浅谈职业学校机房管理与维护

职业学校的计算机机房不但是学生学习的场所，更是个动手实践的场所。然而，有些学生在上机时因操作不当和故意将计算机系统文件删除，或者感染病毒，极易造成系统运行不稳定甚至崩溃，这样使机房管理者要花很多的时间去安装系统和应用程序，而这个过程是一个量大、麻烦的工作，给机房管理和维护带来诸多不便。本文试着从硬件资源管理和软件保护方面提出了对机房进行有效管理的原则和方法。     

高校计算机教学机房的管理与维护

高校计算机教学机房的管理和维护，一直是机房管理人员头疼的问题。探讨了高校计算机房的安全对策和解决方法，并从网上对拷、多点播送、设置虚拟光驱、远程控制、硬盘只读不写和网络的自动维护等几个方面来解决教学网络的管理和维护难的问题，从而减少教学机房维护人员的工作量，达到保证教学机房正常、稳定的工作目的。     

计算机教学机房管理和维护的探讨

学校内的计算机教学机房中计算机数量多,使用频率高,而且使用对象主要是学生,造成经常出现频繁死机、系统崩溃、病毒破坏等较为严重的问题,影响了正常的教学需要和设备的使用效率。制定科学的方案,实施有效的管理和维护,是确保教学机房正常、高效使用的重要手段。     

浅谈计算机机房建设、维护与使用

高校计算机机房作为重要的实训、实践场所,日益增长的上机需求和越来越多的考试、认证任务对计算机机房提出了更高的要求。本文就计算机机房的建设、维护、使用三个方面介绍其方法和经验。     

计算机机房管理与维护

计算机机房是学生学习知识的重要场所,一旦机房出现了问题,将对教学产生很大的影响。但是,计算机机房日常管理繁琐,软件安装工作量大,实验环境维护困难。因此,从常规管理、机房维护、故障排除等方面做好机房的管理和维护工作是非常重要的。作者结合多年来机房管理中的经验及教训,总结出如下几点管理与维护方法。     

高校计算机机房的管理与维护

高校学生机房的管理是一项比较复杂的工作,因为它既是校园网管理的重要组成部分,也是计算机学科教学中不可或缺的重要环节。随着机房在高校教学中的作用越来越重要,如何科学、合理的管理机房成了摆在每个管理者面前的课题,所以对于高校计算机机房的管理,一定要给予重视。     

计算机机房的管理与维护

对计算机机房的管理与维护进行了探讨, 并对常用的管理及维护方法进行了比较. 在深入分析Ghost软件特点的基础上, 采用Ghost软件的多播技术, 使计算机操作系统得以快速恢复与安装, 解决了安装恢复计算机操作系统需要大量时间和人力的问题.     

浅谈计算机机房管理与维护

介绍了计算机机房管理中的硬盘保护功能、工作站硬盘分区管理、系统恢复和利用Windows注册表管理进行系统维护，提出了多层次的保护措施。     

计算机机房的建设、维护与使用探讨

当前,计算机技术的学习已经变得十分普遍,高校是培养计算机人才的重要教育机构。其计算机机房的建设也成为了一项重点工作。因为它不仅是现代计算机技术教学的基本场所,也是搭建一个高效计算机实训平台的重要保障,同时合理的使用与科学的维护也是十分必要的。     

计算机机房管理与维护实践

随着社会的发展,各学科都有与计算机相关的课程使用机房这个平台。这样就使计算机机房的使用越来越频繁。怎样使计算机减少故障率和提高计算机的维护效率是计算机机房管理人员必须思考的问题,本人通过多年的机房管理工作,总结出一些行之有效之经验来提高计算机机房使用效率和维护效率。     

一种改进的B样条网络学习算法应用于非线性时间序列预测

将一种关于一维输入的改进B样条网络学习算法推广到二维输入情形，并应用到一个非线性时间序列预测问题中，计算机仿真结果表明该算法比现有的B样条网络学习算法更有效。     

改进的人工神经网络模型在水文序列预测中的应用研究

目前人工神经网络(ANN)技术在水文序列模拟预测中有较多应用.由于径流时间序列往往呈现出复杂的变化过程,直接使用径流序列建立的ANN单变量预测模型大多精度较差而难以满足需要.本文拟从两个方面进行改进,以提高ANN径流量预测模型的精度.首先,根据径流序列的变化规律,滤去序列中的季节性变化趋势,并采用局部多项式拟合求残差方法消除局部波动成分后得到新序列作为ANN模型训练样本,结果表明由此训练得到的ANN模型比未作处理的样本训练得到的ANN模型预测精度明显改善.另一方面,通过消除趋势波动分析(DFA)方法检测径流序列的分形特征并估算其标度区间,选取不同数量的训练样本进行训练得到多个ANN模型,确定模型预测精度最高时的训练样本数,并与标度区间比较,结果表明在标度区间内选取训练样本数可明显提高ANN模型预测精度.这对ANN模型训练样本数的选取有指导意义.     

基于神经网络免疫集成的非线性时间序列故障预报

针对神经网络集成对个体差异性的要求 ,提出了集成网络间的结构差异度的概念 .在此基础上设计了一种基于反向选择的免疫算法 ,该算法可以在减小集成网络各自训练误差的同时保持网络间的结构差异度 ,从而提高神经网络集成的泛化能力 .同时证明了该算法对最优个体的收敛性 .将该方法应用于受噪声污染的非线性时间序列故障预报 ,根据预测误差可以方便准确地检测系统的缓变故障和突变故障 ,实现对微小故障的快速故障预报 ,降低误检率 .仿真结果证明了该方法的有效性 .     

ANN非线性时间序列预测模型输入延时τ的确定

用神经网络（ANN）建立非线性时间序列预测模型时，ANN输入数据延时间隔τ的选取是必须考虑的一个方面。目前关于延时间隔τ选取的流行做法是：将τ确定为相空间重构时的最佳延时τs，本文提出了与此不同的观点，即神经网络输入数据延时间隔τ的选取与τs无直接关系。综合考虑其他一些因素，认为ANN输入数据延时间隔τ取为1是最为合理的。给出了理论分析和实验验证。     

基于误差反传算法的时间序列非线性预测方法

讨论了基于误差反向传播算法的时间序列非线性预测方法，给出了用该方法预测的时间序列程序框图并对太阳黑子预测问题进行了计算机仿真。仿真结果表明该非线性预测方法有较好的预测效果．     

DEM在喀斯特山区多云背景下土地利用遥感影像解译中的应用

土地利用分类是研究土地资源,进行土地评价和土地利用/土地覆盖变化等研究的基础。利用遥感(RS)技术可对土地资源进行分类调查。以沿河县为分析样区,沿河县是典型的喀斯特山区县,常年多云多雾,给土地利用遥感解译带来较大难度。研究中以地理信息系统(GIS)技术为工作平台,利用近年ASTER影像为基础数据,采用分层提取特征波段的方法,结合数字高程模型(DEM)数据对沿河县土地利用进行了遥感分类解译。分类结果表明,多云背景下的影像数据和DEM数据相结合的方法,可以更好、更快、更有效地提取土地信息,达到较好的分类精度。