构建人才成长平台促进人才队伍建设

人才是企业基业常青的最核心要素,企业竞争在一定程度上最终会归结为人才的竞争,企业只有想方设法留住人才,用好人才,才有可能使企业在激烈的市场竞争中发展壮大。如何构建良好的人才成长平台,创新培养机制,优化企业内部环境,成为关系企业是否能够永久立于不败之地的重要因素。     

基于自然语言处理的文本泄密自动检测技术

因文本信息泄密导致的危害越来越严重,但传统的泄密检测还停留在人工查看,效率低且易造成二次泄密.针对以上问题,采用文本相似度自动比较和数据加密方法,提出了一种基于自然语言处理的文本泄密自动检测技术.在实际应用中,因检测粒度过粗可能导致漏检,采用基于自然段落和语句的相似度检测方法,方便疑似段落和语句的自动定位,最后设计并实现了一个文本泄密检测系统.实验结果表明,该技术能很好地应用于涉密文本泄密的检测,具有保密、人工干预少、效率高、疑似段落定位等特点.     

基于自相似性和小波分析的图像增强与去噪

图像的去噪是图像质量提高问题中的一个重要分支。由于噪声的种类很多,性质和表现各不相同,因此很难确定哪一种去噪算法针对当前的图像是最好的。介绍了一种针对随机噪声、利用图像的自相似性的小波域的双边滤波去噪算法。算法不仅利用了小波的时频定位和多分辫率分解特性,也利用了图像的自相似性的特点。去噪的过程分为3个步骤。首先利用图像的自相似性将其分解成多个相似的、分辨率较低的子图,并重新组合(分解变换)。然后进行小波分解,并针对小波系数进行滤波。最后用调整后的小波系数进行逆小波变换和逆分解变换,生成去除噪声和增强后的结果图。实验结果证明,算法不仅能够有效地实现去噪,还使图像的边缘和对比度也得到了增强。     

均衡分布性与收敛性的协同进化多目标优化算法

为了进一步提升多目标进化算法(MOEAs)的收敛速度和解集分布性,针对变量无关问题,借助合作型协同进化模型,提出一种均衡分布性与收敛性的协同进化多目标优化算法(CMOA-BDC). CMOA-BDC 首先设置一个精英集合,采用支配关系从进化种群与精英集合中选择首层,并用拥挤距离保持其分布性;然后运用聚类将首层分类,并建立相应概率模型;最后通过模拟退火组合分布估计与遗传进化,达到协同进化.通过与经典 MOEAs 比较的结果表明, CMOA-BDC 获得的解集具有更好的收敛性和分布性.     

基于聚类策略的一种范例删除模型

1 前言基于范例推理(Case-Based Reasoning,CBR)是由R.Schank教授提出的基于范例的推理方法。CBR是用先前求解问题的经验和方法,通过类比和联想来解决当前相似问题的推理方法,这种方法更好地反映专家的思维过程,兼顾了知觉、想象和经验。目前已被广泛应用于医学诊断、工业制造、法律诉讼等领域,并取得很好的效果。由于在CBR系统不断解决问题的过程中,越来越多的新范例被存储在范例库中,则范     

均衡分布性和收敛性的多目标粒子群优化方法

粒子群优化（PSO）算法是一种基于群体演化且非常有效的求解多目标优化问题的方法,但因经典算法中粒子进化存在趋同性导致算法易陷入局部Pareto最优前沿,使得解集收敛性和分布性不理想。为此提出了一种均衡分布性和收敛性的多目标粒子群优化（DWMOPSO）算法,算法中每个粒子根据自身在进化过程中记忆的个体最好适应度值构建进化速度,由进化速度的快慢动态调整各粒子惯性权重,增加粒子的多样性,从而提高粒子跳出局部最优解的概率。通过在5个标准测试函数上进行仿真实验,结果表明,与Coello的多目标粒子群优化(MOPSO)算法相比,DWMOPSO算法获得的解集在与真实解集的逼近性和解集的分布性两个方面都有了很大的提高。     

基于平衡搜索策略的多目标粒子群优化算法*

鉴于平衡全局和局部搜索在多目标粒子群优化算法获取完整均匀Pareto最优前沿方面的重要性,设计平衡全局和局部搜索策略,进而提出改进的多目标粒子群优化算法(bsMOPSO).文中策略在局部搜索方面设计归档集自挖掘子策略,通过对归档集中均匀分布的部分粒子进行柯西扰动,使归档集涵盖整个前沿面的局部搜索.在全局搜索方面设计边界最优粒子引导搜索子策略,以边界最优粒子替换部分粒子的全局最优解,引导粒子向各维目标的边界区域搜索.选取4种对比算法在ZDT和DTLZ系列的部分测试函数上进行实验,结果表明bsMOPSO具有更快的Pareto最优前沿收敛效率和更好的分布性.     

一种基于SVM和领域综合特征的Email自动分类方法

Email自动分类已成为半结构化文本信息自动处理的研究热点。本文在时已有Email自动分类方法深入研究的基础上,提出了一种基于SVM和领域综合特征的Email自动分类方法。主要包括：一是将SVM引入到Email自动分类研究中,并对SVM学习算法中的核函数和参数选择进行了探讨;二是鉴于词频的特征表示方法难以准确表示Email主要内容,因此将领域知识引入Email特征表示中,并在此基础上提出了一种综合领域知识和词频的特征表示方法,用于Email分类。该方法是在词频特征的基础上加入人工总结出的领域特征,从而更能准确地表示Email的主要内容,以提高Email分类的平均F-score。通过实验,验证了基于SVM和领域综合特征的Email自动分类方法能有效地提高Email自动分类处理的准确性。