检索结果-内蒙古大学图书馆

东南大学学报（自然科学版） 2009年第1期39卷 23-27页

作者：徐小龙王汝传南京邮电大学计算机学院南京210003 南京大学计算机软件新技术国家重点实验室南京210093

提出一种基于全局复合评价算法的Super Peer选择机制,该机制以主客观相结合的科学依据从多方面自动选择P2P网络中稳定可靠、长期在线且积极提供服务的大量高性能Peer担当Super Peer职责,从而可以极大地扩充Super Peer的数量,使得全分布... 详细信息

提出一种基于全局复合评价算法的Super Peer选择机制,该机制以主客观相结合的科学依据从多方面自动选择P2P网络中稳定可靠、长期在线且积极提供服务的大量高性能Peer担当Super Peer职责,从而可以极大地扩充Super Peer的数量,使得全分布式结构化拓扑和半分布式拓扑结构可以在同一个P2P网络中有效地互补并存.全局复合评价算法综合采用在线活跃情况、任务完成能力和平均通信速率这3个指标来作为Super Peer的选择标准.构建了P2P仿真实验系统环境,验证所提出的算法和相应机制的可行性和实用价值.

关键词：对等计算超级节点选择机制评价算法

来源：评论

学校读者我要写书评

暂无评论

深度指导的无监督领域自适应语义分割

引用

计算机辅助设计与图形学学报 2024年第1期36卷 133-141页

作者：卢加文史金龙诸皓伟孙蕴瀚成志刚江苏科技大学计算机学院镇江2120002 南京大学计算机软件新技术国家重点实验室南京210046 浙江大学软件学院杭州310058

为了提高语义分割精度,解决模型在不同数据域上泛化性差的问题,提出基于深度信息的无监督领域自适应语义分割方法.首先,深度感知自适应框架通过捕捉深度信息和语义信息的内在联系,减小不同域之间的差异;然后,设计了一个轻量级深度估计... 详细信息

为了提高语义分割精度,解决模型在不同数据域上泛化性差的问题,提出基于深度信息的无监督领域自适应语义分割方法.首先,深度感知自适应框架通过捕捉深度信息和语义信息的内在联系,减小不同域之间的差异;然后,设计了一个轻量级深度估计网络来提供深度信息,通过跨任务交互策略融合深度和语义信息,并在深度感知空间对齐源域和目标域的分布差距;最后,提出基于深度信息的域内自适应策略弥合目标域内部的分布差异,将目标域分为子源域和子目标域,并缩小子源域和子目标域分布差距.实验结果表明,所提方法在SYNTHIA-2-Cityscapes和SYNTHIA-2-Mapillary跨域任务上的平均交并比分别为46.7%和73.3%,与同类方法相比,该方法在语义分割和深度估计精度上均有显著提升.

关键词：无监督领域自适应语义分割多任务学习深度估计

来源：评论

学校读者我要写书评

暂无评论

基于OS-LSSVMR内模控制的温室环境控制方法的研究

引用

系统仿真学报 2010年第4期22卷 926-929页

作者：王定成秦军葛群芳南京信息工程大学计算机与软件学院南京210044

由于温室环境的复杂性,传统的控制方法很难对其进行有效的控制。基于OS-LSSVMR内模控制具有模型简单、鲁棒性好等特点,将其应用于温室环境的控制具有重要的意义。温室环境的OS-LSSVMR内模制控制方法,针对温室环境不易精确建模和不确定... 详细信息

由于温室环境的复杂性,传统的控制方法很难对其进行有效的控制。基于OS-LSSVMR内模控制具有模型简单、鲁棒性好等特点,将其应用于温室环境的控制具有重要的意义。温室环境的OS-LSSVMR内模制控制方法,针对温室环境不易精确建模和不确定性的特点,构造温室环境输入输出的样本数据,采用OS-LSSVMR建立温室环境的正逆模型,用逆模型作为控制器,正模型预测输出,将预测误差作为控制的反馈,在模型偏离实际系统的情况下在线进行调整。通过三种SVM温室环境内模控制的仿真,说明了温室环境的OS-LSSVMR内模制控制效果较好,适合进一步在温室环境控制中推广应用。

关键词： OS_LSSVMR 温室内模控制仿真

来源：评论

学校读者我要写书评

暂无评论

基于攻击特征的自动证据筛选技术

引用

计算机研究与发展 2011年第6期48卷 964-973页

作者：伏晓谢立南京大学软件学院南京210093 南京大学计算机科学与技术系南京210093

为了自动获得入侵证据,提出一种基于攻击特征的自动证据筛选方法.其原理是首先根据被调查攻击的特征重构出攻击行为细节,并从中抽取筛选证据需要的"特征信息".然后,再根据候选数据与这些特征信息的匹配程度筛选出该攻击相关... 详细信息

为了自动获得入侵证据,提出一种基于攻击特征的自动证据筛选方法.其原理是首先根据被调查攻击的特征重构出攻击行为细节,并从中抽取筛选证据需要的"特征信息".然后,再根据候选数据与这些特征信息的匹配程度筛选出该攻击相关的证据.基于DARPA2000的实验表明这种方法具有很高的准确率,其完备性更是接近100%.而与现有方法的比较则显示出这种方法能克服现有方法人工干预较多、效率低下、仅能筛选特定证据类型、不适合处理复杂攻击等诸多缺陷.

关键词：入侵取证证据筛选攻击特征特征信息依赖追踪

来源：评论

学校读者我要写书评

暂无评论

一种基于不变量的工作流协同模型分解方法

引用

计算机学报 2012年第10期35卷 2169-2181页

作者：葛季栋胡海洋周宇胡昊王栋毅过晓波计算机软件新技术国家重点实验室(南京大学) 南京210093 南京大学软件学院南京210093 杭州电子科技大学计算机学院杭州310018 南京航空航天大学计算机科学与技术学院南京210016 南京大学计算机科学与技术系南京210093

现代企业计算的业务过程越来越复杂,有很多分散且相对独立的组织机构,为了协同来自不同组织的业务过程,文中提出一种IOPN模型(面向交互的Petri网)用于描述跨组织的工作流协同,该模型包含组织内的过程模型和组织间的交互关系.为了确保IOP... 详细信息

现代企业计算的业务过程越来越复杂,有很多分散且相对独立的组织机构,为了协同来自不同组织的业务过程,文中提出一种IOPN模型(面向交互的Petri网)用于描述跨组织的工作流协同,该模型包含组织内的过程模型和组织间的交互关系.为了确保IOPN模型能够被正确地执行,文中提出IOPN模型的弱合理性(relaxedsoundness)作为IOPN模型的正确性标准之一.IOPN模型是一种复合模型,其规模一般较大,采用基于状态空间的分析方法,容易产生状态空间爆炸问题,为此文中提出基于不变量的分解方法,能够将一个弱合理的无回路IOPN模型分解为一组顺序图,并提出相关定理:一个无回路IOPN模型是弱合理的当且仅当其可以被分解为一组合法的顺序图.

关键词：工作流协同模型合理性不变量分解

来源：评论

学校读者我要写书评

暂无评论

基于互信息的无监督特征选择

引用

计算机研究与发展 2012年第2期49卷 372-382页

作者：徐峻岭周毓明陈林徐宝文东南大学计算机科学与工程学院南京210096 计算机软件新技术国家重点实验室(南京大学) 南京210093 南京大学计算机科学与技术系南京210093

在数据分析中,特征选择可以用来降低特征的冗余,提高分析结果的可理解性和发现高维数据中隐藏的结构.提出了一种基于互信息的无监督的特征选择方法(UFS-MI),在UFS-MI中,使用了一种综合考虑了相关度和冗余度的特征选择标准UmRMR(无监督... 详细信息

在数据分析中,特征选择可以用来降低特征的冗余,提高分析结果的可理解性和发现高维数据中隐藏的结构.提出了一种基于互信息的无监督的特征选择方法(UFS-MI),在UFS-MI中,使用了一种综合考虑了相关度和冗余度的特征选择标准UmRMR(无监督最小冗余最大相关)来评价特征的重要性.相关度和冗余度分别使用互信息来度量特征与潜在类别变量之间的依赖和特征与特征之间的依赖.UFS-MI同时适用于数值型和非数值型特征.在理论上证明了UFS-MI的有效性,实验结果也表明UFS-MI可以达到与传统的特征选择方法相当甚至更好的性能.

关键词：特征选择无监督特征选择互信息最小冗余-最大相关无监督最小冗余-最大相关

来源：评论

学校读者我要写书评

暂无评论

基于多任务深度学习的齿轮箱多故障诊断方法

引用

振动与冲击 2019年第3期38卷 271-278页

作者：赵晓平吴家新钱承山张永宏王丽华南京信息工程大学计算机与软件学院南京210044 南京信息工程大学信息与控制学院南京210044

机械故障诊断领域已进入了“大数据”时代,且深度学习以其强大的自适应特征提取和分类能力也在机械大数据处理方面取得了丰硕的成果。然而这些研究均运用在单标签体系下,诊断单一目标故障。在大数据背景下,单标签体系不仅割裂了机械装... 详细信息

机械故障诊断领域已进入了“大数据”时代,且深度学习以其强大的自适应特征提取和分类能力也在机械大数据处理方面取得了丰硕的成果。然而这些研究均运用在单标签体系下,诊断单一目标故障。在大数据背景下,单标签体系不仅割裂了机械装备不同目标故障之间的联系,也难以完整描述装备故障位置、类型、程度等种类繁多的健康状态信息。提出了一种基于多任务深度学习模型的诊断方法,对齿轮箱的轴承及齿轮这两种目标的故障同时进行诊断。其优势在于通过单独的任务层,能够从同一信号中自适应的提取不同目标的特征,并进行诊断。实验结果表明,该方法实现了在多种工况,大量样本下对齿轮箱内轴承和齿轮不同故障的准确诊断。

关键词：机械故障诊断多任务深度学习轴承齿轮

来源：评论

学校读者我要写书评

暂无评论

语义网虚拟本体构建

引用

东南大学学报（自然科学版） 2015年第4期45卷 652-656页

作者：张祥李星温韵清沈凯郝敬坤东南大学计算机科学与工程学院南京211189 东南大学软件学院南京211189

针对缺乏良好组织的本体难以被重用的问题,提出了对本体中术语进行语义重组的方法.该方法首先从本体文档中抽取类之间的关系,建立类关系图,进而对不同类型的关系赋以权重.然后将多本体中语义高度相关的术语进行组合,对语义相关度低的术... 详细信息

针对缺乏良好组织的本体难以被重用的问题,提出了对本体中术语进行语义重组的方法.该方法首先从本体文档中抽取类之间的关系,建立类关系图,进而对不同类型的关系赋以权重.然后将多本体中语义高度相关的术语进行组合,对语义相关度低的术语进行分割.最后分别通过基于划分、基于层次化的聚类算法将类关系图重组为一组虚拟本体,实现了对本体的有效重用.以语义搜索引擎Falcons索引的本体作为数据集,对生成的虚拟本体进行了时间性能和聚类合理性评估,并对比了2种聚类方法在虚拟本体生成中的作用.实验证明该方法生成的虚拟本体具有较好的语义内聚性,达到了对本体中术语进行语义重组的目的.

关键词：本体虚拟本体语义网聚类

来源：评论

学校读者我要写书评

暂无评论

无线传感器网络中移动协助的数据收集策略??

引用

软件学报 2013年第2期24卷 198-214页

作者：张希伟戴海鹏徐力杰陈贵海计算机软件新技术国家重点实验室南京大学江苏南京 210093 南京大学计算机科学与技术系江苏南京 210093 河海大学计算机与信息学院江苏南京 210098

利用移动数据收集器(mobile data collector,简称MDC)进行传感器网络中感知数据的收集,可以有效地减少传感器将数据发送到静止基站的传输跳数,节约网络的能量,延长网络寿命.此外,MDC 通过循环收集传感器数据或承担数据转发的功能,避免... 详细信息

利用移动数据收集器(mobile data collector,简称MDC)进行传感器网络中感知数据的收集,可以有效地减少传感器将数据发送到静止基站的传输跳数,节约网络的能量,延长网络寿命.此外,MDC 通过循环收集传感器数据或承担数据转发的功能,避免节点间由于多跳传输引起的能量空洞(energy hole)以及节点失效造成的传输链路中断等问题.MDC 的移动性也为无线传感器网络的研究带来新的挑战.研究基于移动协助数据收集的无线传感器网络结构,分类总结了近年来提出的一些典型的基于MDC的算法和协议,着重讨论了MDC在网络能量、延迟、路由和传输等方面带来的性能变化.最后,进行了各种算法的比较性总结,针对传感器网络中 MDC 的研究提出了亟待解决的问题,并展望了其未来的发展方向.

关键词：移动数据收集器无线传感器网络能耗路由延迟数据传输

来源：评论

学校读者我要写书评

暂无评论

基于源代码静态分析的C++0x泛型概念抽取

引用

计算机学报 2009年第9期32卷 1792-1803页

作者：陈林徐宝文东南大学计算机科学与工程学院南京210096 南京大学计算机软件新技术国家重点实验室南京210093 南京大学计算机科学与技术系南京210093

使用泛型概念对领域知识进行抽象是泛型程序设计方法的基础.在新的C++0x标准中泛型概念将成为一个新的语言设施,这将为设计可复用、可扩展的泛型软件提供坚实的基础.为了更好地利用C++0x的新特性,有必要识别C++遗产代码中的泛型概念,并... 详细信息

使用泛型概念对领域知识进行抽象是泛型程序设计方法的基础.在新的C++0x标准中泛型概念将成为一个新的语言设施,这将为设计可复用、可扩展的泛型软件提供坚实的基础.为了更好地利用C++0x的新特性,有必要识别C++遗产代码中的泛型概念,并通过重构得到符合C++0x标准的代码.文中提出了一种基于代码静态分析的泛型概念自动识别方法,通过对泛型程序中类型参数的使用分析,从遗产代码中提取有效表达式约束和关联类型约束,进而推导出泛型概念.将该方法应用于C++标准模板库STL,可以识别出STL算法中绝大部分潜在的泛型概念,表明该方法有助于识别遗产代码中的泛型概念.

关键词：泛型程序设计软件重构泛型概念 C++0x 约束分析

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：