作者：王瑞胡;Brendan McCane;尹章群;摘要：提出一种基于边界轮廓的区域生长算法提取各个细胞的图像,并运用阴影恢复技术进一步得到每个细胞的三维高度场数据,这些三维数据可用于计算细胞表面曲率。整个提取算法分为三个步骤:轮廓跟踪、区域生长、基于SEM成像条件的三维形状重建。考虑到重叠细胞的统计特征,只需提取处在最上层的细胞。实验结果表明,该方法具有很强的可行性和实用性。

作者：苏年乐;王晓双;李群;王维平;摘要：针对卫星导航仿真系统的软件集成需求,提出了基于Eclipse集成该系统各实验任务的解决方案。通过开发Eclipse新建实验向导插件、实验配置插件、实验分析插件,有效集成了导航仿真系统的各个实验任务模块,为实验分析人员提供一个具有统一界面和操作风格的系统软件。借助Eclipse平台自身的优势,该集成方法具有开发时间短、开发成本低的优点。此集成方法还具有开放性的特点,未来开发的实验任务模块也可集成到现有的系统中。

作者：韩露;李祖枢;陈东义;摘要：提出一种Java与OpenCV结合实现的目标检测模块,详细讲述了利用JNI技术调用OpenCV目标检测方法的具体步骤和关键过程。该模块可很容易地与科研、工业等领域的Java视频系统集成。实验结果表明,集成了该模块的Java视频系统获得了较高的检测率和处理速度。

作者：朱征宇;谢志华;杨永;夏梦霜;李小花;摘要：作为容量限制弦路径车辆行驶问题(CARP)的一种实际应用,洒水车路线规划涉及多车型、多路型、转弯限制等因素,属于复杂的CARP问题。对此,提出了一种高性能遗传算法(HEGA),以传统遗传算法为基础,对种群机制和染色体结构及交叉操作进行改进,并引入局部搜索(LS)操作增强算法的寻优能力。根据真实数据进行实验,获得了比人工更优的解决方案。最后的对比实验验证了算法具有较高的求解精度。

作者：吴春颖;王士同;蔡崇超;摘要：Web文本表示是Web文本特征提取和分类的前提,最常用的文本表示是向量空间模型(VSM),其中向量一般是基于词的特征项。由于向量空间模型本身没有考虑文本上下文间的潜在概念结构(如词汇间的共现关系),而Web文本是一种半结构化文本,同时经常有新词出现,因此在VSM基础上提出了一种基于新词发现的Web文本表示方法:首先进行预处理将网页转化为文本;然后进行文本分词;接着通过二元互信息进行新词发现,同时把新词加入字典重新分词;最后用词和新词共同来表示Web文本。实验结果表明,该方法可以帮助识别未登录词并扩充现有字典,能够增强Web文本表示能力,改善Web文本的特征项质量,提高Web文本分类效果。

作者：梅红岩;周军;刘海霞;摘要：提出了一种基于信息系统的优化规则的提取方法,主要目的是提取信息系统中具有一定充要性的优化规则。首先,提出了充要强度并讨论了它的性质。其次,由于搜索空间的巨大和遗传算法的全局优化的特性,设计了使用遗传算法进行优化规则搜索的方法。最后,通过实验说明方法的有效性。

作者：刘乐;冯建华;摘要：解决了基于序列的XML查询算法(SCALER)存在的两个问题,一是明确地对通配符*和后代轴//的支持,二是支持兄弟节点无序的模式树的查询。扩展后的算法命名为SCALER+,实验结果证明它不仅具有与SCALER一样优异的性能,而且对分支查询的求解更加完备。

作者：谭颖;胡瑞飞;殷国富;摘要：在分析了基于密度的聚类算法(DBSCAN)及其改进算法的缺点的基础上,提出了一种多密度阈值的DBSCAN改进算法。算法通过构建网格密度矩阵绘制密度分布图,辅助用户确定密度层次划分。根据基于网格与基于密度的聚类算法间的等效规则计算各个密度层次的密度阈值ε。通过多密度层次的聚类过程得到多个密度层次上的更加精细的聚类结果。解决了DBSCAN算法参数选取困难和难以发现密度相差较大的簇的问题,具有重要的实用意义。

作者：孙亚;钱洪波;叶亮;摘要：在智能交通系统(ITS)环境下,以交通检测器采集的海量交通流信息为对象,通过数据挖掘技术即数据获取、数据预处理、挖掘方法、结果分析与评价、模式应用等进行新的信息提取,提出了各阶段的要求和聚类分析及模式识别的算法,最后从海量数据中得到新的有用信息交通状态分类,同时使用实时采集交通流数据进行交通状态判别。实验结果表明识别状态能够准确反映实际交通状态。

作者：王静红;刘教民;郭盛;孙亚非;摘要：频繁模式树(FP_tree)是产生频繁相集的有效方法,现在的算法一般都是基于频繁模式树,但是创建FP_tree需要花费很长时间。为了提高创建树的效率,提出了一种新型快速的方法——改进的层次频繁模式树(IHFP_tree)。首先,扫描一遍数据库,产生每个项的等价类;其次,去掉不频繁项后,对等价类进行重新改写,然后创建FP_tree。提出只需扫描一遍数据库,而且不需要筛选和重组事务记录的方法,有效提高了算法的时空效率。实验表明,IHFP_tree的挖掘速度比FP_tree方法要快得多。