改进的Kerberos协议在建筑扬尘污染监控平台中的应用

为了解决建筑扬尘污染监控平台的网络安全问题,平台采用了安全强度较高的kerberos实体身份验证协议;并对其认证方案做了详细分析,针对不足建立一个改进的Kerberos协议模型.改进后的Kerberos协议在平台身份确认信息中加入了属性证书,更好地将实施融合到现有的系统机制中;调换了Kerberos协议中用户与服务提供者的身份,保证了原有安全机制不受影响,在一定程度上提高了身份认证系统的安全性.实验结果表明:改进后的Kerberos协议模型彻底解决了平台实施过程中的安全问题,对建筑扬尘污染监控平台的建设具有一定的理论意义和实际应用价值.     

一种新的中文文本分类算法

对于中文文本分类问题,使用了一种新的RBF神经网络算法.这一方法通过高斯径向基函数,使用k均值推导出隐藏项的中心点及宽度,并将由隐藏层得到的输出结果合并起来,从而得到分类结果.试验证明,这种算法的准确率、召回率、F测量的值都很高,得到的分类效果很好.     

学生"习得性无助感"的心理预防与调整

习得性无助感是个体经历了挫折和失败后,再度面临各种问题时所产生的一种无能为力的心理状态与行为表现,是严重威胁学生身心健康的无形“杀手”。过多的失败经历、消极的失败归因、严重的自信缺失是导致学生产生“习得性无助感”的主要原因。可从三个方面进行心理预防和调整：帮助学生建立自信;引导学生进行积极的自我归因;多为学生创造成功的机会。     

属性识别理论模型在土壤肥力综合评价中的应用

土壤肥力受到自然因素和人为因素的双重影响,而且评价指标数据集较大属于高维数据,因此对其进行客观的综合评价显得非常困难。运用属性识别理论模型和层次分析法对土壤肥力综合评价进行了研究,结果与模糊综合评价模型的评价结果相一致。运用层次分析法确定评价指标权重系数,避免了权重确定的主观性,同时该模型计算简单,适应于有评价标准的质量评价问题。表3,参12。     

改进的离差最大化决策模型及其在临近空间多任务规划中的应用

一些常用的多属性决策方法在处理多属性评价问题时,易出现评价结果相近,评价值差异较小、区分度不高等问题. 运用离差最大化思想构建的多属性决策模型,能有效拉大评价值间的差异,便于决策方案的优选和排序. 但该模型在实践中,只考虑了因属性值差异性引起的可变权重,忽略了评价指标本身的属性权重,易造成评价结果偏离真实结果. 鉴于此,对已有的基于离差最大化的多属性决策模型进行改进,综合考虑评价属性的可变权重和属性权重,设计了改进的离差最大化决策模型,并将该模型应用于临近空间多任务系统综合效能评估中,为临近空间多任务规划方案的排序及优选提供决策支持. 最后,通过算例,对比验证了该模型具有一定的适用性.     

一种使用属性表的快速概念聚类算法

形式概念分析是一种用于概念聚类的无监督机器学习技术,在数据挖掘、信息检索等很多领域中得到了应用．将概念搜索空间重新组织成一棵前缀树,并构造了一张属性表,利用表中保存的数据对前缀树进行剪枝,使概念聚类的过程仅在一些有效的子空间中执行,进而提出了一种使用属性表的快速概念聚类算法．实验结果表明,该算法在稠密和稀疏的形式背景下均优于NextClosure算法．     

属性约简在空间电力负荷预测中的应用

空间电力负荷预测是一个将总量负荷预测分配到供电小区的过程,涉及空间信息量多,影响其未来小区使用的因素也多,这就需要大量的存储空间和较长的运算时间.粗糙集是一种新型的数据分析方法,属性约简是其主要算法,它不需提供问题所需处理的数据集合之外的任何辅助信息.因此采用粗糙集(Rough Set)区分矩阵法对空间电力负荷预测中可能影响小区用地决策的相关属性进行约简,去除冗余属性,得出决定小区用地类型的决策规则,取得了较好的效果,提高了整个负荷预测效率.     

基于Arc View GIS煤矿安全生产地理信息系统的开发

为了全面提高和改善煤矿企业的安全管理水平,针对煤矿空间数据较多的实际情况,结合Arc View的突出特色空间数据和属性数据动态关联统一管理的特点,采用Arc View GIS和VB、VC等软件进行煤矿安全生产地理信息系统的开发。系统的开发过程是开放性的,用户可以根据生产过程中的实际变化对系统中的视图和属性表进行实时的增删、修改等编辑操作,使系统不断得以更新和完善。实践证明该系统运行可靠性较高、稳定性好、实用性较强。     

最小相关性最大依赖度属性约简的改进算法

对于决策表的属性约简,通过分析最小相关性最大依赖度属性约简算法,得到了一种更加完善的最小相关性最大依赖度属性约简算法,并通过实例验证其可行性.     

基于粗糙集的增强学习型分类器

为了提高分类的精确度,提出一种基于粗糙集理论的增强学习型分类器。采用分割算法对训练数据集中连续的属性进行离散处理;利用粗糙集理论获取约简集,从中选择一个能提供最高分类精确度的约简。对于不同的测试数据,由于离散属性值的变化,相同的约简可能达不到最高的分类精确度。为克服此问题,改进了Q学习算法,使其全面系统地解决离散化和特征选择问题,因此不同的属性可以学习到最佳的分割值,使相应的约简产生最大分类精确度。实验结果表明．该分类器能达到98％的精确度．与其它分类器相比．表现出较好的性能。