1997, 8(11):801-808.
摘要:本文着重研究三维体数据场基于整体对象数据表示及数据解释的物理构模问题.首先通过三维几何造型建立数据模型的几何表示,然后通过几何匹配的方法从数据场抽取出具有相同几何特征的曲面,以实现基于模型的数据场重构.本文还提出了一种快速B样条曲线离散生成算法,并据此提出了曲线控制多边形的估算方法,用于抽取数据场几何特征.
1997, 8(11):809-816.
摘要:循环是程序中蕴含并行性最为丰富的一种结构,因此成为并行化编译最主要的对象.但循环内的过程调用严重妨碍了循环的数据相关性分析,使得循环语句潜在的大量并行性得不到开发.本文提出的循环嵌入方法使部分含过程调用循环语句的并行化成为可能,对部分用其它过程间分析技术也能开发其并行性的这一类循环语句采用循环嵌入方法,并行化开销低,并且分析更精确.采用循环嵌入方法还可降低程序由于多次过程调用带来的调度开销.这一方法在作者开发的自动并行化编译系统AFT(automaticPortrantransformer)中得到了实现,对Spec92测试程序包的试验结果表明了本文提出的方法是行之有效的.
1997, 8(11):817-823.
摘要:LOTOS(languageoftemporalorderingspecification)是一种基于进程代数CCS的协议规范语言,面向协议验证,但它不能描述协议的某些性质.本文提出了一种LOTOS的扩充语言ELOTOS(extendedLOTOS),它在LOTOS的基础上引入了异步通讯机制、时间描述、事件发生的随机性描述.
1997, 8(11):824-831.
摘要:本文针对所谓合作Agent应用问题阐述了一种面向Agent的程序设计AOP(agentori-entedprogramming)方法框架.其中提出了一种新的Agent编程语言(AOPL),设计并实现了其程序设计系统(AOPS),该系统支持AOPL到C的转换.同时,提出了一种新的Agent关系模型,讨论了该模型的组成及其在体现合作Agent应用系统的体系结构、指导Agent之间的协作行为和支持对系统结构特点的深层理解方面所发挥的重要作用.最后讨论了AOP在多功能感知系统中的应用.
1997, 8(11):832-837.
摘要:自从汉字进入计算机以来,字形技术发展很快.近几年出现的曲线轮廓字代表了当前计算机汉字字形的最高水平.它可以应用于很多领域,特别是国际标准的大字符集的推行,其应用前景将更加广阔.本文着重讨论曲线轮廓字形的几个技术问题.曲线拟合的好坏直接关系到生成字形的质量;采用多种方法进行拟合,并辅助以其它一些外围处理,可以得到数据量小且精度高的字形.出版、广告制作、影视等大量地使用形体各异的美术字,曲线轮廓字所具有的独特性质有可能用比较简单的拓扑变换,自动地生成多种规则和不规则几何形状的美术字.
1997, 8(11):838-851.
摘要:Lin提出的辩论推理系统为非单调推理形式提供了一种统一的基础,其推理机制由所谓的论点结构实现.由Lin的系统导出的非单调推理并不具有累加性,而该性质是衡量一个非单调推理关系的重要标志之一.利用Brewka的方法,本文提出标记辩论推理的概念,并且证明缺省逻辑CDL可以嵌入本系统,从而也间接地给出了标记辩论系统具有累加性的一种充分条件.为了彻底地恢复累加性,本文提出了强封闭论点结构的概念,且由标记辩论系统的强封闭论点结构定义的非单调推理具有累加性.
1997, 8(11):852-856.
摘要:本文首先简介了基于agent的软件工程技术,然后利用这一技术,设计了一个用于知识库维护的软件agent互操作系统SAIS(softwareagentinteroperationsystem).SAIS系统是由多问题求解器构成,每个问题求解器是一个软件agent.本文给出了SAIS的结构,并描述了SAIS的实现.
1997, 8(11):857-863.
摘要:本文扼要地论述了高级综合的过程和其中控制信息的提取与变换,实现了控制流综合与数据流综合结果的衔接,并对FPGAXilinx设计库单元映射成工艺相关的ASIC,直至生成FPGA器件.
1997, 8(11):864-870.
摘要:本文将序贯模式的发现从单层(SingleLevel)概念扩展到多层(MultipleLevel)概念.即既允许在同层概念之间,也允许在不同层概念之间发现序贯模式,提出了发现广义序贯模式的自顶向下逐层递进的方法.
1997, 8(11):871-874.
摘要:本文的目的是解决流场类问题的自动并行化.首先将流场数据均匀划分,并以SPMD模式对流场计算串行程序进行并行化;引入数组共享变量,着重讨论一种新方法──用递归函数实现数组共享变量的自动搜索.用本文方法的并行化工具已初步实现.
1997, 8(11):875-880.
摘要:混合型学习模型HLM将概念获取算法HMCAP和神经网络算法FTART有机结合,能学习多概念和连续属性,其增量学习算法建立在二叉混合判定树结构和FTART网络的基础上,在给系统增加新的实例时,只需进行一遍增量学习调整原结构,不用重新生成判定树和神经网络,即可提高学习精度,速度快、效率高.本文主要介绍该模型中的增量学习算法.