基于广义RoI的遥感图像压缩

针对已有的基于RoI的图像压缩方法的不足，提出在初步分割出目标后，进一步在目标的语义方面进行改善，不仅保留对视觉有重要作用的边缘信息，而且基于图像的内容以及目标的语义，保留与目标相关的区域信息．并把这部分区域与已分割出的目标构成广义ROI，最后，对广义的ROI和背景分别用不同的压缩方法进行压缩．对广义ROI采用无损压缩以保留区域信息，对其余部分采用有损压缩以保留边缘信息．实验证明本文方法允许目标近无损分割，并能在不降低压缩比的前提下增强对重建目标的理解．     

simELFN:提高Ad hoc网络TCP性能

标准TCP把Adhoc网络中的移动丢包也解释为网络发生了拥塞，从而启动拥塞控制。造成TCP性能的下降。simELFN技术利用中间节点的反馈信息并结合路由协议自身的特性，能区分丢包的本质原因，并且能避免其他反馈方法所面临的多个重复确认问题。经过分析和仿真表明simELFN能够有效地提高TCP性能。     

基于广域网的金相显微镜远程监控系统

介绍了针对大型金相显微镜设计的远程监控系统。该系统通过广域网传输监控信号，利用微机和单片机实现对金相显微镜的远程监控。同时，提出了动态适应性编码方法，从而很好地协调了传输速度和传输数据量之间的矛盾，实现了视频数据的实时传输。     

近交系BALB／c小鼠繁殖与保种方法的建立和应用

在保种繁殖过程中，采用修饰平行线系统保种法对近交系ＢＡＬＢ／ｃ小鼠进行严格兄妹交配繁殖，保持完整的谱系记录，控制饲养环境条件，成功地建立了ＢＡＬＢ／ｃ小鼠基础群及血缘扩大群，广泛提供科学研究试验应用。     

一种改进的Fuzzy c—means聚类算法

该文提出了一种改进的ｆｕｚｚｙ ｃ－ｍｅａｎｓ算法（ＭＦＣＭ）。此算法是将传统算法（ＦＣＭ）直接对样本集聚类变为对特征集聚类，从而极大提高了ｆｕｚｚｙ ｃ－ｍｅａｎｓ的速度，证明了ＭＣＭ与ＦＭＣ在分类效果上的等价性，且ＭＦＣＭ较ＦＣＭ有较低的时间复杂性，讨论了ＭＦＣＭ与ＦＭＣ空间复杂性的关系。最后数值实验证实了结论。     

细胞色素C在SAM修饰电极上的电化学行为

应用循环伏安法研究了细胞色素c在2-氨基乙硫醇自组装膜修饰金电极上的电化学行为。结果表明，细胞色素c在2-氨基乙硫醇修饰的金电极上的电子传递过程为—扩散控制的可逆反应，2-氨基乙硫醇自组装膜可用作细胞色素c电子传递的有效促进剂。依据电化学石英晶体微天平和电化学交流阻抗谱的测量结果，讨论了单分子膜的组装过程及其对促进细胞色素c电子传递的作用机制。     

空间数据挖掘技术

空间数据挖掘是数据挖掘的一个分支,在地理信息系统、遥感、导航、环境研究以及许多使用空间数据的领域中有着广泛的应用。阐述空间数据挖掘的定义、特点、体系结构与一般过程,介绍空间数据挖掘的方法和知识表达方法,指出空间数据挖掘的主要研究方向,提出开发空间数据挖掘系统的几点思考。     

基于智能聚类的内容分类方法与应用

直接依靠人的理解判断对内容进行分类,需花费大量的时间与精力,为了解决文本内容的自动聚类问题,该文在信息系统理论与自组织神经网络理论的指导下,利用智能技术得出了内容的分类结构。提出了基于智能聚类的内容分类方法,利用自组织神经网络的学习算法进行内容的聚类,并根据所提出的方法设计了基于智能聚类的内容分类示范系统,进行了应用研究,验证了该方法的有效性。     

*EI 拓扑分子格在聚类分析中的应用

本文在引入AFS代数和AFS结构的基础上,通过对AFS代数上拓扑分子格结构的讨论,给出了EM中,由一些模糊概念生成的拓扑分子格所诱导出的X上拓扑的几点性质,并利用这些性质,对一个实际例子构造了隶属函数进行聚类分析,说明了这些性质在聚类分析中的应用。     

Combined Density-based and Constraint-based Algorithm for Clustering

We propose a new clustering algorithm that assists the researchers to quickly and accurately analyze data. We call this algorithm Combined Density-based and Constraint-based Algorithm （CDC）. CDC consists of two phases. In the first phase, CDC employs the idea of density-based clustering algorithm to split the original data into a number of fragmented clusters. At the same time, CDC cuts off the noises and outliers. In the second phase, CDC employs the concept of K-means clustering algorithm to select a greater cluster to be the center. Then, the greater cluster merges some smaller clusters which satisfy some constraint rules.Due to the merged clusters around the center cluster, the clustering results show high accu racy. Moreover, CDC reduces the calculations and speeds up the clustering process. In this paper, the accuracy of CDC is evaluated and compared with those of K-means, hierarchical clustering, and the genetic clustering algorithm （GCA）proposed in 2004. Experimental results show that CDC has better performance.