基于概率语言熵和交叉熵的多准则决策方法

概率语言术语集既包含语言术语,又包含语言信息的概率,使初始决策信息能够得到充分的利用,有利于提高语言术语集多准则决策的科学性.鉴于此,本文针对概率语言多准则决策问题,提出了一种基于概率语言熵和概率语言交叉熵赋权的多准则决策方法.首先考虑各准则下概率语言术语集的个体效应及其相互作用,利用概率语言熵和概率语言交叉熵计算准则的权重,然后采用将有向图和0-1优先关系矩阵相结合的概率语言术语集备选方案排序方法,更加直观地得到备选方案的排序结果并得到各方案之间的优劣程度.最后,以企业战略规划问题为例进行分析,通过对比分析验证了所提方法的有效性和优越性.     

海底观测网络数据管理系统设计

针对海底观测网数据管理的需求，建立了数据管理系统的功能模型，设计了数据通信、设备管理、故障诊断及数据质量控制等关键技术的相关实现算法。综合运用Socket网络编程、MySQL数据库技术，依据模块化的设计思想，开发了海底观测网数据管理系统。海试结果表明，该系统实现了对海底观测网的实时数据采集、状态监控、数据分类存储和数据共享等功能，具有长期运行稳定可靠、可扩展性强的优点。     

基于静态指令分配的多模块ROP自动构造方法

返回导向式编程(ROP)是一种可有效绕过数据执行保护(DEP)机制的技术.已有的ROP自动构造技术缺少对ROP模块转换过程的静态指令分配的优化,导致ROP载荷需占用大量内存空间.为解决这一问题,基于已有的ROP自动构造系统Q,针对多模块ROP的模块转换过程,设计了新的静态指令分配规则SIA.SIA通过静态指令分配,构造中间指令序列;通过动态数据填充,实现ROP模块转换过程中的寻址与指针修改.实验表明,相比已有技术,通过SIA规则构造的多模块ROP载荷降低了内存空间占有率,提高了ROP载荷的实用性.     

大数据时代军人使命感培育的特点及机理探究

军人使命感培育是军队政治工作的重要内容。大数据技术的发展,为培育工作提供了全新的路径选择。本文探讨了大数据时代军人使命感培育的内涵及机理,指出应全面理解大数据时代培育理念、培育方式的创新与培育机理,着力提升培育工作的实效性。     

大数据视角下开放型实践教学质量监控体系的构建

将大数据技术深入融合到实践教学质量监控环节,能够对教学管理平台中保存的数据点进行挖掘和分析,有利于构建科学有效的反馈机制,为实践教学资源建设、实践教学安排以及教学模式的改进提供科学化的参考依据,最终推动高校教学质量监控的闭环化。文章从大数据视角出发,对当前构建开放型实践教学质量监控体系的背景进行了分析,在此基础上从原则和策略两个方面对大数据时代下的开放型实践教学质量监控体系的构建进行了研究,从而为提升实践教学质量和管理水平提供一定的参考。     

基于文献计量的中文科技新词探讨

文章以中国知网的中文学术文献数据库为基础,利用词频统计,结合时间参数,对中文科技新词做了探讨。文章认为,高被引论文的关键词包含了专业领域的重要中文科技名词。统计结果表明,大部分高被引论文为基金论文。由于基金论文在全部论文中所占比例较低,因此,不需要考虑全部新论文,只要对其中基金论文的关键词做词频统计,就有助于发现大部分重要中文科技新词。这样,既减少了工作量,也减少了盲目性。此项工作对科研工作者和术语工作者有一定帮助。     

港口竞争力与腹地经济协同机制面板数据分析

本文在港口竞争力评价模型中同时引入港口硬件竞争力和软件竞争力指标,进一步完善了港口综合竞争力评价指标体系.在此基础上,结合面板数据模型分析国内9大港口综合竞争力与其腹地发展的协同机制,基本克服了现有港城研究中普遍存在的单角度、单维度和单主体问题.研究表明:港口综合竞争力存在惯性,较弱港口实现超越较难,但可通过充分结合腹地供需结构和贸易特色提升软实力来以长补短.腹地经济结构以及贸易和物流发展水平对港口综合竞争力具有显著正向影响,港口综合竞争力提升又会改善腹地经济结构,而腹地区域产出水平并不是港口综合竞争力的主要影响因素.研究揭示港口综合竞争力提升应从以基建为核心的要素驱动转变为结合创新和服务驱动,通过整合港口与腹地资源来优化港口竞争力结构,做到港口-腹地相互促进,共同发展.     

p-进域上的笛卡尔积中的谱集和tiles

证明了p-进域上的向量空间中的两个可测集合Ω_1??■和Ω_2??■的笛卡尔积Ω_1×Ω_2平移地tile乘积空间?■×?■当且仅当其tile相应的空间.同时,对谱集也研究了类似的问题.     

基于Copula函数和M-K检验的时空数据异常识别方法

针对时空数据异常识别精度不足的问题,从时间维度和空间维度融合思想出发,构建了一个时空数据异常识别框架.基于该框架,在分布未知情况下,采用阿基米德Copula函数推导了不同空间位置属性数据之间的差异概率.与此同时,建立了以高值点数为核心的空间数据转化方法,形成了空间秩序列,确定了用于假设检验的期望和方差.最后,以窗口大小、范围半径为模型参数,通过M-K检验给出了异常数据的识别方法.实验表明,该方法能够进一步提高时空数据异常检测精度,具有更强的识别能力.     

基于LAZE先验的机器学习方法在癌症数据上的应用——以前列腺癌数据集为例

针对高维癌症数据的特征构建稀疏化模型,分析了已有的稀疏化方法能够取得稀疏化结果的原因,以此为基础改进了使用LAZE先验的贝叶斯方法,得到了2个适用于癌症数据的新稀疏化方法（使用半混合先验的贝叶斯方法和使用完整LAZE先验的贝叶斯方法）;并利用前列腺癌数据集对2个新稀疏化方法的可行性与有效性进行验证. 数值实验结果表明:与传统稀疏化方法相比较,新稀疏化方法不仅能够得到较好的稀疏效果,能够完全剔除与目标指标无关的临床指标,还能得到较低的误差.