基于Agent和无线传感器网络的普适计算情景感知模型

研究了普适计算中的情景感知（上下文感知）技术,以无线传感器网络为基础架构,引入Agent技术构建了情景感知模型。从Agent的知识表示和推理、中间件理论、数据管理和自然交互接口等方面探讨了该模型的结构和内容。并通过“智能家居”的应用示范,论述了该模型的可实现性。     

普适计算的访问控制研究

普适计算环境是由移动用户、系统的服务、嵌入在物理环境的传感器和资源组成的联合环境．用户在该环境中能够在任何时间任何地点访问资源．但是保证这样应用的安全是很困难的,因为相互合作的实体具有事先不可预知性,传统的在静止的、封闭的环境中基于身份的访问控制方法是行不通的．提出了普适计算的动态访问控制模型．模型的操作过程表明它适合普适计算应用．     

普适环境下的智能地理信息服务研究

随着普适计算的兴起,普适环境下智能地理信息服务也得到广泛的应用,已成为地理信息系统(geographical information systems,GIS)研究中的一个热点.结合普适环境中智能信息服务的特点,针对GIS自身关注的内容,提出了普适环境下智能地理信息服务的体系结构,分析了其中的关键技术,并给出了应用实例,说明了其可行性和实用性.     

普适环境下的智能地理信息服务研究

随着普适计算的兴起,普适环境下智能地理信息服务也得到广泛的应用,已成为地理信息系统(geograph-ical information systems,GIS)研究中的一个热点。结合普适环境中智能信息服务的特点,针对GIS自身关注的内容,提出了普适环境下智能地理信息服务的体系结构,分析了其中的关键技术,并给出了应用实例,说明了其可行性和实用性。     

普适计算对我国IT行业的挑战

普适计算是正在发展的一种新的计算模式，硬件技术、软件技术、通讯技术、网络技术等是普适计算发展和普及的关键技术．我国在普适计算时代面临着巨大机遇和挑战，所以应积极研发具有自主知识产权的普适计算技术，加大开发普适计算市场的力度．     

普适计算中的位置感知综述

位置感知计算是普适计算中的重要研究内容之一。根据国外已有的各种位置感知系统及其优缺点，总结了在普适计算环境中位置感知的特点。分析了现有位置感知技术在普适计算环境中的特性。最后指出普适计算中位置感知研究的方向。     

普适计算中多媒体技术的应用与制约因素

根据普适计算发展的现状总结提出了普适计算的特点；从普适计算的核心技术出发，分析了多媒体技术中的数字语音技术、数字视频(图像)技术等在普适计算中的重要作用以及制约普适计算发展的重要因素，展望了普适计算的发展前景．     

一种协调机器学习方法研究

就协调机器学习进行讨论，给出该种学习方法的数学模型。     

普适计算应用的结构模型

普适计算随着分布式计算和移动计算的发展而出现．分析了普适计算的特征和需求,提出了一个针对普适计算系统应用的包含上下文感知和服务发现机制的框架设计模型,并进行了深入讨论．     

情境感知普适服务平台PerServ

研究了普适服务协同机理,结合普适环境下情境信息的特点,提出了情境感知的普适服务平台PerServ.用户通过平台提供的接口提交任务,系统解析用户任务,并将其指派给当前可用的普适服务.该平台能够有效获取、管理和使用情境信息.服务组合过程考虑了服务功能,而服务执行过程则进一步考察了服务的情境信息,以此构建服务路径,在运行时根据情境信息的变换,动态演绎服务路径,从而有效满足用户需求.PerServ平台在实现中采用agent技术,服务agent用于设备管理和服务注册,并且实时接收系统的指令,执行相应的服务,服务agent在多个服务协同工作过程中起到了服务协调者的作用.     

基于线性规划的ν-支持向量机分类器

Scho..lkopf等提出的基于二次规划的ν-支持向量机(ν-SVM)与标准SVM相比,其优势在于可以控制支持向量的数目和误差,但由于增加了模型的复杂性,限制了其应用.为此,构造了一种基于线性规划的ν-SVM分类器,模型简单,参数ν具有明确的意义,同样可以控制支持向量的数目和误差,直接利用比较成熟的线性规划算法.数值实验表明,该方法ν-SVM的训练速度要比基于二次规划的ν-SVM快得多,而分类效果两者相当.     

支撑矢量机的改进分类器算法

支撑矢量机是20世纪90年代中期发展起来的机器学习技术，改进分类器算法通过增大广义最优超平面的分类间隔，实现了识别能力的提高，在此基础之上，参选取部分训练样本，来提高优化速度，而且不会降低分类能力，从而能够同时提高支撑矢量机的识别率和降低时间复杂度，为支撑矢量机的应用提供了一种有效的实用化方法，实验结果表明，该方法在可分性得到显著提高的同时提高了速度。     

Research on internet traffic classification techniques using supervised machine learning

Internet traffic classification is vital to the areas of network operation and management. Traditional classification methods such as port mapping and payload analysis are becoming increasingly difficult as newly emerged applications (e.g. Peer-to-Peer) using dynamic port numbers, masquerading techniques and encryption to avoid detection. This paper presents a machine learning (ML) based traffic classification scheme, which offers solutions to a variety of network activities and provides a platform of performance evaluation for the classifiers. The impact of dataset size, feature selection, number of application types and ML algorithm selection on classification performance is analyzed and demonstrated by the following experiments: (1) The genetic algorithm based feature selection can dramatically reduce the cost without diminishing classification accuracy. (2) The chosen ML algorithms can achieve high classification accuracy. Particularly, REPTree and C45 outperform the other ML algorithms when computational complexity and accuracy are both taken into account. (3) Larger dataset and fewer application types would result in better classification accuracy. Finally, early detection with only several initial packets is proposed for real-time network activity and it is proved to be feasible according to the preliminary results.     

基于社会计算和机器学习的垃圾邮件识别方法的研究

在对目前各种垃圾邮件识别方法进行研究分析的基础上,结合社会计算的理论和机器学习的方法,提出了一种新的垃圾邮件识别方法。通过利用邮件头部中能反映联系人社会关系的特征来构造一张联系人来往关系图对垃圾邮件进行初次识别,对于无法确定存在社会关系的联系人的邮件再利用机器学习的方法进行识别。实验结果表明,采用该方法进行垃圾邮件识别较之单纯采用贝叶斯方法,识别准确率有了较大的提高,同时,识别时间得到降低。     

最大相关最小冗余限定性贝叶斯网络分类器学习算法

朴素贝叶斯分类器 (naive bayes) 是一种简单而有效的基于贝叶斯思想的分类方法,但它的属性条件独立性假设并不符合实际,影响了它的分类性能。BAN (bayesian network augmented naive bayes) 分类器扩展了朴素贝叶斯分类器,使其表示属性之间依赖关系的能力增强,但是其学习算法需要大量的高维计算,在小采样数据集上,影响BAN分类器的分类性能。基于改进的最大相关最小冗余特征选择技术,提出限定性贝叶斯网络分类器学习算法 (k-BAN)。本算法使用改进的最大相关最小冗余特征选择技术,通过选择属性结点的连接关系集合建立属性之间的依赖性关系。将该分类方法与NB,TAN和BAN分类器进行实验比较。实验结果表明,在小采样数据集上,本算法获得的限定性贝叶斯网络分类器具有更高的分类准确性。     

模糊神经网络分类器的主动学习方法

针对模糊神经网络分类器设计过程中所遇到的样本采样与标注过程耗时、代价大的问题,提出了一个新颖的模糊神经网络分类器主动学习方法,以最小-最大边界法以及确定样本的不确定性闽值两个新概念为主动样本选择准则,确保选择其中信息量尽可能大的样本进行标注,使得网络设计过程中对未标注样本的标注工作量和时间大为减少．实验结果表明,该方法与模糊神经网络的被动学习模型相比,训练样本数目大为减少,训练时间大大缩短．     

基于机器学习方法的区间组合预测模型优化

随着数据量的不断增多,对于预测精度的要求也越来越高。引入了机器学习中的损失函数和梯度下降算法,与传统的线性规划求解组合系数方法相比,简化了计算步骤,在保证精度的同时也提升了算法对大量数据的处理能力。最后通过实例表明,基于机器学习方法的区间组合预测模型能够有效地提升预测精度。     

普适计算安全体系结构研究

随着目前国际上普适计算研究的发展趋势,国际上对普适计算的研究主要集中在人机接口和上下文感知计算等领域,国内对普适计算的研究主要集中在多模态的智能空间领域.提出了一个普适计算安全体系结构的参考模型,并简要讨论了该参考模型的3个关键研究内容,安全系统层、安全计算层和安全协同层.并列举了一个模型实例.