【计算机论文】导语，您所欣赏的本篇共有11416文字，由李良清精心厘正后，发布到范万文网(fwan.cn)！可信度，就是对人或事物可以信赖的程度。是根据经验对一个事物或一件事情为真的相信程度。移动通信系统中呼叫自动应答业务的研究_计算机理论论文十篇欢迎大家一起来阅览！
移动通信系统中呼叫自动应答业务的研究_计算机理论论文 第一篇
本系统主要由单片机89c51，tc35模块，无线网络和用户手机四部分组成，如图2所示。事先将待发内容通过手机与tc35模块之间的通信输入到89c51单片机控制器中，当用户处于重大事务状态时，手机自动将来电号码通过无线网络传输到tc35模块，tc35模块告知89c51有接入，89c51单片机收到此信息后与tc35模块通过at指令形式通信，控制tc35模块根据at指令完成预存的发送。 该系统利用单片机作为控制单元，rs232通过串口与tc35建立通信，由单片机发送相关at指令来控制tc35传送信息、解析tc35接收到的主叫号码以及其他的一些操作。对短消息的控制共有三种模式：block模式、pdu模式和text模式。使用block模式需要手机生产厂家提供驱动支持。目前，pdu模式已取代block模式，而text模式不支持中文，因此本系统使用pdu模式进行来电号码的识别与短消息的发送。
基于改进遗传算法的自动组卷研究_计算机理论论文 第二篇
摘 要 通过详细试卷的各项约束条件，建立了一个以知识点、难度系数、区分度等为核心属性的自动组卷数学模型，并利用改进的遗传算法实现了自动组卷。 关键词 自动组卷；数学模型；遗传算法
自动组卷就是根据用户的要求，采用一定的算法自动地从试题库中抽取一定数量的试题组成试卷。自动组卷算法的好坏直接影响到试卷的质量，如何从试题库中选出试题组成符合用户要求的试卷，并使组卷具有较高的效率和成功率是当前研究的热门课题。现有的自动组卷算法一般有三种：随机选取法、回溯试探法和遗传算法。遗传算法是一种新发展起来的并行优化算法，它很适合解决自动组卷问题。1 试题核心属性的确定 在自动组卷系统中，一些试题库设置了试题的各类属性，如章节、层次、要求、题型、难度系数、难度级别、各章节分值等属性，其实过多的属性会增加实际组卷的难度，降低效率。以教育学理论为指导，选择以下属性作为试题的核心属性。 (1) 题号。Www.0519news.cOm试题的编号，用来唯一标识试题。 (2) 题型。试题的类型。 (3) 知识点。某道题属于某门课程的哪个知识点，知识点的设置不以章节为依据，从而可以避免教材的不同对组卷造成影响。 (4) 难度系数。难度系数是表示某一试题的难易程度，通常用未通过率来表示，即一次考试中未答对某道试题的考生数在其总体中所占的比例。一般来说，难度系数值为0.5时，是中等难度，如果小于0.3试题太简单，如果大于0.7试题太难，对考生都会做或都不会做（难度系数为0或为1）的试题，属于无意义的试题，必须淘汰。 (5) 区分度。区分度[2]是指某道题对不同水平考生加以区分的能力。区分度高的试题，对学生水平有较好的鉴别力。区分度的计算公式为： 其中，b表示试题的区分度，h表示样本中高分组在某题上所得的平均分，l表示样本中低分组在某题上所得的平均分，k表示某题满分。高分组和低分组一般各占样本的25%～30%，最好取27%。一般来说，试题的区分度在0.4以上就被认为是很好的。在0.3～0.39之间，认为良好；在0.2～0.29之间，认为可以；在0.19以下，认为差，必须淘汰或加以修改。对在校学生的达标考试，试卷的区分度不宜太高，因为它不是选拔性质的考试。但也不能过低，否则对学生的鉴别效果差，不能很好的达到考试的目的。一般区分度控制在0.2～0.3之间为宜。 (6) 分值。某小题的分数。 (7) 答题时间。完成某题估计所需的时间。2 自动组卷数学模型的建立 自动组卷中决定一道试题，其实就是决定一个包含题号、题型、知识点、难度系数、区分度、分值、答题时间的七维向量（a1，a2，a3，a4，a5，a6，a7）。假设一套试卷中包含n道试题，一套试卷就决定了一个n×7的矩阵s： 这就是问题求解中的目标矩阵，其中ai1 、ai2、 ai3 、ai4、ai5、 ai6 、ai7分别表示试卷中第i道题的题号、题型、知识点、难度系数、区分度、分值、答题时间。从矩阵s可以看出组卷问题是一个多重约束目标的问题求解，且目标状态不是唯一的。 在实际组卷时，用户会对试卷提出多方面的要求，用户的每一个要求对应试卷的一个约束条件。要组成一份符合要求的、高质量的试卷，目标矩阵的分布要满足以下试卷约束条件。 (1) 试卷中包含的题型以及每种题型的题量要与用户的设置相符。k种题型的题量= (2) 试卷中包含知识点即考核知识点以及各考核知识点所占分数的比例要与用户设置相符。k种考核知识点所占分数= (3) 试卷的难度系数要满足用户的要求，试卷的难度系数一般用试卷中每道试题的难度系数的加权平均来计算。即：试卷的难度系数= /总分 (4) 试卷的区分度要满足用户的要求，试卷的区分度一般用试卷中每道试题的区分度的加权平均来计算。即：试卷的区分度=/总分 (5) 试卷的总分要与设置相符。即：试卷的总分= (6) 试卷的总答题时间要与用户设置相符。即：试卷的总答题时间= 在实际组卷时，试卷的总分、考核知识点、各题型每小题分值、试卷中包含的题型、各题型的题量都应该是精确达到的。试卷中各考核知识点所占的分数、试卷的难度系数、区分度和试卷的总答题时间这四个约束条件可以存在一定的误差。误差的大小由用户的期望值和各约束条件的重要性决定。在实际应用中，各约束条件的重要性是不同的，因此，目标函数就取各项误差的加权和。目标函数f可以表示为： 为了不至于各项误差相互抵消，实际值与用户要求值的误差都取绝对值。其中，试卷中各考核知识点所占的分数和试卷的总答题时间这两项的误差为实际值与用户要求值的误差绝对值与用户要求值的比，试卷的难度系数和区分度这两项的误差为实际值与用户要求值的误差的绝对值。wi表示第i个约束条件的权值，wi通常由专家经验或试验给出，0≤wi≤1， 。由上式可知，目标函数f的值越小，即误差越小，问题的解越优，即生成的试卷越接近用户的需求。3 遗传算法 遗传算法是以适应度函数（或目标函数）为依据，通过对群体中的个体进行遗传操作实现群体内个体结构重组的迭代处理过程。在这一过程中，群体中的个体一代一代地得以优化，并逐渐地逼近最优解，最终获得最优解。传统遗传算法的主要步骤包括初始染色体群体生成、适应度评估和检测、选择操作、交叉操作和变异操作。传统遗传算法流程图如图1所示（其中t为进化代数，t0为最大进化代数）。
图1 传统遗传算法流程图
4 基于改进遗传算法的自动组卷 传统的遗传算法采用二进制编码，用1表示某题被选中，0表示某题没有被选中，这种编码非常简单，但在进行交叉和变异操作时，各题型的题量很难控制，而且当试题库题量很大时编码很长。传统的遗传算法以进化代数等于最大进化代数作为终止条件，但是在实际组卷过程中并不知道种群进化到第几代就能得到试卷的最优组合。因此用遗传算法实现自动组卷时，要对传统遗传算法进行一些改进。Web数据挖掘中频繁访问页组有趣性的研究_计算机理论论文 第三篇
在这里，假定超文本系统仅仅包含有一些基本的页面。除此外我们还假设：① 指向一个页面的连接是将这个页面作为一个整体来对待的，而不是指向页面内容的一部分；② 在超文本系统中不存在环路；③ 在任何源节点和目标节点间最多只有一条链路。基于以上的假设，我们可以为超文本系统建立一个有向网络拓扑图，如图1 所示：图1 网络拓扑图 在这里，有向图g=(n，e)，其中n 是节点的集合，e 是边的集合。一个节点a(a∈n)和一个页面相对应，一条边是一个元组(a，b)∈e，和页面间的一个连接相对应；对于给定的连接(a，b)称a是源节点，b是目的节点。在这里并不假定图是连接的。如果两个页面在网络拓扑中相距较远，则表明它们之间的关联性较低，如果我们从日志信息中挖掘出它们之间有较高的访问可信度的规则，则这样的规则是用户感兴趣的。如图1的页面c和e在拓扑结构中，显示关联度较低。如果，在web日志中发现了c=>e这样的关联规则，则兴趣度是较高的。通过这样兴趣度高的关联规则，有利于网站结构的调整。在介绍算法前，我们首先引入几种资源链接情况的关联概率。 （1）如果在资源a、b之间不存在任何有向边或者链接序列，则p(a|b)=0。 （2）如果资源之间存在有向边链接，假定b中存在li个链接（li>=1），则用户可能从b访问a的概率为p(a|b)=1/(li+1)（包括后退的情况）。如图1中p(c|b)=1/3。 （3）如果a，b之间存在有向序列(a，k1，k2，…b)，则p(a|b)=p(k1|b)p(k2|k1)…p(a|kn)。
Web数据挖掘中频繁访问页组有趣性的研究_计算机理论论文 第四篇
摘 要 关联规则挖掘是web使用挖掘的一个重要研究课题，而其中重要的一个问题就是挖掘出的规则的兴趣度评估。在实际的应用中，一般的关联规则算法往往很容易从web数据源中挖掘出大量的规则，而这些规则中，大部分对于用户来说是不感兴趣的。本文结合网络站点拓扑结构，提出了有趣关联规则的算法（mir）。利用页面之间的关联概率对所产生的频繁访问页组的有趣度进行评价，得到有趣度高的频繁访问页组。实验显示，mir算法提高了规则的利用率，有效的改善网站拓扑结构。 关键词 有趣关联规则；页面关联概率；频繁访问页组
1 引言 随着互联网技术的快速发展，如何在
c/">计算机技术研究的一个热点课题。web挖掘是数据挖掘技术在互联网上的重要应用。它主要包含两大范畴：web内容挖掘和web使用挖掘。 关联规则挖掘是web使用挖掘的一个重要研究课题。它的目的是找到网站资源访问记录中隐含的相互关系，能够发现隐藏的用户访问模式。本文着重讨论了有趣关联规则的挖掘。通过日志文件，我们可以寻找到那些经常被用户访问的页面及他们之间的关联规则（即频繁访问页组）。www.0519news.Com但是，这些挖掘的结果应该考虑到规则的有趣度。兴趣度低的规则对于网站的结构调整和整体设计无重大意义。在本文中我们认为一个兴趣度高的用户频繁访问页组满足三点： （1）页组内页面本身之间链接程度低。 （2）页组内尽可能包含多的页面。 （3）经常被用户在一次浏览过程中访问。2 关联规则 关联规则的问题描述如下： 设r = { i1，i2，⋯，im} 是一组物品集，w 是一组事务集。w 中的每个事务t 是一组物品，t < r。假设有一个物品集a，一个事务t，如果a < t，则称事务t 支持物品集a 。关联规则就是如下形式的一种蕴含：a →b，其中a，b是两组物品，a < i，b < i，且a ∩b 为空。则可用两个参数可信度和支持度来描述关联规则的属性，其定义如下： (1) 可信度(confidence) 。设w 中支持物品集a 的事务中，有c %的事务同时也支持物品集b，则称c %为关联规则a →b 的可信度。 (2) 支持度( support) 。设w 中有s %的事务同时支持物品集a 和b，则称s %为关联规则a →b 的支持度。显然可信度是对关联规则准确度的衡量，支持度则是对关联规则重要性的衡量。关联规则的挖掘问题就是在事务数据库d 中找出具有用户给定的最小支持度minsup 和最小可信度 minconf的关联规则。他可以分解为两个子问题： (1) 找出存在于事务数据库中的所有大物品集。物品集x 的支持度support ( x) 不小于用户给定的最小支持度minsup，则称x 为大物品集。 (2) 利用大项集生成关联规则。对于每个大项集a，若b < a，b 不为空，且confidence ( b →( a - b ) ) ≥minconf，则构成关联规则b →( a - b) 。 网站资源可以是网页、数据、图片、声音和文档。设x1、x2、……xm；y1、y2、……ym均为网站资源，x=>y(sup，conf)表示资源集的关联规则，其中x={x1、x2……xm}，y={y1、y2、……ym}，x∩y=空，这条规则的含义是如果资源集x被访问，那么资源集y也会被访问。规则的支持度为sup，置信度为conf，关联规则挖掘算法的目的就是要推导出所有达到一定支持度和置信度的规则。 但是，只使用支持度和置信度来描述关联规则是明显不足的，规则过多，用户不感兴趣，规则很难为用户服务和利用。这样的关联规则意义就不是很大。所以，结合网站的拓扑结构提出了mir算法来增加挖掘规则的有趣性。3 有趣关联规则mir算法多Agent排队系统结构研究_计算机理论论文 第五篇
在ai领域，规划是通过模拟人类求解复杂问题的过程而形成的一种方法。规划的问题求解方法分为两个过程：规划过程和执行过程。其中，规划过程是针对某一任务，求取完成该任务的动作序列，这一动作序列称为计划。计划是规划过程的输出结果。执行过程是指按照集合实现问题求解，并监控问题求解的进行，当出现意外情况计划无法执行时，调整行为集合或再次规划，直至任务完成。 agent的规划模块负责建立中短期的行动计划。它是一个局部的规划。每个agent根据目标集合、自身的状态、对环境和其它agent的了解，以及以往的经验规划自身的行为。agent规划常用方法之一是将agent的计划库定义为一个与或图结构，其中，每一条计划由4部分组成。 （1）计划目标表示该计划能达到的目标； （2）计划的前提表示计划执行需要满足的条件； （3）计划体表示计划内容，由计划序列和计划子目标组成； （4）计划执行结果表示执行计划后外部世界的更新结果。 有了这些基本要素以后，我们可以根据需求构造基本的agent了，下面给出agent的工作流程及算法。
多Agent排队系统结构研究_计算机理论论文 第六篇
在多agent排队系统中，每个agent自主的运行，但是由于每个agent仅拥有不完全的信息和问题求解能力，所以多个agent必须相互通信、协同工作。通信是协作的基础。采用消息通信是实现灵活复杂的协调策略的基础。使用规定的协议、agent彼此交换的信息可以用来建立通信和协作机制。 通信模块主要包含如下的部分： （1）socket接口：它的功能是将直接与协议有关的通信部分组合在一起，并给通信模块的其它部分提高一种通信方式，使通信模块的其它部分不用再考虑与发送协议有关的部分。socket接口包含以下内容。 服务线程：socket接口中有一个服务线程，它使用一个serversocket不停地监听agent的端口地址，一旦发现有消息到来，就启动一个消息线程处理这个消息，然后继续监听。 消息线程：由服务线程启动。它的任务是读入消息，并将消息送到接受缓冲区。 客户线程：由发送线程启动。它的任务是将消息通过socket发出。 （2）接受缓冲区：用来缓存从外界发来的消息。 （3）发送缓冲区：用来缓存向外界发送的消息。 （4）发送进程：是一个常驻线程。它的任务是不断监视发送缓冲区，一旦有消息进入发送缓冲区就启动socket接口中的方法来将消息发出。 （5）接受线程：它的任务是不断查看接受缓冲区，一旦有消息进入接受缓冲区就启动一个过滤线程来对消息进行解释和处理。 （6）过滤线程：由接受线程启动。它调用语法将接受到的字符流的消息转换成符合语法结构的原语，然后调用解释器来对原语解释。 （7）解释器：解释并处理一些简单的且仅与通信模块有关的一些通信原语。 （8）地址薄：通信模块保留agent的地址薄信息。 （9）消息发送函数：调用转化函数将原语转化成字符流放入发送缓冲区。 下面介绍几种常用的消息：bind（agenturl，sendername，receiverurl）//发送注册消息给对方shutdown(content，sendername，receiverurl)；//发送注销信息给对方inquire(content，sendername，receiverurl，senderurl)；//询问接受agent信息request(content，sendername，receiverrurl，senderurl)；//向接受agent发送请求信息
基于颜色和纹理的图像检索算法的研究_计算机理论论文 第七篇
在国际标准mpeg-7中建议了一种纹理特征描述符——边缘直方图。边缘直方图是基于图像边缘的统计特征，能较好地反映目标的边缘和纹理特征，而且运算速度较高[4]。因此在本文中选取边缘直方图来提取图像的纹理特征。下面介绍一下提取的具体步骤： (1)将bmp图像转换成灰度图。每个象素的灰度值可以根据rgb颜色分量按下列公式计算得到： 。 (2)将整幅图像分成4×4块。 (3)分别对16块1/16子图像进行sobel边缘算子运算，得到边缘图像。 (4)统计子图像中的边缘直方图，该直方图包括4个直方条。（横轴为0，1，2，3四个边缘方向，纵轴为该方向上的象素数占子图像总的象素数的比率） (5)将16个子图像的直方条综合起来，得到包括64个直方条的整幅图像的边缘直方图。 下面介绍用sobel算子提取图像边缘的具体算法： 首先介绍一下sobel算子中用到的4个核模板：
(1)将图像中的象素点的灰度值分别与以上四个方向的核模板相乘。 (2)比较四个乘积数值，取最大的那个数值，作为该象素点的新的灰度值。 (3)取适当的阈值t，若新的灰度值≥t，则认为该象素点为边缘点。 通过以上算法提取出图像的边缘。移动通信系统中呼叫自动应答业务的研究_计算机理论论文 第八篇
1) 设置短消息发送格式 at+cmgf=1
多Agent排队系统结构研究_计算机理论论文 第九篇
agent的知识表示对自身和外界的认识，是agent问题求解的基础。这些知识可能预先给定的，也可能是通过局部感知或与其它agent的通信而获得的。agent知识库是agent活动的依据，也是向外界承诺的基础。 在这里知识库主要存放agent的各个方面的知识，主要包括以下内容。 ①关于系统组织结构、智能、目标等有关整体性质和行为的知识。 ②关于理解自身的知识、行为、求解能力和目标等的知识。 ③关于其它agent的知识，即具有关于外部其它agent的职责、技能、信念、目标、规划等多方面的知识。 ④关于agent间相互作用与通信的知识。 ⑤关于领域世界及待求解问题的知识。 这些知识是agent进行一切活动的基础。agent还知道哪些agent与自己由横向或纵向的联系，这些知识在进行推理时起着关键的作用，它们同样可以看作是agent的知识。这些知识可以映射为事实、规则等。 对于知识库我们可以用下列形式表示：
热点排行榜
