核心元素的特征及其在决策树生成中的应用

利用粗糙集约简的辨识矩阵，给出属性是核心元素的充要条件为该属性是辨识矩阵中单元素集．利用上近似与下近似给出了判断是否核心元素的两个充分条件，指出利用核心元素简化决策树比用熵函数ID3方法简化的决策树更简单．     

利用矩阵运算实现故障树参数间转化

为减少FTA的NP困难,在充分研究故障树主要参数(最小割集、最小路集、不交化最小割集和不交化最小路集)之间内在联系的基础上,找到了它们间相互转化的方法,并通过割集矩阵的运算加以实现.这些转化方法,为减少NP困难、简化FTA开辟了新途径.     

故障树分析法在挖泥船故障诊断中的应用

将故障树分析法(FTA)用于研制、开发具有首冲功能的300m^3自航耙吸挖泥船及配套的机械设备远程油液分析与诊断系统过程中，并对柴油机因温度过高而导致功率下降和柴油机不能启动两个故障进行建树、分析，以便在管理和维修中进行事故分析和系统故障分析，在指定故障诊断和检修流程中，寻找故障检测最佳部位和分析故障原因，制定维修决策，切实预防故障发生。     

Douglas-fir树木生长模型分析及建模

主要对一棵24岁的Douglas-fir(花旗松，北美西北部的主要树种之一)的生长情况进行详细的测量和描述，其目的是创建出一个准确的计算机三维模型．同样的研究由Mark Goebel在2002年对同一试验地砍伐的另一棵Douglas-fir的地下部分作过．把两次研究的结果结合起来制作出一个可以用于教学演示的Douglas-fir生长模型．使用G．H.Dufr和Noran J.Nolan首创的分析法对测量结果进行了分析．主千年轮的直径生长，主干平均年轮面积，主干垂直生长，枝干长度增长和年平均枝干直径的数值都进行了构图分析．生长曲线同理想生长曲线表现出了一定的差异，同时显示了各年问的细微变化．过去24年间好的生长年份可以因此被确定出来．测量分析结果和Goebel的研究结果相吻合，因此重建一棵Douglas-fir的目的能够被实现．但是研究结果表示我们砍伐的Douglas-fir并不是完全没有受到生长压力的绝对优势物种，要进一步创建三维模型还需要一些计算才能实现．     

枝桠材栽培灵芝研究初报

分别利用原木段木和枝桠材熟料栽培灵芝新6、8、6、12、13、韩1、韩3、日1、日2、S1、K2、18、19号菌株，每个菌株接种180袋，设3个重复，每个重复60袋。先在培养室内培养菌丝生长15～20d将栽培袋移至荫棚脱袋埋土栽培。结果表明：用枝桠材栽培灵芝的生长周期比用原木段木栽培的缩短6～26d，产量可提高13．61％～69．44％用枝桠材栽培灵芝对灵芝的产孢量影响不明显，但产孢始期可缩短4～19d，产孢持续时间可缩短2～10d。     

一种从Web日志中挖掘访问模式的新算法

提出了一种用于从Web日志中高效挖掘Web访问模式的新算法．设计了一个新的数据结构WAS树(Web Access Sequence树)来记录Web访问序列和它的计数，避免冗长的支持度计算；开发出一个高效的递归算法，从WAS树中枚举出所有的访问模式，最后对算法的性能进行了分析并给出试验数据加以佐证．这个算法的特点是不需要产生候选模式而直接挖掘出所有的访问模式。     

视觉核感知器

将Mercer核思想和视觉理论相结合，提出了视觉核感知器算法(VKP)。相对于单纯的核感知器，视觉核感知器能更有效地解决了学习的收敛性问题。同时也有效地提高了核感知器学习的精度。大量的实验结果表明了本算法的有效性和某些情况下的优越性。     

嵌入式Linux下网络设备驱动程序的开发

阐述了Linux网络系统的分层结构，分析了Linux内核中网络设备驱动程序的运行机理，介绍了实现Linux网络驱动程序开发的关键过程，结合设备驱动的调试方法通过应用实例给出了开发的全过程．最后，总结了嵌入式Linux下网络设备驱动程序开发的通用实现模式．     

含复铰平面十杆运动链构件交叉的识别

提出了识别含复铰平面十杆运动链构件交叉的一种新方法，利用能够反映多副杆和复铰特点的构件邻接矩阵。构造运动链的缩减运动链，进而得到缩减运动链的广度优先生成树和三个基本回路。通过回路的公共边界判断网孔的接壤类型，据此建立了构件交叉的识别准则和方法，并在含复铰平面十杆单自由度运动链中成功地识别出有构件交叉的无复铰运动链11种、含复铰运动链341种。     

基于事务线索树的一次扫描关联规则增量挖掘算法

首先将事务数据库压缩存储到一棵事务线索树(TT-tree)的结点上，并建立这些结点的索引表，然后寻找结点索引表的最后结点到根结点的全部路径，这些路径及路径的交集包含了用于挖掘关联规则的频繁集，该算法只需扫描事务数据库一次，由于采用了逆向搜索TT-tree的方法,搜索的时间开销非常少，该算法可以挖掘中短模式的海量数据，具有很好的伸缩性,同时该算法具有增量挖掘的功能，通过大量的实验数据进行比较。该算法的速度约是Apriori算法的10倍。