Excel的快速输入技术

从选定式快速输入、同时输入多个相同数据、输入时固定小数位或自动补“０”、自动填充、记忆式键入以及充分利用“分列”功能等方面，探讨Ｅｘｃｅｌ的快速输入技术．     

用于插导频和装帧的多速率接口设计FPGA实现

本文主要介绍一种FPGA用于数据接口的设计方法,伪码序列因为自相关性好通常用于信道估计、测距等。本文讨论伪码序列作为导频按一定帧结构与待发数据组帧以及当输入数据有多种速率时,通过填充随机数,达到与系统运行速率匹配的方法以及如何在接收端去除填充数和导频,还原出原始数据。     

一类大型矩阵的快速输入方法

在科学研究和工程规划设计中，经常会遇到相同元素较多但又不规则的大型矩阵的计算机输入问题、常规的输入方法都有较多的缺陷。为此，对该类矩阵中任意一行进行分析，把它归结为两类序列的输入，并给出了其快速输入方法的算法及程序，然后用一实例给予验证。通过实践证明，此快速输入方法具有实现算法简便、灵活、快速、通用、校核方便等优点。     

基于残差融合的时序数据离群点检测算法

物联网的快速发展产生了海量的高维时序数据,然而时间序列易受到外界变化的环境因素影响而产生离群点。针对现有的离群点挖掘算法不能兼顾时序数据的趋势性、季节性、循环性、不规则性的特点,从而导致检测效果不理想的问题,提出一种基于残差融合的时序数据离群挖掘(residual integration outlier,RIO)算法。首先利用线性自回归移动平均模型(autoregressive integrated moving average model,ARIMA)拟合数据,得到在相同时间粒度下的残差序列,并将该序列作为非线性模型长短期记忆网络(long short-term memory,LSTM)模型的输入,输出残差序列预测值,而后将经由ARIMA模型与LSTM模型处理的序列在相同时间粒度下融合,得到一条经由混合模型两次处理的残差序列。最后,利用基于直方图的离群点模型(histogram-based outlier score,HBOS)检测出该二次残差序列的离群点。实验表明,RIO算法的准确度得到了较为明显的提高,具备良好的实用价值。     

Excel条件格式在教务管理中的运用

Excel条件格式可以根据单元格内容有选择性地自动应用格式,能给教师的教务管理工作带来许多便利。尤其结合公式灵活应用条件格式,可以快速地标识包含文本的单元格,标识两个列表中不相同的数据,标识前几名的数据,标识满足特殊条件的日期,让工作表间隔固定行显示阴影,判断输入数据的正确性,显示选中单元格所在行、列,快速查找和定位数据,自动绘制进度图表。     

大型数字电路的动态电流测试模式

组合逻辑电路的最大动态电流测试应在电路的原始输入端施加一个特定的测试序列才能实现.文中提出一种算法模式可以快速生成所需的测试序列.算法与电路的原始输入端数无关.     

牦牛测序数据缺失值填充的方法比较

快速准确的基因组分型技术已经在动植物遗传分析、人类遗传疾病治疗预测中被广泛使用,然而高通量深度测序数据的成本高,且多种测序数据进行联合分析时往往共有的基因位点会非常少,基因组测序数据的基因型填充技术可以用来解决这两种问题.牦牛是青藏高原特有大型家畜,其独特的遗传结构、群体构成以及基因组复杂度使牦牛测序数据更不容易被准确的填充.为了解决牦牛测序数据含有较多缺失值的问题,用编写的StochasticImpute函数、R语言中的impute.knn算法和BEAGLE软件三种方法,探讨不同的缺失率条件下的填充匹配率、相关性和填充耗时.结果表明,在测序数据较少的情况下,BEAGLE软件是三种填充方法中填充准确率最高的,然而StochasticImpute函数和impute.knn算法填充耗时较短.这些结果表明,利用基因型填充的方法可以填充数据较少并且含有较多缺失值的牦牛测序数据.     

可变2n点流水线FFT处理器的设计与实现

设计一种可以连续计算N点复数序列傅里叶变换(FFT)的流水线结构处理器,其序列长度N(为2的幂)可变.流水线结构由乒乓存储器将基本运算模块级联而成,对输入数据的顺序以及流水运算的级数加以控制便可计算不同长度序列FFT.给出了由序列长度控制输入数据倒序、旋转因子寻址以及数据输出的实现方法.数据采用块浮点表示,提高了运算精度.用硬件描述语言VHDL在寄存器传输级(RTL级)进行描述,并在单片FPGA上实现.该芯片可工作在80 MHz,连续计算时,处理长度为1 024点的序列仅需12.8 μs.     

基于复杂网络的交通序列数据特性

为了进一步研究交通流特性,采用复杂网络方法对交通序列数据进行分析。提出了箱型图-聚类算法模型用于识别和填充初始数据中的缺失值和异常值;通过相空间重构方法将一维数据重构为网络节点,选取连接阈值确定网络节点的连接关系,将交通序列数据构建为复杂网络,对复杂网络的结构和定量指标进行分析。研究结果表明交通序列数据复杂网络的结构一定程度上可以反映路段的交通流状态。该结果有助于优化数据预处理方法,拓展复杂网络在交通序列数据研究中的应用。     

基于注意力机制的LSTM长江汛期水位预测方法研究

为提高长短期记忆网络(Long Short-Term Memory,LSTM)在水位预测任务中的准确性,以及提高LSTM对数据中时空信息的利用率,本文提出了一种基于Softmax函数的注意力模块,并将其应用在LSTM的输入前,使模型可以根据输入数据中的时间和空间信息,自主地生成带有权重的词义向量,并赋予输入序列时间和空...     

一种磁盘数据快速销毁算法

介绍一种磁盘数据快速销毁算法,算法的初始密钥由单向散列算法、非对称加密算法、随机二进制填充和对称加密算法进行混合处理后,磁盘上的数据在存储时就可以处于一种理论上难以恢复的随机加密状态．在进行数据销毁时,只需要销毁极少量数据,就能够在极短时间内使大量数据不可恢复,从而实现磁盘数据的快速销毁．     

基于CNN和RNN的自由文本击键模式持续身份认证

个人击键节奏模式具有很难被模仿的特点并可以用于身份认证。根据个人自由文本输入时的击键数据可以学习到个人独有的击键模式。基于对用户自由文本击键输入的检测,能够在不影响用户输入的情况下完成对用户身份的持续认证。该文提出将整体击键数据划分成固定长度的击键序列,并且根据击键的时间特征将击键序列中的击键时间数据转化成击键向量。使用卷积神经网络(convolutional neural networks,CNN)加循环神经网络(recurrent neural networks,RNN)的模型进行个人击键向量序列进行学习,用于身份认证。结果表明:模型使用公开数据集进行实验获得最优拒真率(false rejection rate,FRR)为1.95%,容假率(false acceptance rate,FAR)为4.12%,相等错误率(equal error rate,EER)为3.04%。     

DBMS聚簇技术在用户相关数据管理中的应用分析

Oracle DBMS[1]提供一种聚簇技术用于管理用户数据,即利用聚簇数据表关联序列决定数据物理存储位置,依据多个相关数据表中标识对象同一属性的相同字段键值建立存储索引,从而快速确定用户某类数据物理存储数据块,提高数据检索效率。     

考虑加权排序的分类数据聚类算法

针对部分聚类算法对数据输入顺序敏感的问题,定义了不干涉序列指数,提出了应用不干涉序列指数对分类数据进行加权排序的方法,并基于该方法对受数据输入顺序影响的CABOSFV C分类数据高效聚类算法进行改进,提出了考虑加权排序的聚类算法(CABOSFV CSW),消除了算法对数据输入顺序的敏感性.采用UCI基准数据集进行实验,发现应用加权升序排序的CABOSFV CSW算法在处理分类数据时,聚类质量较原始CABOSFV C算法和其他受数据输入顺序影响的算法在准确性上有改善,在稳定性上有显著提高.     

递归神经网络研究综述

递归神经网络(RNN)因具存储特性,可以处理前后输入有关系的序列数据,故广泛应用于文本音频、视频等领域.当输入间隙较大时,RNN存在短期记忆问题,无法处理很长的输入序列,而长短期记忆(LSTM)能很好地处理长期依赖性问题.自LSTM提出以来,几乎所有基于RNNs的令人兴奋的结果都是由LSTM实现的,因此LSTM成为深度...     

一种O(n+nlog2m)时间复杂度的排序算法

通过分析任意输入的n个数据的组成特性,设计一种O（n nlog2m）时间复杂度的排序算法,m为原始输入数据序列中有序／逆有序的子序列个数,1≤m≤n/2。此排序算法的时间复杂性结果与输入数据的概率分布假设无关。     

基于数据挖掘的金融时序频繁模式的快速发现

针对金融时间序列分析中注重快速作出趋势判断的特点,利用数据挖掘的思想和工具,提出一种金融时间序列模式快速发现算法.与传统的预测算法相比较,该算法对数据的分布和平稳性等方面的要求不高,不基于任何假设,能够非常快速地发现时间序列中的频繁模式,经过模式匹配后,可以用于金融时间序列的分析与预测.以实际汇率数据为例,证明了该算法的有效性.     

自动机运动规律图像特征点的提取方法研究

本文通过分析高速图像非接触法自动机运动参数测试系统采集图像的数据特点,利用光斑区域预测法,预测光斑在图像序列中的区域,确定处理的矩阵范围,实现了数据的快速处理;研究了针对自动机运动规律的反射光斑图像特征点的处理算法,图像经中值滤波后,采用算子边缘检测及生长、填充后,用亚像素识别技术中灰度重心法,进行了光斑中心定位。     

Excel快速输入技巧

在Excel工作表中,灵活使用各种输入技巧,简捷快速地输入信息,提高工作效率。介绍了Excel工作表中自动填充、自动更正、“替换”命令、复制／粘贴命令、快捷键、“选择列表”命令的使用技巧。     

基于神经网络的行驶时长预测

定位设备的普及产生了海量的车辆行驶数据,使得利用历史数据预测车辆行驶时长成为可能.车辆行驶数据由两部分组成:车辆行驶经过的路段序列信息和出发时段;路径总长度等外部信息.如何提取路段序列特征,以及如何将序列特征与外部特征有效地融合,成为预测行驶时间的关键问题.为解决以上问题,提出了一个基于Transformer的行驶时间预测模型,模型由路段序列处理模块和特征融合模块两部分组成.首先,路段序列处理模块使用自注意力机制处理路段序列,提取路段序列特征.该模型不但可以充分考虑各条路段与其他路段间道路速度的时空关联性,同时可保证数据并行输入模型,避免了使用循环神经网络时数据顺序输入导致的效率低下.其次,特征融合模块将路段序列特征与出发时段等外部信息相融合,最终获得预测的行驶时长.在此基础上,统计路口连接的路段数作为路段的上/下游路口特征,与路段特征结合输入模型,进一步提升了行驶时长的预测精度.在真实的数据集上与主流预测模型进行的对比实验表明,该模型在预测精度以及训练速度上均有提升,体现了所提模型的有效性.