簡介：點擊查看更多基于文檔團的Markov網絡檢索模型.pdf精彩內容。

簡介：文檔圖像處理DIPDOCUMENTIMAGEPROCESSING的研究目的就是要利用計算機從文檔圖像中獲取需要的信息或者說是要讓計算機模擬人類自身對文檔圖像進行理解我們首先提出了問題可解性的概念當給定一個問題它可以分解為一系列的模型該模型序列在一定的測度下是收斂的而且對于給定的常數(shù)TT1存在一個遠小于無窮的正數(shù)C使得該序列前C個模型之和對整個問題的覆蓋程度大于T那么我們就稱該問題是模型可解的其次我們通過仿真實驗表明了版面結構理解問題是模型可解的我們構造了一個文檔版面結構模型序列在表明版面結構的模型可解性的同時我們也完成了模型的建立然后我們設計了一個文檔版面結構模型的識別算法該算法的功能主要是識別上面模型序列中的十二個結構模型該算法從文檔分層的思想出發(fā)利用投影輪廓分析方法和一些排版方面的知識首先確定出我們定義的文檔版面結構空間模型中的基元此外我們還介紹了文檔圖像處理中其它一些方向的研究工作包括預處理版面拆解和區(qū)域識別其中我們詳細介紹了我們在文檔傾斜校正和區(qū)域識別方面的研究成果

簡介：本文提出了為XML應用進行建模的統(tǒng)一的設計方法定義了一種基于擴展ER模型支持XML文檔建模的概念模型EERXEXTENDEDERFXML并結合POWERDESIGNER建模工具研究和探討了實現(xiàn)EERX模型可視化應用的方法本文還針對XML概念模型和邏輯模型之間的轉換算法問題提出了初步解決方案本文從XML的理論基礎出發(fā)對XML自身的半結構化特點以及它在數(shù)據庫領域的應用作了詳細的介紹闡述了當前引入XML概念模型的必要性深入探討了比XMLSCHEMA更抽象和直觀的概念模型并在POWERDESIGNER設計工具的基礎上進行擴展實現(xiàn)了對自定義的EERX模型的可視化建模的支持論文對EERX模型的定義和可視化實現(xiàn)工作做了重點介紹并通過實例介紹了EERX概念模型的應用并對EERX到XMLSCHEMA的轉換算法進行闡述

簡介：復旦大學博士學位論文XML文檔的規(guī)范化問題研究姓名呂騰申請學位級別博士專業(yè)計算機軟件與理論指導教師瞿兆榮20030430XML文檔的規(guī)范化問題研究ABSTRACIABSTRACTXMLEXTENSIBLEMARKUPLANGUAGEHASBECOMEONEOFTHEPRIMARYSTANDARDSFORDATAEXCHANGEANDREPRESENTATIONONTHEINTEMETITISWIDELYUSEDINVARIOUSFIELDSXMLDOCUMENTSMAYCONTAINREDUNDANTINFORMATIONANDOPERATIONANOMALIESDUETOABADDESIGNEDXMLSCHEMADTDWHICHIMPLIESTHEANOMALYDATADEPENDENCIESAMONGELEMENTSANDATTRIBUTESTHISPAPERSTUDIESTHENORMALIZATIONPROBLEMOFXMLDOCUMENTSWITHDTDS髂THEIRSCHEMASTHISWORKISCOMPOSEDOFTHREEPARTSASFOLLOWING11THISPARTANALYZESTHEDIFFERENCESOFFUNCTIONALDEPENDENCIESWHENTHEYAREAPPLIEDINXMLDOCUMENTSANDRELATIONALDATABASESRESPECTIVELYACONCEPTOFFUNCTIONALDEPENDENCYFORXMLDOCUMENTSBASEDONDTDPATHEXPRESSIONISPROPOSEDTHCADVANTAGEOFTHISDEFINITIONISTHATIT鋤REPRESENTTHEFUNCTIONALDEPENDENCIESNOTONLYBETWEENTHEVALUESOFATTRIBUTESANDELEMENTS，BUTALSOBETWEENTHENODESOFELEMENTSTHEREARETWOFORMSOFFUNCTIONALDEPENDENCYABSOLUTEFUNCTIONALDEPENDENCYANDRELATIVEFUNCTIONALDEPENDENCYANDASETOFCOMPLETEINFERENCEROLESABOUTXMLFUNCTIONALDEPENDENCYISGIVENFINALLYTHERELATIONBETWEENFUNCTIONALDEPENDENCYANDKEYSFORXMLDOCUMENTSARCALSOSTUDIEDINTHISPALL2INTHISPART，THECONCEPTSOFINDIRECTFUNCTIONALDEPENDENCYANDTRANSITIVEFUNCTIONALDEPENDENCYFORXMLDOCUMENTSALOPROPOSEDANDONEXMLNORMALFORMXNF1，ISDEFINEDBASEDONTHESECONE印TSANOTHERXMLNORMALFOFM，XNF2ISALSOPROPOSEDINTHISPARTTHECONCEPTOFLOSALESSJOINDECOMPOSITIONFORDTDSISALSODEFINEDBYTHERELATIONALREPRESENTATIONOFDTDSFINALLYTWOLOSSLESSJOINDECOMPOSITIONALGORITHMSFORTRANSFORMINGANXMLDOCUMENT’SDTDINTOXNFIANDXNF一2RESPECTIVELYALE西VEN3XMLDOCUMENTSMAYCONTAINDATAREDUNDANCIESANDOPERATIONANOMALIESDUETONONFUNCTIONALDEPENDENCIESTHECONCEPTOFMULTIVALUEDDEPENDENCYFORXMLDOCUMENTSWITHDTDSASTHEIRSCHEMASISPROPOSEDINTHISPARTANDANOTHERXMLNORMALFORM。XNF3，ISDEFHLEDBASEDONTHECONCEPTOFMULTIVALUEDDEPENDENCYFINALLYALOSSLESSJOINDECOMPOSITIONALGORITHMFORTRANSFORMINGAN第IV頁

簡介：隨著INTER及其信息服務的爆炸性增長，繼數(shù)據挖掘技術成功地用于傳統(tǒng)的數(shù)據庫領域之后，人們對網絡信息挖掘特別是WEB數(shù)據挖掘技術也開始研究。本文首先介紹了數(shù)據挖掘的定義、功能、模型和算法；研究了數(shù)據挖掘的背景、技術演變過程和現(xiàn)狀。接著描述了數(shù)據挖掘系統(tǒng)的原型框架，并著重對最常用的三種WEB數(shù)據挖掘技術進行了分析WEB日志挖掘采用的模型有較大的缺陷精度較低、模型代價太大、效率不高，不適合電子文檔的數(shù)據挖掘；向量空間模型VSM法和基于示例學習的文檔過濾法其實都是一種文檔比較、過濾模型的方法，這種方法的主要缺陷是向量的維數(shù)和計算開銷非常巨大，挖掘效率低。處理包含模糊特性的事物，效果不是很好。對中心詞進行模糊測度處理時，會產生較大的偏差。最后，論文給出了一個實用的電子文檔信息挖掘系統(tǒng)的解決方案。INTER上文檔類型繁多，語種復雜，針對這些文檔建立一個格式一致的數(shù)據庫將是一項很復雜的事情。

簡介：該文首先回顧了文檔管理和辦公自動化技術的發(fā)展歷程基于文檔和文檔管理系統(tǒng)的定義介紹了電子文檔的特點和文檔管理的內容在總結文檔管理現(xiàn)狀后提出了文檔管理的需求闡述了應圍繞文檔的產主、存取訪問、分發(fā)、流程進行文檔管理作者隨后闡述了文件分解的方法即根據文件格式定義從文件尤其是文本文件中提取出標引信息并據以對文檔進行分類組織和全文檢索這樣突破了文件格式的限制并可根據標引信息對內容進行組織隨后著重分析了關系數(shù)據庫和文檔數(shù)據庫在文檔管理中的應用在隨后章節(jié)中作者結合實際辦公自動化項目的開發(fā)闡述了文檔管理在辦公自動化系統(tǒng)中的設計與實現(xiàn)過程針對項目中文檔管理的需求圍繞文檔的產生、存取、流轉對辦公自動化系統(tǒng)進行了設計和實施實現(xiàn)了各個功能模塊并體現(xiàn)了對文檔中標引信息的應用

簡介：聚類技術是數(shù)據挖掘領域具有重要價值的技術之一，隨著網絡在社會生活的不斷深入，加之數(shù)據庫技術的迅速發(fā)展和普及，WEB挖掘日益受到信息科學界的關注和重視，總的來說，WEB挖掘可分為三種類型WEB結構挖掘，WEB使用挖掘和WEB文本挖掘1，其中，文檔聚類屬于WEB文本挖掘的研究內容，所謂文本挖掘，是指從文檔集合中發(fā)現(xiàn)隱含的某些未知模式或規(guī)則。文檔聚類不同于傳統(tǒng)的文檔分類，它不是基于預定的類表或類目體系，而是完全基于文檔本身，即先有文檔后有類，類的內涵和外延以及整個類目體系完全由需要進行聚類處理的文檔集合確定。目前常用的文檔聚類方法有層次方法和劃分方法等，其中，層次方法通過將文檔組織成若干類并形成一個相應的樹來進行聚類，其準確度較高，但運行速度較慢，不適合大規(guī)模文檔集合的聚類；劃分方法將文檔集合水平的劃分為許多類，各類間沒有層次性，其運行速度較快，但須事先確定聚類數(shù)目，且對噪聲和輸入順序較敏感，尤其是當文檔形式化表示的維數(shù)較高時，該方法的性能和聚類質量都明顯下降。對此，本文提出一種基于術語簇和關聯(lián)規(guī)則的文檔聚類方法，首先對文檔集合進行分詞得到許多術語，對這些術語進行處理得到一個術語集合，再計算術語之間的平均互信息并以此為依據使用聚叢法形成術語簇，用術語簇來表示文檔，并計算術語簇和文檔之間的關聯(lián)度得到一個關聯(lián)矩陣，使用DHP（DIRECTHASHINGPRUNING）算法從關聯(lián)矩陣中挖掘出文檔的初始聚類，對此進行聚類分析獲得最終的文檔聚類。此外，還使用了新的術語權重和文檔相似度計算方法，在實驗數(shù)據的計算中使用了加權平均法。實驗結果表明，與傳統(tǒng)的聚類方法相比，新聚類方法運行速度快，聚類效果和聚類質量都有顯著提高。

簡介：由于XML具有自描述性和可擴展性等特點，能夠滿足WEB上對數(shù)據描述和存儲的需求，因而使得XML正在成為WEB上數(shù)據表示和交換的事實上的標準。隨著XML格式數(shù)據的快速增長和廣泛應用，對XML數(shù)據的查詢、轉換和存儲的研究受到了廣泛關注。在XML文檔的查詢技術研究中，基于小枝模式匹配的結構連接查詢是關鍵的核心內容。對于XML結構查詢，可以對XML文檔樹中的結點或邊進行編碼，通過編碼直接判斷結點之間的結構關系，而無需對原XML文檔樹進行遍歷，從而將XML結構查詢的計算轉化為結構連接的計算。目前對XML文檔的編碼方法有區(qū)間編碼、路徑編碼、前綴編碼等。因此，隨著不同編碼方案的研究，各種相應的結構查詢算法也提了出來。對于XML文檔基于結構連接的小枝模式匹配查詢，是從文檔樹中查找與查詢模式匹配的結點，然后將查找到的匹配結果再組裝成最終符合查詢表達式的完整樹結構。TWIGSTACK是一個典型的關于小枝模式匹配的結構連接查詢算法。它采用鏈棧的數(shù)據結構作為緩存，對查詢節(jié)點流進行整枝計算，從而避免了無用中間結果的產生?；诖怂惴ǎ痔岢隽艘幌盗懈倪M的算法。其中TWIG2STACK和TWIGLIST算法分別采用層次關系的堆棧結構和列表結構，避免了復雜的歸并過程，進一步提高了查詢效率。在我們對小枝模式匹配查詢的研究中，發(fā)現(xiàn)TWIGSTACK算法對查詢節(jié)點流在結束時的處理上存在著不足在對TWIGLIST算法的分析中，發(fā)現(xiàn)可以將XML文檔的SAX解析應用于查詢過程，從而避免了對XML文檔進行編碼，能進一步提高查詢效率。本文的主要工作是1提出了BSTWIGSTACK小枝模式匹配查詢算法。該算法增強了原有的TWIGSTACK算法，給出了XML文檔在查詢節(jié)點流結束時的查詢匹配處理策略。2提出了BSTWIGLIST小枝模式匹配查詢算法。針對XML文檔的結構特點，在結合XML文檔的基于事件的SAX解析方式的基礎上，改進了TWIGLIST算法。BSTWIGLIST算法能夠應用于節(jié)點流模式的小枝查詢，在文檔解析的同時可以進行模式匹配查詢，避免了以往查詢算法需要先對文檔節(jié)點進行編碼索引的步驟，使得XML文檔在更新時，無需對編碼文件進行重新編碼和維護，從而減少了查詢所需的存儲空間，提高了查詢效率。3最后通過對算法進行的實驗和數(shù)據測試，給出了算法查詢時間響應及性能分析圖表，進一步驗證了改進的查詢算法的有效性。在對以上算法的研究和實現(xiàn)當中，本文所研究的只是XPATH查詢的一個片段，對于其他形式的XPATH查詢，仍然有待于進一步的研究另外本文考慮的只是一種靜態(tài)XML文檔節(jié)點數(shù)據流的小枝模式匹配查詢，而對于在網絡環(huán)境下的多用戶的動態(tài)數(shù)據流小枝模式匹配查詢，還要加以更進一步的研究。這些將成為今后下一步研究的重點和方向。

簡介：點擊查看更多大規(guī)模WWW文檔分類與特征詞抽取方法研究.pdf精彩內容。

簡介：點擊查看更多基于分布式對象和DMA標準的文檔管理系統(tǒng)開發(fā)環(huán)境與特許廳文檔管理系統(tǒng)的開發(fā).pdf精彩內容。

簡介：近年來，隨著辦公自動化即OA系統(tǒng)的廣泛使用，檔案載體迅速地被磁盤、磁帶、光盤所取代或更替。文檔影像管理系統(tǒng)通過檔案數(shù)字化，將票據、單證、文件和檔案資料等轉換成電子影像信息，存儲并索引至光盤或硬盤，用以代替紙張等傳統(tǒng)的存儲方式，實現(xiàn)檔案的數(shù)字化存儲、管理與維護，提供數(shù)字檔案信息的網絡傳輸和利用服務。文檔影像管理系統(tǒng)在銀行業(yè)、保險業(yè)、政府機關、郵電、醫(yī)院與教育行業(yè)都有廣泛的應用，所以文檔影像管理系統(tǒng)的研究不僅是一個極具實際意義的課題，而且有著良好的應用發(fā)展前景。數(shù)字圖像處理的結果將形成最終的數(shù)字化館藏，可以說圖像處理的質量決定了數(shù)字化檔案的質量。文檔影像系統(tǒng)需要圖像處理的問題分兩方面一方面是圖像優(yōu)化，也就是優(yōu)化掃描圖像質量，如降噪，糾偏、去黑邊等，一方面是滿足特定需求，如處于安全性考慮進行數(shù)字水印處理等。本文研究的是第一方面，也就是文檔影像系統(tǒng)圖像增強中的兩個問題糾偏與降噪。糾偏有分為兩個方面圖像糾斜與文本居中。本文提出了基于文本行直線擬合計算文檔影像傾斜角度的算法和基于文本區(qū)域邊界的文本居中算法。文檔影像中的噪聲雜點屬于單極脈沖噪聲，很多雜點存在于文檔影像的“字里行間”中。針對這些特點，本文提出了基于分塊快速去除雜點的算法以及為了滿足更高影像質量的要求而提出能較大程度去除“字里行間”雜點的基于雜點鄰域的降噪算法。最后展示了應用本文中提出算法的一個原型系統(tǒng)。

簡介：普通文檔圖像中表格版面結構的定位與分析是文檔圖像分析系統(tǒng)的重要部分由于表格結構本身的復雜性等原因表格結構的定位與分析一直是一個難點要使表格版面結構的定位與分析能在實際的文檔圖像分析系統(tǒng)中得到應用性能評測是其必要的保障評測系統(tǒng)通過比較實際系統(tǒng)的分析結果與理想的評測標準來評價系統(tǒng)的性能這里的評測標準不僅是表格結構定位與分析的正確結果而且是自動比較的基準，所以確定評測標準非常重要評測系統(tǒng)可以采用不同的方法來進行結果的比較該文將討論一種新的方法，通過表格結構中線條交點的比較來得到系統(tǒng)評測的結果評測的內容包括確定評測參數(shù)，定量地評價系統(tǒng)的性能，并為系統(tǒng)的改進提供有效的數(shù)據最后，以南開大學機器智能所OCR軟件中的識別工具包RTK60作為實際的表格結構定位與分析系統(tǒng)，并選取152頁樣張作為測試集，進行系統(tǒng)性能的評測實驗，結果表明評測方法是有效的

簡介：隨著互聯(lián)網的發(fā)展，搜索引擎已成為網民獲取網絡信息的主要工具。在這種趨勢下出現(xiàn)了各式各樣的搜索引擎。網絡上有一類文檔包含了大量信息，這類文檔包括WD、POWERPOINT、EXCEL等等。雖然目前存在一些專業(yè)的文檔搜索引擎比如北大天網FTP文件搜索引擎，但這類搜索引擎的檢索范圍僅限于FTP文檔，并且只能對文件名進行檢索而無法對文檔內容進行檢索。盡管有少數(shù)的大型專業(yè)搜索引擎如BAIDU、GOOGLE實現(xiàn)了對文檔內容進行檢索的功能，但這些搜索引擎并不是針對文檔的搜索引擎，它們通過解析HTTP頁面的方式來搜集文檔，而不支持對FTP服務器上的文檔資源的搜集，因而損失了大量的資源。此外，對于日益增長的海量網絡數(shù)據，檢索結果本身就是一個很大的集合，用戶很難從這個大集合中有效地獲取信息，因此用戶需要更具體更客戶化的搜索引擎。本文設計和實現(xiàn)的中英文文檔全文搜索引擎不同于現(xiàn)有的搜索引擎。該文檔搜索引擎對海量網絡數(shù)據提供了簡化性整合，可以靈活地與垂直搜索等技術相結合。該搜索引擎可以被應用到特定的領域比如對特定網站的文檔資源的檢索、對特定行業(yè)的文檔資源的檢索等等。該系統(tǒng)一方面彌補了現(xiàn)有文檔搜索引擎信息量匱乏的缺陷另一方面，系統(tǒng)“硬件要求低、簡潔、靈活、可配置”的特點使其可以方便地應用到各種具有專門需求的全文檢索領域。本文重點介紹和實現(xiàn)了以下一些方面1系統(tǒng)的總體設計；為提高性能和可擴展性所做的一些局部設計。2HTTP和FTP爬蟲系統(tǒng)。設計并實現(xiàn)了用于抓取特定文檔WD，POWERPOINT，EXCEL的HTTP和FTP爬蟲系統(tǒng)。詳細描述了HTTP爬蟲的總體架構設計、運行流程、重要組件DNSCACHE的設計與實現(xiàn)。闡述了URL去重策略的設計與實現(xiàn)、POLITENICE抓取處理策略的設計與實現(xiàn)、HTML頁面解析過程的設計與實現(xiàn)、文檔抓取過程的設計與實現(xiàn)。闡述了FTP爬蟲系統(tǒng)的總體設計和性能優(yōu)化方案。闡述了爬蟲系統(tǒng)的文件去重功能的設計及實現(xiàn)、文檔解析系統(tǒng)的接口設計及實現(xiàn)。3基于APACHEPOI的文檔解析模塊。介紹了模塊總體設計、具體實現(xiàn)、存儲優(yōu)化策略。4基于LUCENE的檢索模塊和UI模塊。介紹了LUCENE的原理，結合WEB技術闡述了檢索模塊和UI模塊的設計思路和實現(xiàn)方法。文章最后對系統(tǒng)的工作效果和性能進行了簡單評測，對系統(tǒng)未來的工作進行了分析和展望，提出了一些優(yōu)化方案。

簡介：根據對當前信息系統(tǒng)的分析該文總結出目前管理信息系統(tǒng)在流程建模、分析和管理等方面的不足基于此分析了工作流管理信息系統(tǒng)的優(yōu)點及其體系結構模型為工作流管理信息系統(tǒng)的建設提供了一個很好的參考模型該文分析了在信息系統(tǒng)中實現(xiàn)工作流機制的三種方法提出首先基于工作流數(shù)據庫實現(xiàn)工作流管理系統(tǒng)的功能然后將其作為一個子系統(tǒng)嵌入到信息系統(tǒng)中該文通過流程定義模型、活動規(guī)則表示、任務分配模型來定義一個工作流數(shù)據庫并基于此數(shù)據結構分析了如何實現(xiàn)工作流管理系統(tǒng)的功能該文將工作流管理系統(tǒng)作為文檔管理信息系統(tǒng)的子系統(tǒng)對文檔工作流管理信息系統(tǒng)進行了系統(tǒng)分析和設計并探討了OLE技術在文檔內容管理中的應用安全問題是文檔管理和工作流技術都值得關注的問題該文探討了文檔管理中的工作流安全機制給出了工作流管理信息系統(tǒng)的層次安全結構在此基礎上分析了多級訪問控制模型及其實現(xiàn)

簡介：隨著多媒體和網絡技術的高速發(fā)展，越來越多的數(shù)字多媒體產品通過網絡進行傳播。在信息獲取與交流更加便捷的同時，由于多媒體產品可以輕易地被拷貝及復制，信息隱患也隨之而來。因此，如何采取相應措施保護作者的版權，如何證明用戶得到的產品的正確性和完整性，成為亟待解決的問題。在這種背景下，作為多媒體產權保護和信息安全維護的一種有效手段，魯棒性的數(shù)字水印技術成為信息處理領域的一個研究熱點。在眾多類型的多媒體產品中，文檔圖像在許多情況下往往比自然圖像、聲音、視頻等具有更高的價值，但是又更加容易被傳播和拷貝。而且鑒于文檔圖像自身的特點，許多數(shù)字圖像水印算法對文檔圖像并不適用。目前針對文檔圖像的數(shù)字水印算法并不是很多，并且都有魯棒性較低的缺點?；诖耍疚氖紫冉榻B了數(shù)字水印的基本概念、水印基本特征和數(shù)字水印研究動態(tài)使讀者對數(shù)字水印的基礎知識有一個總體的了解；接著介紹了幾種能夠應用于二值圖像的數(shù)字水印算法；然后，分析了文檔圖像的特征，使用文本塊標記算法實現(xiàn)文檔圖像區(qū)域的定位；對文檔圖像的特征指標進行比較計算，重點分析了文檔圖像的紋理譜特征，詳細介紹紋理譜和零水印的概念；使用紋理譜直方圖作為二值文檔圖像的零水印，提出了完整的零水印構造和檢測算法；最后，進行多種攻擊實驗，包括常用的剪切、添加噪聲和旋轉，并給出實驗結果和對實驗結果的分析，證明本算法具有較好的魯棒性。本文的算法基于文檔圖像的紋理譜特征，并且使用了零水印方案。水印的生成算法和圖像質量具有較好的表現(xiàn)，借助于版面分析可進一步提高水印算法的檢測精度。文檔圖像作為一種特殊的圖像載體，在社會日益進步的今天有著越來越重要的作用，是一個極具潛力的研究方向。隨著人們對文檔圖像數(shù)字水印技術的重視，文檔圖像數(shù)字水印發(fā)展前景會更加光明。