计算Web智能研究综述

计算Web智能是近年来提出的一个崭新的研究方向,它结合了计算智能和Web技术,致力于提高Internet和无线网络上电子商务等Web应用的智能化程度。首先分析了计算Web智能的研究背景,然后阐述了计算Web智能的概念和相关技术,概括了计算Web智能当前的主要研究内容和应用,最后展望了计算Web智能未来的研究方向及面临的挑战。

J2EE框架下MIS系统自动生成器的设计与实现

J2EE框架是构建现代企业级MIS系统的核心技术 .论文针对目前基于J2EE框架的MIS系统开发中自动化程度较低这一实际 ,系统地进行了自动生成器的分析和设计 ,并就系统实现的有关方法和技术进行了讨论 .其系统模型设计思想和实现技术已在实际的基于J2EE框架的MIS系统开发实践中得到应用 ,取得了良好的效果 .

基于J2EE的Web-MIS通用架构的研究与实现

提出用J2EE技术来实现一个基于Web的信息管理系统的通用架构。论述了使用Servlet来实现流程的控制器、用JSP实现显示界面、用EJB实现数据模型的原理及方法。讨论了由Servlet、JSP和EJB互相协作,从而实现了一个MVC模式的Web-MIS架构。

基于用户浏览行为聚类Web用户

本文结合Web用户浏览行为的特点,提出了一种新的路径相似度的计算方法,在计算相似度时不仅把用户的浏览模式仅作为一种序列模式来考虑,还充分考虑了用户在网上浏览的时间因素。然后,把粗糙度的概念引入Leader聚类算法中,提出粗糙Leader聚类算法。最后,使用标准数据集进行了试验,证明基于此种相似度计算方法,应用粗糙Leader算法聚类Web用户的有效性。

一种基于J2EE平台的AES构架的研究与实现

针对基于Web的AES(农业专家系统)的开发效率和质量问题,提出了一种在J2EE平台上实现的AES构架.阐述了AES构架的设计和实现.

基于可拓融合的土壤重金属污染评价方法

提出了用于土壤环境质量评价的可拓融合模型,探讨了可拓集在土壤环境质量评价中的应用。结果表明,该模型能够反映土壤环境的污染等级,实现了对土壤环境信息的定性与定量的集成描述。运用该方法对某地区土壤污染进行了等级评判,得出的结论符合实际情况,验证了该方法的有效性和可行性。

基于支持向量机的农业数据分类研究

介绍了支持向量机的原理,研究了基于支持向量机的农业数据分类,结果表明应用支持向量机可以有效地提高农业数据的分类性能。

基于VC＋＋6．0的纳西象形文拼音输入法的设计与实现

介绍了纳西象形文在文化发展史上的重要地位及其现状。基于微软IME的基本工作原理和体系结构，阐述了纳西象形文拼音输入法的主要设计思路．并在Windows环境下采用VC＋＋6．0实现了纳西象形文拼音输入法。

集成学习技术在农业中的应用

阐述了集成学习技术的基本思想和具体算法,分析了集成学习技术在农业领域中的应用。实验表明,集成学习技术可以有效地提高农业数据的分类精度。

基于粗糙集的个性化Web搜索系统

本文提出了一种基于粗糙集理论的个性化Web搜索系统。用户偏好文件中对关键字进行分组以表示用户兴趣类别。利用粗糙集理论处理自然语言的内在含糊性,根据用户偏好文件对查询条件进行扩展。搜索组件使用扩展后的查询条件搜索相关信息。为了进一步排除不相关信息,排序组件计算查询条件和搜索结果之间的相似程度,根据计算值对搜索结果进行排序。与传统搜索引擎进行了比较,实验结果表明,该系统有效地提高了搜索结果的精度,满足了用户的个性化需求。

纳西象形文英语输入法的设计与实现

针对纳西象形文信息化程度较低这一现状,提出了一种在Windows环境下纳西象形文英语输入法的设计方案.介绍了利用TrueType字体技术建立象形文字库的过程,详细阐述了英语输入法的设计和实现步骤.

一种新的粗糙Leader聚类算法

聚类是数据挖掘领域重要的研究方向。在众多的聚类算法中,Leader算法运用很广泛,但Leader算法没有考虑到聚类分析中内在的不确定性。对Leader算法做了相应改进,加入了粗糙集和粒计算的思想,使其能够处理聚类中固有的不确定性,得到更合理的聚类结果。最后,通过实验证明了该算法的优越性。

一种基于隐含子类信息的粗糙集中文文本分类方法

中文文本分类是中文信息检索和Web挖掘等领域的研究热点。现有的一些分类方法在特征选择阶段存在不足,忽略了隐含的子类信息。本文提出了一种提升隐含子类的关键词权值的方法,从而可以发现有价值的子类信息,进而使用粗糙集构建分类器。实验结果表明这种方法在不增加待约简词汇数量的情况下有效地提高了文本分类的查全率。

基于粗糙集的决策树集成学习算法

【目的】为提高决策树集成的泛化能力和效率,解决集成全部决策树的情况下有时并不显著提高精度、反而导致额外存储和计算开销的问题,提出一种基于粗糙集的决策树集成学习算法。【方法】该算法基于粗糙集理论,从训练的全部决策树中选择一部分进行集成。【结果】与目前流行的集成学习算法Bagging和Boosting相比,本文提出的算法有效地减小了集成规模,并获得更好的泛化能力。【结论】该算法提高了决策树集成的泛化能力和效率。