,并通过这种方法来限制系统的带宽,同时给出了一个使用最优预测算法的,低带宽网的ＣＳＣＷ网络软件平台（ＣｏｎＷｏｒｋ）的设计方法及其实现,并提供了定量测试的数据,该系统运行以太网环境中。     

一种面向协作标签系统的图片检索聚类方法

为了更有效地进行图片检索,提出了一种面向Web2.0协作标签系统的图片检索聚类方法。该算法首先针对标签空间由于标签表达多样性带来的不一致问题,并通过挖掘标签间的词汇关系实现语义级查询扩展来得到语义可能相关的扩展图片结果集;然后根据标签间的相关度度量选出图片结果集中与查询标签高相关的标签集,接着采用一种自顶向下启发式的图划分算法来自动对次相关标签集进行分类。最后图片结果集即根据标签分类结果被聚类。为验证该方法的效果,从标签图片共享网站Flickr上随机下载了大量真实图片集以及所含带的标签元数据,在已实现的图片检索原型系统PivotBrowser上进行了大量实验,结果证明,该聚类算法能有效解决标签空间存在的标签表达不一致问题和标签查询歧义性问题,能提供更满意的用户检索。