关于文章的“题名”

<正>题名,是论文的总纲,是能反映论文最重要的特定内容的最恰当、最简明的词语的逻辑组合。题名应准确得体,简短精练,便于检索,容易认读。题名中应使用规范的缩略语、符号、代号,非常见的外文科技名词和化合物名称应写全称。     

一种基于贝叶斯的渐进式图像匹配框架研究

提出了一种新的渐进式图像匹配框架,将图像匹配与图像概率更新结合在一起解决这一问题.该框架在当前匹配结果上,利用贝叶斯方法对最可信目标图像进行高效的重新估算,并且可保证提高后续的图像匹配效果.实验结果表明,与一次性图像匹配方法相比,所提方法的匹配性能更优.此外,即使是对外观发生变化及包含远离主体对象的图像场合,所提方法性能仍然健壮.     

北京教育学院附属中学

<正>北京教育学院附属中学是在首都教育追求优质均衡发展、西城区教育资源深度整合、实现跨跃式发展的背景下,于2008年由西城区教委与北京教育学院联合创办的一所全日制完全中学。学校现有教学班36个,学生1100余名,教职工190余名其中,     

互联网能耗和性能优化的权衡模型

互联网能耗和性能互为矛盾已经成为网络研究人员的广泛共识. 目前的研究方法通常仅将其中一个方面作为主要问题，而将另外一方面作为次要问题来解决. 因此，如何将互联网能耗和性能作为同等重要的指标进行协同优化，是本文所要研究的问题. 本文提出了一种通用优化模型来实现减小互联网能耗的同时提升网络性能. 为将其应用于实际，本文通过引入并定义代价函数和功率-带宽函数，将该通用模型具体化为一个线性规划模型. 评估结果显示，该线性规划模型的最优解能够同时降低网络的最大链路利用率和能耗，并且使得这两者中的每一个指标均近似于对其进行单一优化的模型的最优解，从而实现了对网络能耗和性能的协同优化. 与当前互联网相比，在最大链路利用率方面，本文所提出模型的最优解最多可将其减小60.6%，最少减小45.8%；在能耗方面，该模型的最优解最多可将其减小83.3%，最少减小56.7%.     

渐进决策模型在户籍制度改革中的应用--以上海“居住证转户籍”政策为例

上海的户籍制度改革体现了渐进决策理论模型的特征，通过调整户籍政策将附着在户籍制度上的利益进行合理调整与再分配，从而达到特定时期内不同利益群体间的利益均衡。该文拟以居住证时代为背景，通过剖析上海“居住证转户籍”政策来阐述渐进决策模型在上海户籍制度改革中的运用。     

联校模式下农村义务教育均衡发展的现状研究——以咸宁市崇阳县为个案调查

咸宁市崇阳县教育局积极响应国家义务教育均衡发展的政策，探索了一种适合山区农村义务教育的新型办学模式，大力改善农村中小学的办学条件，走出了一条农村教育均衡发展的新道路。     

Ⅱ型双截尾下逆威布尔分布尺度参数的估计

基于Ⅱ型双截尾样本,通过极大似然法得到了尺度参数极大似然估计的迭代公式.选取尺度参数的先验分布为无信息分布和伽玛分布,分别在平方损失和熵损失下,给出尺度参数的贝叶斯估计.利用Monte-Carlo模拟比较了各种估计的均方误差,结果表明,当选取伽玛先验和熵损失时,参数的贝叶斯估计最优.     

基于ADRC的经济增长分析

中国经济目前位于高储蓄、低消费的发展路径,如何安排合适的经济转型路径,使得经济走向长期最优均衡,具有重要的现实意义.然而,由于经济系统的复杂性,人们很难运用基于受控对象精确信息的控制方法来设计合理的增长路径.自抗扰控制(ADRC)是一种独立于模型的误差反馈控制方法,其自然地反映了理性人的决策思维.本文首先对比了当经济增长模型的均衡解存在显示表达式时,运用ADRC与最优控制这两种不同方法所取得的控制效果.研究表明,ADRC有助于合理安排经济发展路径以降低效用损失.如果再考虑到经济周期、技术进步等因素对经济带来的影响,此时通过最优控制方法就只能获得均衡解的稳态值.本文以稳态资本存量作为参考目标,运用ADRC对此进行分析.结果表明,ADRC仍然可以给出较优的经济发展路径,使得经济在"稳与快"间保持平衡,引导经济走向长期稳态均衡.     

云南高原湖泊群的统计学聚类识别 及水质响应模式研究

为探究湖泊群水质变量的响应模式,构建适用于监测数据匮乏的湖泊群聚类和响应模式识别方法体系(PCA-BN),包括4个步骤:数据预处理、PCA降维与湖泊聚类、贝叶斯网络构建及参数学习、湖泊响应关系模拟。以云南高原湖泊群为例开展研究,结果表明:所研究的26个湖泊可分为两类;由于第一类湖泊受到的人为干扰更严重,因而叶绿素a对总氮和总磷的响应比第二类湖泊更敏感;第一类湖泊表层水温高,溶解氧趋近饱和,随叶绿素a变化不显著,第二类湖泊溶解氧随叶绿素a升高而显著升高;两类湖泊的透明度与叶绿素a的关系一致。     

Privacy Quantification Model Based on the Bayes Conditional Risk in Location-Based Services

The widespread use of Location-Based Services(LBSs),which allows untrusted service providers to collect large quantities of information regarding users’locations,has raised serious privacy concerns.In response to these issues,a variety of LBS Privacy Protection Mechanisms(LPPMs)have been recently proposed.However,evaluating these LPPMs remains problematic because of the absence of a generic adversarial model for most existing privacy metrics.In particular,the relationships between these metrics have not been examined in depth under a common adversarial model,leading to a possible selection of the inappropriate metric,which runs the risk of wrongly evaluating LPPMs.In this paper,we address these issues by proposing a privacy quantification model,which is based on Bayes conditional privacy,to specify a general adversarial model.This model employs a general definition of conditional privacy regarding the adversary’s estimation error to compare the different LBS privacy metrics.Moreover,we present a theoretical analysis for specifying how to connect our metric with other popular LBS privacy metrics.We show that our privacy quantification model permits interpretation and comparison of various popular LBS privacy metrics under a common perspective.Our results contribute to a better understanding of how privacy properties can be measured,as well as to the better selection of the most appropriate metric for any given LBS application.