DRM范式下心境一致性错误记忆的认知机制

本研究以自编情绪DRM词表为实验材料,用音乐诱发正常大学生被试正性、负性和中性心境,探讨在被试处于某种心境下时是否产生心境一致性错误记忆现象、预警能否减少心境一致性错误记忆的发生。结果表明,正性关键诱饵在正性心境下的错误再认率显著高于中性和负性心境,负性关键诱饵在负性心境下的错误再认率显著高于中性和正性心境,说明正常被试也会产生心境一致性错误记忆;预警和无预警条件下被试对关键诱饵和心境一致性关键诱饵的错误再认率无显著差异,说明外显的预警提示并不能消除部分由无意识产生的错误记忆和心境一致性错误记忆。研究结果支持记忆的扩散激活理论和情感的联想网络理论。

Hybrid-Fixing:上下文一致性错误的正确修复

在普适计算中,上下文持续快速变化,上下文感知应用根据上下文变化自动调整自身的行为以作出适应.然而,由于不可预测和控制的环境噪声以及环境动态变化等诸多因素的影响,环境上下文会发生一致性错误,从而导致应用表现异常甚至失效.为了解决这些问题,上下文一致性错误需要被自动并正确地修复,现基于已有工作提出了一项新的修复技术hybrid-fixing,它结合了对一致性约束的静态分析和修复动作的动态产生,即使一致性约束内部存在复杂依赖关系,也能确保所生成的修复用例必然正确.实验结果表明,这项修复技术大幅提高了一致性约束内部存在复杂依赖关系下一致性错误修复的成功率,并只花费了很小的时间开销.

从CLEC中的语法一致性错误看我国学生英语中介语的发展

中介语是外语学习者随着学习的进展向目的语逐渐过渡的动态的语言系统,是反映学生习得二语的重要过程。学习者对英语语法中一致性的掌握程度反映了他们对目的语学习的情况。以检索《中国学习者英语语料库》(CLEC)标注的我国学生在语法的一致性方面出现的错误得到的数据为基础,研究了我国学生英语中介语的发展状态。

上下文一致性错误及其处理对应用的影响

在普适计算环境中,上下文信息由于受到噪声等不可控因素的干扰,面临着一致性错误的问题。这些错误会影响应用的正常运行,使其表现异常甚至失效。目前已经有自动的一致性错误处理方法来保障应用所获取的上下文满足数据层面的一致性约束,然而在数据层面保持一致是否能提升应用的运行质量并不明确。系统地研究了这个问题,并基于一组真实的上下文感知机器人小车应用,设计了一系列受控实验,来分析和比较在模拟和真实世界中上下文一致性错误的处理方式对应用运行质量的改善程度及潜在的负面影响。利用该实验的分析结果,将有助于提高普适计算中上下文感知应用的运行质量。

神经质人格对心境一致性错误的影响

本研究以DRM词表为实验材料,以高、低神经质大学生各15名为被试,利用中性、正性、负性音乐诱发被试相应心境,以探讨高低神经质被试在情绪诱导上的差异,以及在不同心境下对学习词错误再认率的差异情况。结果表明:高低神经质被试在负性心境的诱导上有显著差异,其他心境诱导无显著差异,词性主效应显著,负性词错误再认率显著高于中性词和正性词;中性词和正性词差异不显著,负性、中性、正性词错误率都显著高于无关项目;心境和神经质存在交互作用,高神经质被试负性心境下错误再认率显著高于低神经质被试,中性词和正性词、无关项目差异不显著。

基于搜索的上下文一致性错误处理

近年来,随着智能设备的普及和传感技术的发展,上下文感知程序的应用越来越广泛。但是由于环境噪声难以预测和控制,程序所获得的上下文经常存在一致性错误。处理这类错误的方法很多,但大都忽视了两方面的问题:1)不同一致性约束之间存在相互干扰;2)处理这类错误的操作本身可能对程序的正常运行造成负面影响。以处理这两方面的问题为目标,提出了一种新的基于搜索的上下文一致性错误处理方法,亦即既设计出一个搜索空间来查找避免约束间相互干扰和对程序产生负面影响的解,又采用了一种增量式评估方案来加速搜索的效率。经实验评估,新方法能够在很短的时间内达到非常接近最优解的效果。

高清播出数据库一致性错误的探究与修复

播出数据库作为系统的数据核心载体,是系统所有业务应用的驱动源泉。数据库在运行期间,可能因为各种原因导致数据库表功能出现故障。本文先从分析数据库一致性错误的产生原因入手,重点介绍了修复一致性错误的全过程。

领域本体的自动维护研究

针对领域本体维护的重要性与合并本体存在的异构本体及不一致性错误等问题,提出了一种基于本体合并的领域本体自动维护方法,对相关实现过程作了详细介绍,重点给出了概念的相似性匹配算法。该算法通过计算概念的定义、实例、属性、关系及推理的相似度,得到了本体中概念之间的相似度。本文还探讨了本体不一致性的错误,分析了概念间的上下位关系、非通用关系及相关特性的不一致,并给出了解决方案。实验结果表明,该方法具有一定的实用性和可靠性,能够得到较正确的领域本体的维护结果,并能够解决相关不一致的错误。

基于拟态防御理论的SDN控制层安全机制研究

针对现阶段软件定义网络(SDN)控制层流规则窜改攻击以及单点脆弱性问题,提出一种基于动态异构冗余的拟态安全控制器模型,通过分布式冗余架构以及一致性判决机制提高系统可靠性,利用调度机制实现系统动态性以及结合异构因素提高系统安全性,通过一致性容错算法(consistency and fault detection algorithm,CFDA)实现安全数据处理与错误检测,并提高控制器集群动态、可扩展性。仿真结果表明,对于控制器集群网络而言CFDA具有较低的通信复杂度,降低了节点冗余度要求;同时,冗余体的增加可以非线性降低系统被攻击成功概率,而适当的调度策略大大提高了系统安全率,因此拟态安全控制器机制能够有效提高攻击者攻击难度,增加系统安全可靠性。

三种统计分析方法在基因表达谱数据中的比较研究

目的比较SCAD-支持向量机、支持向量机和弹性网三种方法对基因表达谱数据的变量筛选和预测判别能力。方法根据设置的参数生成不同条件的基因表达谱模拟数据和实际数据,利用FDR、一致性错误率和ROC曲线下面积(AUC值)从三个方面评价三种方法的变量筛选和预测判别能力。结果模拟实验显示在差异变量数不变的情况下,随着差异变量间相关系数的增加,三种方法建立模型的变量筛选和预测判别能力均提高;当差异变量间相关系数不变时,随着差异变量数目的增加,SCAD-支持向量机和弹性网方法的变量筛选和预测判别能力均呈下降趋势,而支持向量机呈现提高趋势。结论 SCAD-支持向量机不仅改善了支持向量机不能直接进行变量筛选的不足同时提高了模型的精度以及判别的准确性。综合来看SCAD-支持向量机的变量筛选和预测判别能力更优,处理变量间有高度相关性的基因表达谱数据时可以获得更高的预测精度和更稳定的模型估计。

FURTHER STUDY STRONG CONSISTENCY OF M ESTIMATOR IN LINEAR MODEL FOR ρ-MIXING RANDOM SAMPLES

The strong consistency of M estimators of the regression parameters in linear models for ρ-mixing random errors under some mild conditions is established, which is an essential improvement over the relevant results in the literature on the moment conditions and mixing errors. Especially, Theorem of Wu （2005） is improved essentially on the moment conditions.