归并数据回归模型的半参数估计方法

基于受限因变量的生存函数,构造归并数据回归模型的一个新的半参数估计量, 并设计多项实验与HP估计量进行模拟比较. 模拟显示, 所构造的估计量具有较好的小样本表现.     

一种快速线性原地二路归并算法

将内部缓冲技术、浮洞技术与分治技术相结合-提出了一种快速线性原地二路归并算法。归并长度 分别为m和n的2个有序子表（m≤n）该算法最多需要　2.5m＋1.5n＋次比较和7m+6n+ 5041次移动。如进一步降低系数-并与其他好的排序算法有机结合-理论上的原地二路归并算法必将成 为比快速排序更实用的算法。因此该线性原地二路归并算法具有较高的理论和实用价值。     

一种基于数据块交换的快速稳定原地归并算法

与其它排序算法相比.二路归并最适合于对2个有序子表进行排序。归并长度分别为m和n的2个 有序子表,经典算法有2种/第一种算法完成归并需要附加O(m+n)的空间,O(m+n)次比较和移动/第 二种算法是原地的.但完成归并需要O(m+n)次比较和O(m*n)次移动,提出了一种基于块交换的快速 稳定原地二路归并算法.实验证明,该算法与以前的原地算法相比,大大降低了元素的移动次数.     

以多肽组分特异性和GC含量分类细菌的有效性分析

本文研究了细菌的蛋白质多肽组分统计特征与基因组GC(Guanine+Cytosine)含量的相关性,发现当多肽长度较小时多肽组分特异性与GC含量存在着很强的关联;随着多肽长度增加,上述关联发生突变,关联迅速丧失.这一结果表明,基于组分特异性确定细菌亲缘关系的方法的确给出了不同于GC含量的信息,从而能实现有效分类.     

主题探索活动中幼儿分类能力的培养与发展

分类是把相同的或具有某一共同特征（属性）的东西归并在一起。幼儿学习分类能帮助他们感知集合：当幼儿把相同的或具有某一共同特征的东西归并在一起进行分类时,也就形成了某种物体的集合;分类还是计数的必要前提,要确定某物体组的数量,首先要将一类物体与其他物体区别开,才能进行计数。分类是形成概念的基础,它能促进幼儿分析、综合等思维能力的发展,幼儿进行分类时,     

FD集归前依赖集的左部联合集

基于左部联合集,给出了归并依赖集的左右部冲突的概念。同时讨论了对无内部冲突的ＦＤ集,归并依赖集的左右部冲突与无ａ环、３ＮＦ数据库模式分解的关系。     

定性贝叶斯网络中归并计算的进一步探讨及应用

在定性贝叶斯网络符号传播算法的基础上,根据实际问题的需要提出了算法中归并运算的改进方法.改进中区分汇连形式各原因节点的逻辑关系,进而提出逻辑或关系在归并过程中应当采用⊕算子,逻辑与关系采用算子的结论,并通过案例验证了结论在一定范围内的正确性.     

基于归并算法的高速LDPC流水线译码器设计与实现

LDPC码是一种纠错能力极强的编码,已广泛用于新一代数字电视,深空探测,卫星通讯等多种领域,基于不同要求出现了许多不同的编码标准,所以定制化的LDPC码译码算法的硬件实现已成为当今的研究热点之一。为满足卫星通信中高速数据传输的需求,使用LDPC码Normalized最小和译码硬件实现算法以及归并算法原理,并结合FPGA适合并行计算的特点,提出一种基于流水线的部分并行LDPC译码的FPGA设计,通过仿真和实验,最终完成满足卫星高速通信需求的LDPC译码器设计。最终使用Altera公司FPGA上完成译码器设计,整个系统在时钟频率为150 MHz的条件下,数据处理速率达到1.5Gb/s以上,数据吞吐率达到750 Mb/s纠错性能优异,完全满足卫星高速数据处理要求。     

基于注意力网络特征的社区发现算法

现实世界中许多网络都是根据社区结构紧密组织起来的, 发现社区对于了解复杂网络的结构及其关系有很大的帮助, 文中提出了一种基于注意力网络特征的社区发现(community discovery algorithm based on attention network features, CANF)算法, 利用标记节点频率和反示例节点频率度量初始网络标记特征, 并且引入注意力机制, 对示例节点的每个邻居节点更好地分配权重, 将初始权重与分配权重相结合, 使初始度量的网络特征获取更多与目标有关的细节信息。文中通过分配的注意力网络特征进行复杂网络预处理以及社区博弈归并, 于真实网络中进行验证, 实验结果表明, CANF算法在准确度、模块度以及运行时间方面优于其他社区发现算法。     

任意分布数据的映射归并排序算法研究

针对银行业务管理、高考成绩统计、气象资料整理等一类特殊“汇总”排序问题。文中提出了一种以映射、链接和归并为基础的新排序算法－映射归并排序算法（以下简称为“映射归并排序”）,给出了该排序算法的描述、时间复杂度分析及用C语言编写程序进行算法比较的实验结果。算法分析和实验结果都表明：映射归并排序方法和待排序数据分布无关,其时间复杂度仅为O（N）;而且在处理上述大规模“汇总”排序问题时,映射归并排序速度明显优于Flash Sort,Proportion Split Sort,2－路重复的K路归并排序和直接K路归并排序等算法。