海南岛地貌分区和分类

海南岛地貌单元可分为地貌区、地貌亚区、地貌形态成因类型和微地貌4级.全岛有北部台地平原区和南部山地丘陵区2个地貌区,包括14个地貌亚区.岛内均有台地、山地、阶地、丘陵以及平原,但以台地和山地为主.考虑外营力种类和作用方向以及地貌发育历史,在海南岛内可划出5种地貌成因类型:即1) 侵蚀、剥蚀构造地貌、2) 剥蚀侵蚀地貌、3)河积地貌、4)海成地貌、5)火山地貌.     

运用多媒体技术制作民族民间舞蹈教学音乐

本文介绍了有关民间舞教学音乐的计算机多媒体制作编辑技术,并以sound forge软件为例,简要介绍如何剪接编辑民间舞蹈教学音乐,为广大舞蹈教师和爱好者提供制作数字音乐的经验和方法.     

一株高产抗菌活性物质链霉菌的初步分类鉴定

对一株土壤中筛选出的可以产抗菌活性物质的链霉菌进行了研究，测定了该菌的抗菌谱，发现该菌株对多种植物病原性真菌及细菌有拮抗作用，但对植物病原性真菌的抑制效果低于植物病原性细菌.通过形态特征、培养特征、生理生化特性及抑菌谱等系列比较，发现该链霉菌菌株与链霉菌属的黑胡桃链霉菌(Streptomyces nogalater)的特征基本相符；通过16S?rDNA序列比对，发现该菌株16S?rDNA与黑胡桃链霉菌的16S?rDNA同源性达99％.根据多项分类原则和系统进化树的构建分析，将该菌株暂归入黑胡桃链霉菌类.     

局部核方法及其应用

核方法是机器学习中一种强有力的学习算法.多个领域的实践表明，通过将领域知识嵌入到核函数中，一般会得到比较好的学习效果. 从微分流形的观点讨论了机器学习中全局信息与局部信息的关系，并提出了一种嵌入局部有意义信息的核方法.文本分类的实验结果表明，与其它几个分类算法相比，它具有较高的性能.     

基于模糊划分的神经网络集成

基于模糊聚类思想,提出了一种神经网络集成方法.由训练数据的模糊聚类结果,把训练数据划分成相交子集,基于各子集生成集成的个体神经网络.由于各子集所包含的数据和数据的类别各不相同,因而个体神经网络性能和结构存在差异.子集个数确定集成中个体神经网络个数.另外,基于隶属度函数计算公式,提出了个体神经网络输出结论结合方法.理论分析和实验结果表明,此方法对模式分类能取得较好的效果.     

《中图法》(第四版)在ChIN资源导航系统中的应用

从分析ChIN资源导航系统入手,阐述了《中国图书馆分类法》学科聚类标准在化学化工资源导航系统中的应用,并就此提出改进网络分类体系的两点建议:一、把学科聚类从网络分类体系中单独列出;二、设置专业主题词表。     

一种IP数据包快速分类算法

为了提高查找效率,在无冲突哈希查找算法和Grid of Tries算法的基础上提出了一种基于无冲突哈希和多比特Trie树(NHMT)的IP分类算法.该算法的核心有3部分:哈希函数的构造,主要是采用基于目的端口和协议两域构造哈希函数,使得在最坏情况下完全避免了空间爆炸问题;在Grid of Tries算法的基础上,对Grid of Tries算法改造成修剪的Trie树和多比特Trie树,以减少空间复杂度;在无冲突哈希查找算法的基础上扩展一层用于存放源端口号(或范围),扩展后一般要提高算法的时间复杂度,要通过引入多比特Trie树的方法进行解决.对于空间复杂度方面与无冲突哈希查找算法比较,一般情况下不增加空间复杂度.通过仿真,当对10 000条规则进行包分类时,该算法的分类速度可以达到1 Mbit/s,所消耗的最大内存为8.2 MB.     

一种基于序列挖掘的分类系统框架

为了有效地对序列数据进行分类，提出了一种集成分类挖掘和序列模式挖掘技术的分类系统框架(SPACS)．先采用一套约束和裁减策略，为每个分类挖掘频繁序列模式，并将其转换为分类序列规则(CSR)；再利用平均CSR匹配置信度和一个规则匹配算法构建有效的序列数据分类器．SPACS不需要在提取序列的特征后采用传统方法进行分类，可以直接利用从序列数据中提取出的频繁序列进行分类．实验结果表明，对于序列类型的数据的分类，SPACS比传统的决策树和关联分类方法具有更高的分类精度．     

基于RBF神经网络的Web分类挖掘研究

根据Web文档分类与人工神经网络理论，设计了一个Web分类挖掘系统。针对BP网络分类器的不足，提出了用径向基函数神经网络对Web页面中的文本信息进行分类的方法。实验初步证明，用径向基函数进行分类比BP算法构造的神经网络更具准确性，有效地提高了分类的正确率。     

一种新型决策树属性选择标准

讨论传统决策树算法中三种常用的基于熵的属性选择标准，提出一种基于属性重要性排序的建立决策树的新方法。该方法在决策树的每个内结点首先依据属性重要性将属性进行排序，然后选择最重要的属性作为分类属性生成决策树，并抽取出规则。与传统的决策树数据分类方法相比，此方法可有效地选择出对于分类最重要的分类属性，增强决策树的抗干扰能力，并提高规则的预测精度。