循环码纠错在编译码中的应用

分析了循环码的数学原理，探讨了具有较强检、纠错能力的循环码实现方法，结合实例讨论了其在编码、译码中的具体应用．     

大容量硬盘分区表的重构

通过对大容量硬盘结构体系和分区表构造的剖析，导出由逻辑容量推算分区表信息的算法，以实例给出受损分区表的重构步骤，并利用扩展的BIOS INT13中断调用恢复硬盘的主分区表的各类分区表。     

机群文件系统中一种文件迁移的客户端决策

为降低机群文件系统中文件访问的平均响应时间,提出了一种能反映机群节点上文件访问频繁程度的热量模型,在此模型的基础上给出了一种文件迁移的客户端决策,用于决定在非重负载情况下,单个文件在机群中的理想存放位置.模拟对比实验的结果显示,采用该策略,在总负载恒定的情况下,在4、8节点机群上文件访问的平均响应时间分别降低了21.6%和26.3%,在平均负载恒定的情况下,在4、8节点机群上文件访问的平均响应时间分别降低了22.2%和16.8%,结果表明该策略可以有效地降低文件访问的平均响应时间,提高系统的可扩展性,从而提高机群文件系统的性能.     

一种基于分明矩阵的启发式知识约简方法

提出了基于分明矩阵的启发式知识约简方法。在决策表的相对约简过程中采用分明矩阵来表达知识,并利用分明矩阵中项的长度和每个属性的频率作为启发信息进行属性的选择。现已证明,寻找决策表中最小相对约简问题是典型的NP hard问题。所提供的算法在大多数情况下能够找到最小约简,即使在没找到最小约简的情况下,也能找到次优解。通过实例分析,证明该算法是求解属性相对约简的快速有效的方法     

求粗糙集正域POSc(D)的表上作业法

给出了一种非常简洁的求POSC(D)的表上作业方法,此法不仅无须分别求出U/IND(C)和U/IND(D),而且省略了U/IND(C)和U/IND(D)之间的比较及求交的程序;最后,应用这一方法研究了评价和预测问题中各因素的合理赋权问题,对中国区域生态水平评价问题进行了权重挖掘,按照所得权重给出了新的评价结果.     

GDSS系统中文件缓存副本策略及其性能研究

首先针对GDSS系统中引入文件缓存副本模型的必要性进行了相关探讨,接着针对域内情况提出了一种基于访问综合评价值的文件缓存副本创建管理策略,并结合Java编写的模拟器测试工具,得到了缓存命中率和数据访问集中度,缓存时间临界值等之间的关系,然后针对该模型,详细说明了其在GDSS系统中的实现方法.     

快速成型制造中基于STL数据模型的分层算法研究

分析了针对快速成型工艺的典型分层方案；研究了针对CAD三维数据模型的典型分层算法；探讨了基于有向加权图的STL件数据模型的分层算法并给出了典型零件的分层切片实例．     

面向三维信号的分组码

设Z[3√2]是代效效域Q（3√2）的代效整效环．把商环Z[3√2]／(2^Z)的乘法单位群分解为群的直积．由此获得三维信号空间并可用来构造分组码．这些码能够改正某些错误．     

动态的 SDN 网络流量模式增量学习算法

针对基于人工神经网络的流量统计特征学习算法在动态适应性和可扩展性等方面尚显不足.提出了一种基于增长型自组织映射(GSOM)的增量学习算法,对软件定义网络(SDN)数据平面交换机的流表统计信息进行持续学习,动态获取网络流量的GSOM神经网络模型.基于DARPA99数据集的实验结果表明:所提出的算法能够通过学习确认安全的SDN流量,获得稳定、可塑的流量模式,对异常流量也有较高的敏感度.     

基于卷积神经网络的多天线Polar码联合解调-解码方案

为了验证运用神经网络进行信道解码的可行性,利用其提高短码长Polar码的译码准确率,提出了一种基于卷积神经网络(convolutional neural network,CNN)的多天线(multiple-input multiple-output)Polar码新颖联合解调-解码方案.搭建了一种包括4个卷积层,2个全连接层和1个输出层的卷积神经网络,采用最小均方误差作为损失函数,通过计算机生成了Polar码编码的多天线数据并对网络进行训练,使训练得到的神经网络能很好地提取出Polar码比特间的关系特征,从而拟合出Polar码译码函数.仿真结果表明,在相同信噪比条件下,基于CNN的Po-lar码联合解调-解码方案的误码率优于已有的基于全连接神经网络方案;所提方案在不同码率的仿真实验中的误码率皆优于基于全连接神经网络方案,损失曲线的收敛速度更快,显示了基于CNN的Polar码联合解调-解码方案具有更好的泛化能力和学习能力.