多传感器数据融合仿真平台的构建及设计

数据融合是军事C^3I系统的重要组成部分，对C^3I系统效能的发挥起着决定性的作用。文中简述了多传感器数据融合仿真平台的重要性及其实际意义，介绍了空中目标跟踪多传感器数据融合仿真平台的构建；针对位置级数据融合开发所需的模块，合理地进行了软件设计；仿真平台还通过使用模块化和开放性的结构，使仿真平台具有通用性、实时性和对话性等特点。最后，给出了一个该仿真平台的一个运行实例，使该仿真平台的可靠性、实用性等得到了仿真验证。     

输出/输入比值优势与DEA有效

进一步讨论了多目标规划模型 ( vp)中的 Pareto有效与 DEA有效的关系 ,得到两个重要结论 ,藉此无须求解 DEA模型就能判断某些 Pareto有效 DMU的 DEA有效性。     

雷达/红外双模制导背景下的模糊目标跟踪器

在雷达／红外双模制导背景下，对雷达／红外传感器的测量数据进行融合并提出了一种跟踪机动目标的模糊跟踪器。该跟踪器能够精确的获取目标机动的动态信息，应用一系列的模糊规则自适应的调整卡尔曼滤波器的过程噪声协方差矩阵，从而更适合用于实际的跟踪系统。通过对红外成像和雷达多传感器对目标跟踪系统的数字仿真表明所提出的模糊跟踪器性能良好。     

GPRS分组传输工业数据

结合工业监控软件技术的发展，用GPRS远距离实时传输生产数据，讨论了GPRS在工业监控中的优势和特点，以及建立起GPRS无线网络带来的传输速度、可靠性、拓扑结构以及安全性的问题。最后根据企业生产实际，提出一个工业监控平台网络设计方案。     

网络考试系统的安全设计

从对数据库系统的安全分析入手，结合网络考试系统的实际，从硬件系统、数据库系统、网络操作系统和网络应用程序几个方面，提出了解决网络考试系统安全性的方法。     

Discovering Frequent Subtrees from XML Data Using Neural Networks

By rapid progress of network and storage technologies, a huge amount of electronic data such as Web pages and XML has been available on Internet. In this paper, we study a data-mining problem of discovering frequent ordered sub-trees in a large collection of XML data, where both of the patterns and the data are modeled by labeled ordered trees. We present an efficient algorithm of Ordered Subtree Miner （OSTMiner） based on two- layer neural networks with Hebb rule, that computes all ordered sub-trees appearing in a collection of XML trees with frequent above a user-specified threshold using a special structure EM-tree. In this algo- rithm, EM-tree is used as an extended merging tree to supply scheme information for efficient pruning and mining frequent sub-trees. Experiments results showed that OSTMiner has good response time and scales well.     

MIS系统通用插入组件的设计与实现

论述了数据字典是实现通用插入功能的关键，并描述了利用Grid控件实现通用插入组件的一般方法，着重讲述了依据数据字典动态生成界面，动态消息响应的处理过程，有很大的应用价值。     

一种新的分类评测方法

分类算法的现有评价指标存在一些问题,主要是评测数值在不同的数据集上呈现剧烈波动。为解决这一问题,通过考察数据集对分类结果的影响,提出了一种对分类算法的新评测指标new-macro-F1。这一新评测指标将数据集的因素从评测过程中独立了出来,使得new-macro-F1表示的仅仅是分类算法本身。实验结果表明使用新评测指标,同一分类器在不同数据集上的表现波动较小;通过分类器在一个数据集上的表现,可以近似的估计该分类器在另一数据集上的分类质量。     

一类快速模糊支持向量机

由H.P.Huang、C.F.Lin等人和T.Inoue,S.Abe等人提出的两类模糊支持向量机是两种类型的改进支持向量机,分别克服了过学习问题和减少了多类问题分类时存在的不可分区域。如何处理异常数据和加速训练大规模数据集是支持向量机中的急需解决的两个问题。针对这两个问题,提出了一类将两类模糊支持向量机集成的快速模糊支持向量机。训练时,根据每类数据与其类中心的距离,定义隶属函数,以加大对容易被错分样本的惩罚,利用合适的参数λ选取了每类数据中隶属度值较大的边缘数据构造模糊支持向量机,测试时,利用1-a-1和模糊支持向量机的决策函数判定未知样本的类别。含有异常数据的两类问题和机器学习数据集中手写数字识别的多类问题的实验结果,验证了提出的快速模糊支持向量机减少了训练时间同时提高了学习机的推广能力。