朱小艳
- 作品数：17 被引量：43H指数：3
- 供职机构：河南大学软件学院更多>>
- 发文基金：河南省科技攻关计划国家自然科学基金更多>>
- 相关领域：自动化与计算机技术文化科学理学更多>>
- 组建小型局域网被引量：1
- 2005年
- 介绍了局域网的意义、功能，介绍了组建一个家庭局域网的软、硬件配置及组建过程。
- 朱小艳汪晓华
- 关键词：局域网网卡网络协议家庭局域网共享
- 让抽象变的自然——基于数字图像的线性代数教学探讨被引量：1
- 2016年
- 线性代数是理工专业本科学生的基础数学课程,相比其他数学课程,线性代数学习内容抽象、课时少。如何将抽象的理论知识更直观自然地教授给学生是线性代数教学过程中研究的内容,特别针对二本学院学生。该文根据软件学院办学特点,在讨论数字图像原理的基础上,对线性代数教学进行了探讨,并在此基础上给出提高教学效果的一系列建议。
- 朱小艳陈花竹渠慎明
- 关键词：图像处理线性代数
- 电子物流系统采购策略中的QoS模型研究
- 2011年
- 电子商务是互联网快速发展的产物,电子物流系统是其中一个重要环节和研究热点.本文主要通过分析物流系统中的采购决策问题,对于采购决策中存在的供应商选择和订单选择问题分别提出了相应的调度算法和选择策略.然后,以电子商务系统中的物流系统为例,在随机Petri网模型建模的基础上,对物流系统采购决策中的订单处理流程进行了QoS模型建模,并且在此模型基础上应用本文提出的选择策略及调度算法,给出模型相对应QoS性能结果分析.
- 朱小艳张静乐王波
- 关键词：随机PETRI网多属性决策电子商务QOS
- 基于SOA的协同软件体系架构研究被引量：1
- 2012年
- 从协同软件应用系统的应用需求分析,特别是针对参与人员众多、信息交互频繁、地理分布广泛的特点,运用面向服务的架构思想解决协同软件的一些关键问题。在构建协同软件应用系统的过程中,注重以面向服务的分析与设计思想对业务流程进行总体规划与设计,在架构风格上采用SOA思想,给出一个基于SOA的协同软件体系四层架构模型,使之更加适合协同软件分布式、跨平台、异构环境的需求。
- 梁胜彬朱小艳董靓
- 关键词：协同工作软件体系架构
- 主动式队列管理(AQM)算法研究被引量：9
- 2006年
- AQM是指根据队列长度的变化进行提前丢包,对网络拥塞进行早期通告,从而达到减少和避免网络拥塞,提高服务质量。本文对常用的AQM算法作了介绍,并通过NS2模拟器对各算法进行了模拟和分析,指出各算法的优缺点,为进一步研究AQM算法提供了依据。
- 朱小艳李向丽邱保志
- 关键词：主动式队列管理随机早期检测
- 基于区分服务的主动式队列管理研究
- 网络的迅速发展使各种网络业务对服务质量提出了越来越高的要求，区分服务模型即是为解决这个矛盾而提出。队列管理是区分服务中边缘路由器实现分类和调节功能的重要组成部分，本论文即是对区分服务下的主动式队列管理算法进行了一系列研究...
- 朱小艳
- 关键词：区分服务模型主动式队列管理随机早期检测
- 文献传递
- 基于孤立点的手写数字识别算法研究
- 2012年
- 在信息化飞速发展的时代，字符识别是信息录入和转化的一个重要内容。其中，手写体数字的识别有着非常广泛的应用，如邮政编码、手机手写等。该文使用一种基于“孤立点”、交叉数和中间数的手写数字识别方法，利用孤立点对数字（0—9）进行首次分类，再利用交叉数和中间数对分类后的数字进行进一步分类和识别。实验结果表明，该算法有效提高了数字识别的效率。
- 朱小艳张西芝
- 关键词：特征提取孤立点交叉数
- 基于Petri网的柔性工作流服务质量性能分析
- 2011年
- 针对普通工作流系统不能较好地处理异常操作的问题,基于随机Petri网,给出了引入异常处理操作的柔性流程模型.实验结果表明,在异常增加的情况下,支持异常处理操作的柔性工作流的性能要优于普通的工作流系统.
- 朱小艳段玉春白景华
- 关键词：服务质量柔性工作流随机PETRI网
- 软件体系结构动态演化的Z描述语言扩展方法被引量：1
- 2013年
- 针对目前软件体系结构动态演化描述方法的不足且许多描述语言都是静态的,并不能对动态软件体系进行描述的问题,对经典Z描述语言进行扩展.该扩展的Z描述语言主要通过构件、连接件的添加及删除来达到动态演化的目的.具体给出Z语言扩展后的描述规则、构件的描述、连接件的描述和配置的描述,并用一个实例表明这个扩展的可行性.
- 段玉春朱小艳
- 关键词：动态软件体系结构
- 一种基于网格的K-Means聚类算法
- 2012年
- K-Means算法是聚类方法中常用的一种划分方法。随着数据量的增加,K-Means算法的局限性日益突出。基于网格划分的思想,提出了一种基于网格的K-Means聚类算法,该算法使用了网格技术在一定程度上去除了孤立点和噪声数据,减少了原始K-Means算法将大的聚类分开的可能。实验表明,该算法能处理任意形状和大小的聚类,对孤立点和噪声数据也能很好地识别,并且在去除孤立点和噪声数据方面可以达到较好的精度。
- 张西芝朱小艳刘敏娟
- 关键词：聚类算法K-MEANS网格
