摘要:针对社交网络中无法有效管理陌生推荐安全性难题，提出了一种基于信任的评估推荐控制模型(TRCM).该模型描述了社交网络推荐中个体角色、推荐路径、可信任值、控制规则等方面内容.模型结合社交网络个体之间取信度、信誉度评估方法，分别计算串路型、并路型和复合型3类推荐信任度，并给出了客观偏移度和信心指数评估.同时，TRCM定义了一组信任控制规则以管理社交网络中的推荐行为.实验表明，该方法是有效可行的.

摘要:研究在缓存模式下，利用一组预存储的临时轮廓快照集来高效等价重构用户新提交的轮廓查询Q，并提出一种新颖的缓存模式下轮廓查询处理算法 (APSQCM)来完成该任务．APSQCM算法由两阶段组成，第一阶段捕获Q与缓存中临时轮廓快照间的内在关联，进而获取能够用来等价重构Q的所有轮廓基；而在第二阶段中，APSQCM算法使用轮廓基来快速产生Q的正确结果集．实验结果表明，APSQCM算法具有有效性和实用性．

摘要:正则化方法目前已广泛应用于地球物理反演研究中，以改善反问题的不适定性。正则化因子的选取对于正则化反演至关重要，然而目前多数研究往往只选择单一方式如定值的正则化因子，对如何合理选取正则化因子研究不充分。本文通过建立大地电磁(MT)层状地电模型，在OCCAM反演的框架下利用共轭梯度法求解反问题，在给定不同初始模型的条件下对多种正则化因子选取方法进行了计算比较，并以此为基础深入分析了各种方法的特点和使用条件。结果表明，自适应正则化算法的效果可与传统的定值方法如L曲线法，并且在反演中具有传统方法无法比拟的便捷。为了解决反演依赖于初始模型的局限并增强解的稳定性，基于多种自适应正则化方案的对比分析，提出了改进的自适应正则化方案，选取数据拟合泛函与模型稳定泛函较大的比值为正则化因子的初始值，并提出相应的调整方案自动控制正则化因子衰减。模型试验表明该方法对初始模型的依赖性大大低于其他几种自适应的算法，反演结果的稳定性较强并可以进一步提高正则化反演的效率。

摘要:强自然对流是火灾时的主要流态之一，利用标准火灾房间内的基准实验数据，比较了工程上常用的3种两方程kε模型在预测大功率热源引起的强自然对流时的效果，即Standard(标准)kε模型，RNG（重整化）kε模型和Realizable（可实现） kε模型.研究发现火灾房间内存在垂直方向的下低上高的温度分层，且加热量越大，垂直温度分层的梯度也越大.Standard kε模型计算得到的热源附件的湍流动能最大，湍流黏性也最大.总体而言，Realizable kε模型的模拟效果稍好于Standard kε和RNG kε模型.3种kε模型预测的温度场准确度比自然对流速度场要高.在房间的中央位置，水平方向的室外流入气流与浮升力气流相互作用导致流态复杂，两方程模型在模拟这一现象时效果不佳.

摘要:针对目前的搜索模型局限于语法层次上关键词匹配的特点,以领域本体作为知识组织方式,提出了一种语义环境下基于本体的信息搜索模型.在此模型的基础上,分别提出了文档语义标注算法和搜索词语义扩展算法,两种算法分别对文档集语义分析和搜索词语义关系理解,实现双向语义信息搜索的目的.实验结果表明,提出的信息搜索方法能够克服关键词匹配搜索的不足,获得较好的搜索效果