基于WEB服务的工作流管理系统

首先介绍了当前工作流管理系统的一些相关概念,分析了在本系统中的一些关键技术,包括系统的体系结构,工作流模型中主要实体的XML描述及工作流执行机的设计与实现等;研究开发了一个基于Web的工作流管理系统,其中工作流过程定义采用了基于XML的过程定义语言;阐述了该系统的总体结构、设计原理和实现机制,并对该系统在实际中的应用进行了实例介绍。该系统的开发为异地办公及跨企业的合作提供了良好的基础。     

用ISD2500芯片实现的全自动语音介绍机

介绍了ISD2500系列语音录放芯片的功能特点,及利用ISD2500系列芯片及TX05D红外线反射开关设计的全自动语音介绍机的工作原理。     

特征筛选对脑-机接口信号单次提取精度的影响

脑-之机接口的核心问题之一是通信载体信号的单次提取．在构建脑控拼写器的过程中，通过“模拟自然阅读”诱发模式产生的视觉诱发电位作为人脑与计算机之间的通信载体，采用支持向量机方法进行特征信号的单次识别．为提高识别精度，详细研究了信号时程、时段的选择对模式识别精度的影响．结果表明，信号时程越长分类精度越高，时程达到300ms时，分类精度就可达到最大值（且趋于饱和）；信号时段的选择对分类精度亦有较大影响，最佳时段在靶刺激出现后约250～350ms作为起始处．这一结果为提高系统的整体速度与精度打下了基础．     

基于支持向量回归的钢材力学性能模型及应用

根据化学成分准确预测钢材产品的力学性能并及时调整相关生产的控制策略,将有效地提高钢铁生产的最终产品质量.支持向量机是一种建立在统计学习理论基础上的机器学习方法,介绍了基于此算法基础上的一种ε-支持向量回归机算法及其推导过程,建立了基于ε-支持向量回归机的钢材力学性能模型,通过实际应用表明该模型比Excel回归预测具有更高的精度.     

On-line Weighted Least Squares Kernel Method for Nonlinear Dynamic Modeling

Support vector machines （SVM） have been widely used in pattern recognition and have also drawn considerable interest in control areas. Based on rolling optimization method and on-line learning strategies, a novel approach based on weighted least squares support vector machines （WLS-SVM） is proposed for nonlinear dynamic modeling. The good robust property of the novel approach enhances the generalization ability of kernel method-based modeling and some experimental results are presented to illustrate the feasibility of the proposed method.     

LS9030学生机工作原理及常见故障分析

F9030是我校早期使用的语言学习系统,LS9030学生机属于该系统中的一部分。本文从LS9030学生机的工作原理着手,列举了在教学过程中常发生的故障现象,分析了故障发生的原因,并提出了解决的办法。笔者以实际工作经验为基础,以此文章为大家提供参考。     

安定畜草产业势头强劲

定区畜草产业抢抓西部大开发退耕还林还草和参与式扶贫整村推进工程机遇，走“种草-养畜-沼气-肥田-增收”的生态循环经济路子，发展势头更显强劲。上半年，全区存栏各类畜禽115．万头（只、匹），出栏各类畜禽48万头（只、匹），畜牧业产值达1．25亿元。     

一种基于KNN与改进SVM的车牌字符识别算法

提出了一种将KNN(K近邻)和支持向量机相结合的字符识别算法.首先用KNN对字符进行判断,如果输出的置信度大于阈值,则认为分类正确;如果小于阈值则采用支持向量机进行判决.改进了SVM分类器,通过调整支持向量机的分类超平面改进了支持向量机的性能.将算法应用到实际的车牌字符识别中,识别结果表明,这种方法在提高识别速度的同时,有效提高了字符的识别精度.     

关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

一种新的分类方法——属性均值聚类属性支持向量机(AMC-ASVM)

在属性均值聚类(AMC)与支持向量机(SVM)的基础上,提出了一个新的模式分类算法——基于(属性)聚类的属性支持向量机算法(AMC-ASVM)。主要思想是利用属性均值聚类网络得到的具有概率信息(权重)的样本,来训练属性支持向量机,从而得到分类器。这种方法结合了属性聚类的稳定性与属性支持向量机可以利用加权样本的优点,适合处理具有强噪声的数据。另外,该方法也可以看作是堆近邻分类法的自然推广。在实验部分,将其用于结肠癌基因表达数据的处理。实验结果显示了AMC-ASVM在一定程度上优于最近邻,Boosting,堆近邻,SVM等方法。