基于J2EE的网络教学支撑平台的设计与应用

采用J2EE技术建立一个基于Web的公共教学平台,具有课程开发、在线学习、智能答疑与课程辅导、作业管理、网络存储、网络考试、毕业设计管理等功能,可实现教与学的全过程管理和师生共建共享助教助学的协同工作模式。平台的开发与应用对教育教学信息化建设、课程建设与管理规范化,对充分发挥现有网络资源优势和作用、促进教学模式改革等方面都有着重要意义和实用价值。     

一种基于密度的增量式网格聚类算法

增量算法的要求是聚类特征一般是可加的、非迭代的。文中提出了一种基于密度的网格聚类算法GDCLUS，并在此基础上提出了增量式算法IGDCLUS，它可发现任意形状的聚类，具有高效、易实现的特点，适用于数据库周期性地增量环境下的数据批量更新。     

时空数据集的连接处理和优化方法研究

由于空间连接运算是空间数据库中最复杂、最耗时的基本操作,因此其处理效率在很大程度上决定了空间数据库的整体性能。目前空间连接算法基本上都是针对静态数据集的,而对于有动态数据集参与的空间连接问题研究还比较少。主要研究了静态数据集和动态数据集的空间连接问题,用R-tree和TPR-tree结构分别索引静态数据集和动态数据集。在连接中通过已经查找过的点,调整动态树MBR使筛选范围缩小,提高连接效率。     

基于项目驱动的软件工程教学模式研究

针对软件工程课程教学中存在的问题,提出基于项目驱动的软件工程教学模式,即以学生为主体、基于项目驱动进行教学,并建立科学的评价机制。实践证明该模式对于提高学生实践能力具有良好的效果。     

MES与MRPII信息集成方法研究与应用

MES（制造执行系统）就是在MRPII（制造资源规划）的基础上将计划与制造过程实现统一的系统。本文根据具体的变速箱装配线MES的工作原理,分析和研究了以MRPII（ERP）为核心的管理信息系统与MES的信息集成方法,提出并实现了基于数据库外模式下的信息系统集成框架、集成方法、接口程序设计等,成功应用并解决了MF70／65汽车变速箱装配线MES与其它信息系统的集成问题,该方法对离散型制造业企业的信息系统集成有一定的指导意义。     

一种层次信任的多粒度RBAC扩展模型

针对企业级网络应用集成环境中授权和访问控制要求,提出一种以信任角色授权的分层和多粒度的访问控制扩展模型(EmRBAC),结合NIST-RBAC的标准模型,利用可信凭证扩展用户和角色之间的层次,增加角色的信任层次,并从系统、应用、操作对象的功能和级别、操作数据的时间周期等多个维度对标准模型进行了访问权限的粒度细化,加强访问权限的多粒度控制,并通过角色状态分层预处理,降低权限判别时的复杂性,提高访问控制效率。最后以开源门户eXo Platform为实验平台,给出了模型的访问控制流程以及应用实例,以验证提出模型的有效性。     

一种层次信任的RBAC扩展模型

针对互联网应用系统平台建设中权限管理和数据访问控制能力不易扩展和重用的局限,结合SAML对NIST-RBAC的统一模型进行了改进,提出以SAML标准实现可移植的信任角色授权的访问控制扩展模型(ExRBAC).利用SAML的可信凭证扩展用户和角色之间的层次,增加角色的信任层次以加强粒度控制,同时设置分层预处理,用于降低处理权限判决点时的复杂性,并结合分层的信任角色扩展了访问认证粒度的动态性.最后以开源门户eXo Platform为实验平台,给出了模型授权流程以及在大型企业门户服务平台应用实例,验证了提出的扩展模型的有效性.     

基于安全XML的信息查询系统

XML具有自描述、开放、易扩展等突出的特性,已成为Web数据组织和交换的标准。在XML成为Web应用中广泛使用的编码方式时,许多针对XML安全性的研究工作也开展了起来。基于B/S的三层体系结构,开发了基于XML的信息查询系统,采用安全XML技术代替传统的HTML技术,实现了表示层和逻辑层之间的数据传输功能。     

N-S流程图分析及其在算法描述中的应用

N-S流程图结构元素简单,其描述算法的能力却值得进一步探讨.本文讨论分析了N-S流程图描述算法时的规范化,提出了N-S流程图的层次原则、相邻原则、内涵原则,指出了N-S流程图的引申性表现为:包含性、语义规划、用语规范和特殊说明,实例演示了N-S流程图在算法描述中的用途及其优越性.     

一种离散反向学习的萤火虫特征选择算法

特征选择是处理分类问题中重要的预处理方法,对分类的结果产生直接的影响。本文针对萤火虫算法容易陷入局部最优解的问题,提出了一种基于离散反向学习的萤火虫特征选择优化算法。首先,在算法初始化阶段运用反向学习产生较好初始解;其次,在算法搜索过程中面临停滞时,运用反向学习策略使得萤火虫快速逃离局部最优,提高了算法的多样性;最后在UCI数据集上的实验结果表明,该算法能有效获取较少的特征子集,并且获取较好的分类效果。