异构集成学习中的观察学习机制研究

集成学习是提高分类精度的一种有效途径,已在许多领域显示出其优于单个分类器的良好性能。观察学习是一种基于社会学习理论的集成学习方法,以往对其研究集中于同构模式。在此提出了基于异构模式的观察学习策略,通过训练、观察、再训练三个阶段完成学习。在UCI标准数据集上对异构环境下的观察学习算法进行了实验研究。结果表明,该方法优于多数投票法和单个分类算法,其对弱分类器组成的分类器集合尤其有效。从偏差/方差分解的角度对观察学习提高分类性能的原因进行了论证,结果表明,观察学习算法既可以降低偏差,也可以降低方差。     

从图像中快速检测直线的并行算法

提出了一种在具有可扩展机群体系结构的通用超级并行机环境下的快速直线检测算法．采用最优域划分法将原图像进行NXN等面积划分，并映射到并行系统各节点的局部坐标下进行直线检测．通过先后两次在Hough变换的扫描过程中提前引入闽值作用，可有效减小计算的复杂度．同时证明了，划分后的子图像采用原阈值的1／（2N-1）进行检测，可满足原图像中的直线目标不丢失的要求．实验结果表明，所提算法具备高鲁棒性和强抗噪能力，能有效提升加速比，该比值的最大值可为25．320．     

软件体系结构动态特征建模与验证

针对软件体系结构描述语言在分析、验证软件构架动态行为中的不足,采用谓词/变迁(Pr/T)网为软件体系结构动态行为建模,并提出了基于线性时序逻辑的软件体系结构动态行为模型验证方法.首先根据体系结构层次模型扩展Pr/T网建立体系结构动态行为模型(DFM)并构造DFM的可达图,然后使用基于自动机理论的方法来验证模型的时态逻辑性质,最后通过对一个电子商务系统实例的并发控制机制建模和模型检测,验证了该方法的有效性.所提方法结合了Pr/T网和线性时序逻辑的优点,为进一步开展软件体系结构动态行为的分析、验证奠定了基础.     

基于体系结构描述的软件测试技术

在软件结构描述语言的基础上,研究了组件之间交互所引起的错误测试,并提出静态分析和动态测试模型.静态模型通过检查组件端口及其所允许的消息类型来约束构件的交互,动态模型通过Petri网刻画组件执行过程中的动态行为,生成动态行为图.在此基础上,又提出了测试充分性准则和测试需求,根据不同的体系结构抽象层次,基于不同的路径覆盖级别,生成测试用例,由此平衡开发成本、进度与质量需求之间的关系.最后,以客户/服务器结构为例说明该方法是适用的.     

一种基于时频域归一化二次谱的信号特征检测方法

针对传统的基于傅里叶变换的信号特征检测方法在频率域内没有考虑时间分辨率，而基于小波变换的方法对缓变信号特征检测困难等问题，提出了一种基于时频域归一化二次谱的信号特征检测新方法．该方法首先在频率域内对原始信号的振幅谱进行傅里叶变换，再将其归一化，获得归一化二次谱，这种二次谱的自变量具有时间量纲，它既能反映信号的频率特征，也能反映信号的时间特征．然后，基于二次谱进行特征检测，同时可采用补零或加窗等方法对数字信号进行处理，以防止频谱泄露，从而克服了单纯频谱分析的不足．针对大型杆件与石油管线传导信号的特征检测结果表明，所提方法能对被测物的完整性做出准确、有效的诊断．