一、Win95为何一直不稳定（论文文献综述）
曾艳[1]（2021）在《面向函数因果模型的因果发现算法研究及应用》文中指出近年来,基于可观测数据的因果发现吸引了许多学者的注意力,并被广泛应用在金融经济学、神经信息学、生物医学等领域中。面向函数因果模型（Functional Causal Models,FCM）的因果发现是其中的研究热点之一,因为这方面的研究让因果结构的唯一识别性理论保证成为可能,解决了因果发现中的马尔科夫等价类难题,从而有效帮助各个应用领域中的数据来源解释、干预措施制定、多领域学习等问题的解决。这项研究包含以下两个方面的任务:（i）学习可观测变量之间的因果关系与（ii）学习潜在隐变量（或隐因子）之间的因果关系。然而,针对不同的任务（i）和（ii）,面向不同函数因果模型的因果发现具有不同的挑战:基于线性非高斯FCM和任务（i）的因果发现算法由于因果次序的搜索方式不优,存在着算法性能低的难题;基于非线性FCM和任务（i）的因果发现算法由于非线性模型的复杂性与不可传递性,存在着因果网络的识别性理论缺乏的难题;基于隐变量FCM和任务（ii）的因果发现算法由于无法处理多领域数据,存在着模型表达能力不足等难题。因此,针对这些难题,本文从不同类型的函数因果模型出发,展开了深入的模型、理论、算法与应用层面的探索与研究。具体来说,本文的研究内容与主要贡献有:（1）针对面向线性非高斯函数因果模型的因果发现算法存在识别准确率低且计算复杂度高这个挑战,本文提出了一种因果树假设下的优先选择叶子节点的算法（A LiNGAM algorithm of Giving Priority to Leaf-nodes,GPL）来估计可观测变量之间的因果结构。根据叶子节点不会影响因果结构中其他节点的这一特征,GPL算法以自底向上的方式直接逐一地选择叶子节点并确定因果次序,而无需执行数据更新过程等其他操作,最后再使用剪枝算法确定因果网络结构。除了算法层面上的高效设计,本文还提供了算法在准确性与复杂度两方面的理论分析。此外,在仿真数据和关于无线网络优化的真实数据上进行的实验验证了 GPL算法在计算复杂度和准确度两方面的优势,尤其是在数据变量个数很多或样本量很少的情况。（2）针对面向非线性函数因果模型的因果发现算法缺乏因果网络识别的理论保障这个挑战,本文首先建立了基于高维多变量的非线性函数因果模型（multiple High-Dimensional Deterministic Models,HDDM）,并分析 了模型的良好性质:HDDM 模型在经过数据转换后,能使得两两互相依赖的变量具有不对称性。这一种不对称性是推导出因果网络识别性理论的重要基础。紧接着,本文设计了候选节点的两种选择策略,并在这两种策略的基础上相应地提出了一种基于非线性函数因果模型的因果发现集成算法和给出了算法的一致性分析。最后,通过在仿真数据上的实验,本文验证了算法理论的正确性,并将算法应用在雅虎股票指数数据集上,发现了股票数据背后的因果信息。（3）为了进一步探索数据的因果关系与增强模型的表征能力,本文以学习潜在隐变量之间的因果关系为研究目标。针对面向隐变量函数因果模型的算法无法解决多领域数据这一挑战,本文首先建立了基于多领域隐变量的函数因果模型（Multi-Domain Linear Non-Gaussian Acyclic Models for LAtent Factors,MD-LiNA）,并提供了模型的可识别性分析。MD-LiNA是一种新的因果表征方式。此外,本文提出了一种集成的两阶段方法,具体地说,在第一阶段,本文利用一种基于“伪残差”的被称为Triad的约束条件和因子分析方法,确定所有领域中隐因子的位置,并估计因子载荷矩阵（连接可观测变量与隐因子的矩阵）。在第二阶段,基于噪声独立性和不同领域的隐因子与真正隐因子之间的依赖性,本文建立目标函数与无环性约束等条件,有效地解决了多领域数据的问题,即当隐变量是多领域时,本文可以根据不同领域的隐变量之间的不同因果结构,来估计出背后隐藏的真正的隐变量之间的因果结构。在仿真数据与功能性磁振造影（Functional Magnetic Resonance Imaging,fMRI）海马大脑区域的真实数据上的实验结果显示,本文的方法不仅能有效处理单领域数据,也能处理多领域数据。总的来说,本文以构建识别效率高、泛化能力强的因果发现算法为总线,以两大不同的任务作为方向,以线性非高斯函数因果模型、非线性函数因果模型与基于隐变量的函数因果模型三大模型作为研究对象,解决了面向函数因果模型的不同因果发现问题。相关研究在不同的实际应用领域中发挥着一定的指导与参考作用。
洪英汉[2]（2018）在《高维因果网络结构学习关键技术研究》文中认为随着人工智能技术的迅猛发展,人们越来越趋向于研究能推理和解决问题的人工智能关键技术。因果关系推断研究主要是通过分析纯观测数据来揭示事物间的因果信息,它在解释、预测、决策、控制等方面起到很好的推理作用,是近年来人工智能领域的热点研究方向之一。同时,随着大数据的发展,在电信、金融、互联网、生命科学等行业出现了高维数据的研究需求,因此高维因果网络结构学习是目前急需解决的重点和难点。本文应用了条件独立性测试、独立性测试、智能优化算法等工具,理论和实验结合对高维因果网络发现存在的两个急需解决的挑战性问题:1)基于约束方法的独立性假设检验可靠性低;2)基于评分搜索的方法总体效果不佳,进行了深入地研究。本文的主要研究内容如下:1、研究基于独立残差测试的高维因果网络结构学习算法。在因果网络发现问题里,基于约束的方法常用条件独立性测试来检验变量之间的因果关系,随着网络变量的增加,条件集组成的集合越多。针对这种“维度灾难”导致因果网络结构学习的时效性和准确率下降的情况,本文提出了一种基于独立性测试的新方法,避免了条件独立性测试所需条件集的组合数量多的问题。首先将运用传统的条件独立性测试方法简化为两个非条件独立性测试的方法,保证了在条件集下对任意两个变量集的关系进行可靠地检验;从理论证明了所提出的两个非条件独立可推导出相应的条件独立。在传统的基于约束方法的基础上利用非条件独立性测试替换条件独立性测试,对高维数据进行独立残差测试得到变量之间的关系,逐步推断出完整的因果网络图。从理论推导和实验表明,该方法提高了高维因果网络结构学习的可靠性。2、研究了基于条件集维度约简的高维因果骨架学习算法。在高维数据中,传统的因果网络学习方法存在着速度慢、准确率低等特点,根源在于条件独立性测试的条件集合复杂。针对以上问题,首先采用基于最大依赖度和最小冗余度的互信息方法寻找待测试两个节点的各自因果节点集,同时对两个因果节点集进行并集优化得到候选条件集;利用传统的基于约束方法结合优化后条件集进行因果关系推断,最终推断出完整的因果网络图。从实验数据表明,本文提出的方法准确率优于传统的PC算法。3、研究了基于低阶条件独立性测试的高维因果骨架学习算法。传统的PC算法,特别在对高维数据进行网络学习阶段,条件独立性测试一直困扰着该算法的进展。针对以上问题,本文首先采用了低阶条件集进行快速的PC算法运算得出了粗糙的因果骨架图;接下来利用分裂-合并方法将粗糙因果骨架图分裂成若干个小网络,分别对小网络逐个进行因果关系推断得出因果骨架结构;最后把所有小网络合并形成完整的因果骨架。本文提出的方法在实验结果表明,该方法运行的结果比现有的方法的可靠性和效率都有所提高。4、研究结合K2（一种通过评分搜索方法找最优结构的因果骨架学习方法）和BSO（头脑风暴优化算法）的高维数据因果网络结构学习算法。评分搜索方法在因果网络结构学习上也得到较好的运用,同样也面临着高维数据条件下搜索评分方法不可靠的问题。本文提出的K2-BSO方法,首先利用K2算法对因果节点次序进行评分,改进距离评价函数并完善算法的聚类过程;接下通过BSO的四种个体更新方式进行种群优化,直至因果网络评分值收敛。该方法解决了传统K2算法容易陷入局部最优的缺点,在有限的时间内提高算法的可靠性,实验结果表明本文提出的方法比K2算法、和K2-GA算法在可靠性方面更优。基于约束的方法和基于评分搜索的方法是传统因果网络学习的两个基本方法,在低维网络的情况下,算法的表现较好;但是在高维网络的情况下,两种算法效果不佳。本文针对高维因果网络的特点以及网络学习方法的特点,提出了四种适应于高维因果网络结构学习算法,并从理论和实验证明了算法的有效性。
田玉根[3]（2010）在《基于Web的缓存与预取一体化技术研究》文中认为在Internet高速发展的今天,随着信息资源的爆炸,网络信息的增长速度加快且远远超过了磁盘容量和网络速度的增长。针对这个问题,已经提出了多种解决方法,其中最关键的技术是网络缓存和预取技术。目前对于预取与缓存技术的研究只是强调对预取算法和替换策略单方面的改进,而缺少对预取算法和替换策略相结合的研究。本文着重从以下几个方面进行深入研究和探讨。首先,在预测模型方面,将序列模式挖掘应用到Web日志中,对序列模式算法PrefixSpan进行改进,并将该算法应用到基于用户访问序列的预测模型中。该预测模型利用前缀树存储用户的访问序列,采用改进的PrefixSpan算法挖掘访问序列中的频繁序列模式,然后与用户当前的访问序列相结合,采用滑动窗口进行预测,得到较高的预测准确性。其次,针对替换策略的文档命中率问题,在替换算法GDSF基础上加入预测机制,提出了基于预测机制的缓存替换算法PGDSF,该算法根据用户当前的访问请求和用户过去的历史访问记录预测用户将来可能访问的对象。在一定的缓存空间内提高了缓存的命中率。再次,在PGDSF替换算法基础上,提出Web缓存与预取一体化模型,使缓存系统与预取系统相结合,提高了网络的服务质量。最后,通过仿真实验对替换算法PGDSF进行验证,证明了替换算法PGDSF在一定的缓存空间内相对于其它替换算法有较高的文档命中率和字节命中率。
LMM David[4]（2001）在《书签工具大解析》文中提出
黄雪峰,无防,田广茂[5]（2000）在《局域网实战要诀》文中提出不论是在办公室、网吧还是家里,越来越多的用户想知道怎样架设、使用和维护局域网。本期网络时空专题,内容包括1、中小型办公局域网、实惠的家庭局域网的架设,2、组网以及选择网卡的经验,3、排除常见硬件故障,4、局域网信息怎样保密,5、成功的局域网实用案例,等等非常实用的内容。
孙晓华[6]（2000）在《网络教室中WIN95/98的安装和维护》文中认为
王洁俐,王经胜[7]（2000）在《M-21切换台由半自动播到自动播的升级改造》文中指出本文详细阐述了我台综合机房M - 2 1切换台由半自动播到自动播DOS版 ,再到自动播WIN95版的升级、改造过程 ,对升级、改造过程中所遇到的问题进行了深入地分析 ,并提出了解决问题的办法。
小年[8]（1999）在《攒机自古谁无死——组装机“死机”故障十例》文中研究说明 电脑死机确实是一件电脑爱好者时常会碰到的事情,尤其是自己组装的电脑,由于大多选用一些价廉的低档主板,所以偶尔死上一次两次的,没有人会认为是什么大不了的事,但是如果经常性的死机,每十几分钟
Ed Bott,Woody Leonhard,李琳[9]（1998）在《1998——第七年度Windows超级指南》文中提出揭示Windows的秘密!这里有成百上千个未公开的、令人惊喜的加速秘诀，以及故障即时修复的专家技巧。
朱凌云,李江卫,张瑛[10]（1998）在《商用电脑大比武》文中研究表明PC界的竞争从未象今天这样白热化。各家厂商使出浑身解数,推出一款又一款适合不同需求的机型。广大用户可谓雾里看花,越看越花。如何选购商用电脑?什么是最适合您的机型?为了解答这个问题,也为了使各路豪杰有一向世人展示看家本领的舞台,PC Labs China测试了来自九个国内外厂商的21台主流商用PC,希望能有助于您拨开迷雾,作出正确选择。
二、Win95为何一直不稳定（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Win95为何一直不稳定（论文提纲范文）
（1）面向函数因果模型的因果发现算法研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 线性非高斯函数因果模型的研究现状 |
| 1.2.2 非线性函数因果模型的研究现状 |
| 1.2.3 含隐变量函数因果模型的研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的结构 |
| 第二章 基础知识 |
| 2.1 因果图模型 |
| 2.2 函数因果模型 |
| 2.2.1 线性非高斯无环模型 |
| 2.2.2 非线性信息几何因果推断模型 |
| 2.3 基于隐因子的线性非高斯无环模型 |
| 2.4 本章小结 |
| 第三章 优先选择叶子节点的线性非高斯因果发现算法 |
| 3.1 引言 |
| 3.2 优先选择叶子节点的因果发现算法 |
| 3.2.1 整体思路 |
| 3.2.2 叶子节点的识别 |
| 3.2.3 优先选择叶子节点的因果发现算法 |
| 3.2.4 算法理论分析 |
| 3.3 仿真实验与分析 |
| 3.3.1 样本量敏感性分析 |
| 3.3.2 变量数敏感性分析 |
| 3.3.3 因果树假设敏感性分析 |
| 3.4 真实数据实验与分析 |
| 3.5 本章小结 |
| 第四章 面向高维数据的非线性因果发现算法 |
| 4.1 引言 |
| 4.2 面向高维数据的函数因果模型 |
| 4.2.1 模型的定义 |
| 4.2.2 模型的性质 |
| 4.3 基于高维模型的因果发现算法 |
| 4.3.1 理论分析 |
| 4.3.2 第一阶段: 识别第一个外生变量 |
| 4.3.3 第二阶段: 识别下一个外生变量 |
| 4.3.4 简单的例子 |
| 4.4 仿真实验及分析 |
| 4.4.1 维度敏感性分析 |
| 4.4.2 样本量敏感性分析 |
| 4.4.3 噪声敏感性分析 |
| 4.4.4 参数敏感性分析 |
| 4.5 真实数据实验及分析 |
| 4.6 本章小结 |
| 第五章 基于多领域隐因子模型的因果发现算法 |
| 5.1 引言 |
| 5.2 面向多领域隐因子的函数因果模型 |
| 5.2.1 模型的定义 |
| 5.2.2 模型假设的讨论 |
| 5.2.3 模型的识别性 |
| 5.3 基于多领域隐因子模型的因果发现算法 |
| 5.3.1 第一阶段: 测量模型的估计 |
| 5.3.2 第二阶段: 结构模型的估计 |
| 5.3.3 算法的一致性分析 |
| 5.4 仿真实验及分析 |
| 5.4.1 样本量的敏感性分析 |
| 5.4.2 高相关隐因子的敏感性分析 |
| 5.4.3 隐因子个数的敏感性分析 |
| 5.4.4 领域个数的敏感性分析 |
| 5.4.5 噪声的敏感性分析 |
| 5.5 真实数据实验及分析 |
| 5.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间取得与学位论文相关的成果 |
| 致谢 |
（2）高维因果网络结构学习关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩写、符号清单、术语表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 因果网络结构学习的研究现状及应用 |
| 1.2.1 因果网络结构学习的国内外研究现状 |
| 1.2.2 因果网络结构学习领域的主要应用 |
| 1.3 预备知识 |
| 1.3.1 图的定义 |
| 1.3.2 因果网络 |
| 1.3.3 D分离准则 |
| 1.3.4 条件独立性测试 |
| 1.3.5 因果充分性假设与忠诚性假设 |
| 1.3.6 因果马尔科夫假设 |
| 1.3.7 ANM模型 |
| 1.3.8 PC算法 |
| 1.4 本文的主要研究内容 |
| 第二章 基于独立残差测试的高维因果网络结构学习算法 |
| 2.1 引言 |
| 2.2 独立残差检验(RIT)方法 |
| 2.3 算法框架 |
| 2.4 实验结果分析 |
| 2.4.1 虚拟网络实验 |
| 2.4.2 真实网络实验 |
| 2.5 本章小结 |
| 第三章 基于条件集维度约简的高维因果网络结构学习算法 |
| 3.1 引言 |
| 3.2 相关知识 |
| 3.3 FCDM算法 |
| 3.3.1 相关定理 |
| 3.3.2 因果节点特征选择方法 |
| 3.3.3 算法框架 |
| 3.4 实验结果分析 |
| 3.4.1 FCDM和PC算法之间的比较 |
| 3.4.2 FCDM算法在不同样本量下的效果 |
| 3.5 本章小结 |
| 第四章 基于低阶条件独立性测试的高维因果网络结构学习算法 |
| 4.1 引言 |
| 4.2 LCSCD算法 |
| 4.2.1 基于低阶条件集的粗糙因果骨架构造过程 |
| 4.2.2 寻找因果分区 |
| 4.2.3 算法框架 |
| 4.3 实验结果分析 |
| 4.3.1 两种算法在不同网络结构可靠性比较 |
| 4.3.2 两种算法在不同网络下执行时间的比较 |
| 4.4 本章小结 |
| 第五章 结合K2和BSO的高维因果网络结构学习算法 |
| 5.1 引言 |
| 5.2 K2算法和BSO算法 |
| 5.2.1 K2算法 |
| 5.2.2 BSO算法 |
| 5.3 K2-BSO算法过程 |
| 5.3.1 聚类优化过程 |
| 5.3.2 算法框架 |
| 5.4 算法的性能分析 |
| 5.5 实验结果分析 |
| 5.6 本章小结 |
| 总结与展望 |
| 本文的主要工作 |
| 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间发表或完成的论文 |
| 攻读博士学位期间获得的奖励和参与的项目 |
| 致谢 |
（3）基于Web的缓存与预取一体化技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与科学意义 |
| 1.2 国内外研究现状 |
| 1.2.1 缓存技术的研究现状 |
| 1.2.2 预取技术的研究现状 |
| 1.2.3 缓存与预取一体化研究现状 |
| 1.3 课题的研究内容及预期目标 |
| 1.4 文章的组织结构 |
| 第2章 Web 缓存与预取的理论概述及分析 |
| 2.1 Web 缓存的基本理论及分析 |
| 2.1.1 Web 访问特征 |
| 2.1.2 缓存系统结构 |
| 2.1.3 Web 缓存方式 |
| 2.1.4 缓存分类 |
| 2.1.5 缓存系统的性能指标 |
| 2.2 预取的理论概述及分析 |
| 2.2.1 预取的基本理论与分析 |
| 2.2.2 预取分类 |
| 2.2.3 预取算法分析和比较 |
| 2.3 本章小结 |
| 第3章 基于用户访问序列的预测模型 |
| 3.1 Web 日志挖掘 |
| 3.2 数据预处理 |
| 3.3 序列模式挖掘 |
| 3.3.1 序列模式相关定义 |
| 3.3.2 序列模式挖掘算法 |
| 3.3.3 改进的PrefixSpan 算法 |
| 3.4 预测模型的设计与实现 |
| 3.4.1 前缀树构造 |
| 3.4.2 频繁序列挖掘 |
| 3.4.3 访问对象预测 |
| 3.5 本章小结 |
| 第4章 Web 缓存与预取一体化 |
| 4.1 Web 缓存替换模型 |
| 4.2 Web 缓存替换策略 |
| 4.3 PGDSF 替换算法的设计与实现 |
| 4.3.1 PGDSF 替换策略 |
| 4.3.2 PGDSF 算法描述 |
| 4.4 预取控制 |
| 4.5 Web 缓存与预取一体化 |
| 4.5.1 Web 缓存与预取模型 |
| 4.5.2 缓存与预取交互控制模型 |
| 4.6 本章小结 |
| 第5章 实验与结果分析 |
| 5.1 实验环境的搭建 |
| 5.2 仿真实验 |
| 5.2.1 预测模型仿真实验 |
| 5.2.2 替换策略仿真实验 |
| 5.3 实验结果分析 |
| 5.3.1 预测模型实验结果分析 |
| 5.3.2 替换策略实验结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
| 作者简介 |
四、Win95为何一直不稳定（论文参考文献）
- [1]面向函数因果模型的因果发现算法研究及应用[D]. 曾艳. 广东工业大学, 2021(08)
- [2]高维因果网络结构学习关键技术研究[D]. 洪英汉. 广东工业大学, 2018(02)
- [3]基于Web的缓存与预取一体化技术研究[D]. 田玉根. 燕山大学, 2010(08)
- [4]书签工具大解析[J]. LMM David. 电脑技术, 2001(03)
- [5]局域网实战要诀[J]. 黄雪峰,无防,田广茂. 计算机与网络, 2000(24)
- [6]网络教室中WIN95/98的安装和维护[J]. 孙晓华. 中国电化教育, 2000(10)
- [7]M-21切换台由半自动播到自动播的升级改造[J]. 王洁俐,王经胜. 西部广播电视, 2000(08)
- [8]攒机自古谁无死——组装机“死机”故障十例[J]. 小年. 电脑爱好者, 1999(12)
- [9]1998——第七年度Windows超级指南[J]. Ed Bott,Woody Leonhard,李琳. 电子与电脑, 1998(11)
- [10]商用电脑大比武[J]. 朱凌云,李江卫,张瑛. 个人电脑, 1998(11)