样本检索在高校科研管理系统中的应用

简单介绍了高校科研管理系统和ASP技术及相关知识，重点介绍了应用ASP技术开发在线样本检索的设计开发思想．在科研管理系统中检索是用户经常使用的操作手段。同时用户在内容重复检索中涉及到大量字段，样本检索可以使用户避免这样的重复操作．在开发系统时采用了样本检索技术与普通检索结合，既发挥了普通检索的灵活性，又发挥了样本检索的高效性．     

基于样本不同属性综合的鲁棒偏倚赖主动学习分类算法研究

主动学习算法可以有效减少样本标注的工作量,每次选取最有信息量的样本交由专家标注。样本的代表性与不确定性都是衡量样本信息量的重要因素,将两者综合考虑能够获得更好的综合效果,但在两者的结合方式上一直存在不少问题,导致算法的适应性不强。为解决该问题,本文提出了基于样本不同属性的鲁棒偏倚赖主动学习分类算法,通过引入偏倚赖权值系数函数,在综合考虑样本的代表性和不确定性的同时,更可以突出样本的特性。同时由于样本代表性模型的渐变,在选择样本过程中更能突出代表性样本与不确定性样本的学习层次,前期训练以代表性样本为主,后期训练以不确定性样本为主,使得算法的适应性大大提高。在UCI机器学习数据库上的仿真实验结果表明本文的思路是合理可行的,在实验所用数据集上,与所提供的对比算法相比,本文的方法只需较少的标注样本便可以达到相同的分类正确率。     

用于邮件过滤的标准样本生成系统研究

由于缺乏标准的中文邮件样本集，无法评测不同垃圾邮件过滤系统的性能.通过 分析邮件样本收集过程中存在的各种问题，研究了生成标准样本涉及的问题，设计了一个基于真实环境的标准邮件样本生成系统结构，并希望以此推出一个用于衡量邮件过滤系统性能的标准的邮件样本集，最终作为邮件过滤技术研究的基本语料.     

样本信息处理中一种属性约简方法的研究

为了剔除样本信息中存在的冗余成分和不相容性,同时提取关键信息等,根据样本信息的特点和信息具有粒度的思想,基于粗糙集的2个近似精度科学地定义了条件属性重要性,进而提出一种对样本信息进行属性约简的有效、简便方法.该方法主要包括信息核的求取、可省条件属性的重要性计算和相对属性约简集的确定.其中,为连续属性的离散化处理提供了一种基于模糊相似比原理的快速离散化算法,它能起到剔除模糊噪声的作用.典型实例计算和在油水层识别系统中的实际应用表明,这种属性约简方法的识别准确率可达90%以上,应用效果显著.     

浅议高校图书馆开架样本书库的管理

介绍了样本书库的功能，分析了开架书库存在的问题，提出了解决这些问题的办法。     

入侵检测中双层次模式匹配研究与应用

针对现有入侵检测系统在模式建立与匹配方法中存在的不足,改进了一种入侵检测系统的模式建立与匹配方法.根据数据样本的数据属性特征,采用双层次聚类方法对数据样本进行分析,建立基于行为索引的系统安全模式,避免对数据属性进行分析时,造成数据关键信息的丢失,降低入侵检测系统的误报率和漏报率.     

基于UML和SPIN的软件安全模型验证

介绍了使用模型验证工具SPIN检测软件设计阶段存在的安全漏洞的方法.用LTL描述安全属性,将软件设计转换为PROMELA.通过一个关注时序安全属性的实际案例,证明了该方法的可行性.     

人工智能优化初探

介绍了人工智能的基本概念，讨论了应用人工智能技术在工程领域中进行优化的主要步骤，包括采集样本、数据处理、空间变换、连续量目标优化、建立专家系统等，指出人工智能优化技术是未来工程优化的主要方向。     

大观测噪声下双线性系统的一种小样本辨识方法—BSLKL

给出了在大观测噪声下双线性系统的一种小样本辨识方法-BSLKL。辨识步骤如下:首先从系统的零状态应响应推出外部描述模型,对该模型进行最小二乘估计,并实现成内部描述模型,然后通过卡尔曼平滑得到降低了噪声水平的输入-输出数据。最后,用这些数据再次进行最小二乘估计并进行实现。仿真表明了此法的有效性。     

高校图书馆样本书库管理研究综述

样本书库是图书馆体系的有机组成部分,图书馆样本书库在图书馆服务体系中扮演着重要角色。分析了高校图书馆样本书库管理研究的现状,阐述了高校图书馆样本书库管理研究的内容,包括样本书库的去留、当前样本书库存在的问题、样本书库的管理创新。     

评测智能化入侵检测方法的样本库分析

对入侵检测评测样本库的生成方法进行了介绍,给出了KDD CUP’99数据集的样本分布,探讨了httptunnel攻击在KDD CUP’99数据集中的分类情况,通过分析KDD CUP’99数据集的特征属性与SNORT特征项的关联,表明了KDD CUP’99数据集作为智能化入侵检测方法评测样本库是公正而合理的．     

基于随机模糊样本的统计学习理论基础

首先介绍了随机模糊理论的基本内容，进而证明了基于随机模糊样本的统计学习理论的关键定理，且讨论了学习过程一致收敛速度的界，为系统建立不确定样本的统计学习理论并构建相应的支持向量机奠定了理论基础．     

可修复系统可靠性统计分析

常规可靠性统计分析要求样本从同一母体抽取且为独立同分布。但是可修复系统的母体难以保持不变，样本独立同分布的要求也难以满足。如何判别样本是独立同分布?针对此问题，本文讨论了样本独立同分布的检验，并以平均寿命为例，对样本独立同分布和非独立同分布条件下可靠性统计分析进行了讨论。     

交遇区样本分类的应用

在模式识别中，许多问题是非线性的．对于未知的样本需要按属性来进行分类，并且由于空间条件的复杂性高，分类器的设计方法也有很多种．利用“交遇区”中的样本的特殊性，把非线性的问题转换成分段线性问题来处理，并设计了基于“交遇区”的样本分段线性分类器，来对未知的样本进行分类．该分类器可以应用于数据挖掘、模式识别、人工智能等领域．     

基于样本信息聚集原理的小子样疲劳特性分析

为了对小样本疲劳试验做出指导以及寻求小样本下S-N曲线最优拟合方法，对经典样本信息聚集方法进行了改进。基于不同应力水平下试样疲劳寿命概率分位点的一致性，采用数据共享与融合方法，实现不同应力水平下样本数据信息聚集应用。根据应力■疲劳寿命的线性关系，利用改进后的样本信息聚集方法，对小样本数据中各个应力水平下的疲劳寿命均值进行参数化逐步搜索，得到不同应力水平下疲劳寿命最优值，然后根据最小二乘法拟合出S-N曲线。对不同应力水平作为基准进行了S-N曲线的疲劳特性对比分析，算例结果表明，以低应力水平为基准结合改进后的方法拟合出的曲线与传统成组法拟合结果最大相对误差不到5%,预测出的疲劳寿命误差范围最小。由此可见，改进后的方法提高了小样本疲劳特性分析的可靠性。     

合作伙伴、内部人力资本对于金融科技企业创新绩效的影响研究

通过迭代分类法筛选出上海639家金融科技企业2008～2016年1 307个样本,并对样本进行金融属性更强和科技属性更强的分类,基于技术创新的两阶段价值链理论,通过面板负二项模型的固定效应以及面板固定效应模型,实证分析金融科技企业合作伙伴、内部人力资本对其不同阶段技术创新绩效的影响。结果表明科技活动人员、委托外单位开展科技活动经费支出、用户广度对不同属性金融科技企业的不同阶段技术创新有着不同的影响。     

基于属性重要性和样本信息熵的多连续属性离散化后处理方法

有效判别决策表中离散化后样本数据的类型对于对后继阶段的机器学习和数据挖掘过程具有非常重要的意义.本文提出了一种基于属性重要性和样本信息熵的数据类型判别方法,并利用人工改造的一部分UCI数据库进行了模拟试验,结果表明方法是有效的,识别样本数据的准确率较高、识别错误率和拒识率较低.     

面向管理任务的资源描述和操作语言的设计和实现

提出了一种面向管理任务的说明性语言－资源描述和操作语言（RDML），用于定义虚拟放管对象类（VMOC：VMO的类属），RDML可以措述VMOC的所有组成元素，包括：VMOC标识、VMOC参数，源属性（直接来源于被管资源），计算素属，VMOC事件，属性相关操作方法和用户自定义成员方法，本文还给出了基于VMO和RDML的管理体系结构和工作步骤，最后，通过一个RDML定义VMOC的例子说明：RDML具有简单的语法和管理任务级（goal-level)的描述能力，填补了管理应用和低层被管资源间的语义间隙，沟通了不同类型和管理层次的资源，简化了管理应用的开发。     

基于深度学习的司法判决预测算法研究

司法判决预测任务指的是根据真实的案情描述文本来预测案件的判决结果,有助于司法专业人士高效的工作,在智能司法方面具有广阔的应用前景。在实践中,易混淆罪名和少样本罪名的判别问题是目前的两大难点,普通模型很容易在上述问题上出现误判。为使易混淆罪名得到更好的区分,结合BERT（Bidirectional Encoder Representations from Transformer）和双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU)深度学习网络,提出BGAAT（BERT BiGRU Attribute Self-Attention）网络模型。该模型引入具有区分性的罪名属性标签,通过注意力机制分别抽取属性特征与上下文特征,使用注意力分布对可解释性进行描述。为使少样本罪名更好的被识别,引入罪名分类权重,使模型在少样本罪名分类取得了更高的F1值。最后在真实的司法判决数据集上进行了实验,证明了所提出模型在该任务上有良好表现。