求解0-1背包问题的动态规划改进算法分析

为了改善动态规划法的空间复杂度,基于动态规划算法的一种改进策略,提出了采用动态链表结构存储数据的实现方式,从而达到降低空间复杂度的目的。通过运算验证,表明该改进方法是可行有效的,且其空间复杂度有所优化。     

区域吸收能力的多维度衡量——基于珠江三角洲电子产业的微观考察

吸收能力是外部学习和创新溢出发生的重要前提.本文将区域吸收能力在企业微观层面作为一个多维度变量,分解为人力资本、研究开发(R&D)活动和产品技术3个维度,探讨吸收能力中的构成要素对于企业在创新过程中特定学习行为特征的影响.对珠江三角洲电子产业的实证分析结果显示,利用社会临近性和组织临近性进行外部学习的企业主要集中在电子行业高技术产品的生产领域,并且首席执行官(CEO)能力是企业利用与母公司和国外客户的组织临近性进行学习的重要因素.     

基于边缘检测的多特征智能图像检索模型

提出一种智能图像二级检索模型.第一级检索利用改进的Canny算子和颜色向量角分别检测图像边缘,再基于db2小波进行图像融合得到二值边缘,并运用图像位错率进行边缘信息比较,将相似度大的图像组成一个新的备选图像库,以缩小图像检索范围.然后利用HSI颜色不变量模型改进颜色相关矩阵,加以边缘直方图进行综合特征第二级检索.实验表明该模型能够准确和高效地查找出用户所需内容的彩色图像,并且具有较好的准确率和回想率.     

文本分类中的主动多域学习

现有主动学习主要着眼于对单个域训练方法的研究,不同域有不同的特征,同时也存在一些隐含的共性.如何从多个域中选择合适数据样本成为多域学习中减少人工标注工作量的关键.本文提出了一个新颖的主动多域学习框架,该框架充分考虑了重复信息,并可从多个域中选择合适的数据样本.该框架首先找到一个包含不同域间隐含共性的共享子空间,然后将所有数据样本分解为公共域部分和个性域部分,其中公共域部分可视为域间的重复信息,该部分在查询时需要被考虑到.最后,将主动多域学习方法与最新的主动学习方法的性能进行了比对,实验结果表明,本文提出的主动多域学习方法在减少人工标注工作量方面有显著作用.     

“框景”在当今国外景观中的运用

阐述了框景的艺术本质、类型及其多样性,并结合国外现代园林中的运用实例,诠释了框景在现代景观中的运用.     

渐近拟非扩张映射的迭代序列的强收敛性

在一致凸的Banach空间中引入渐近拟非扩张映射,利用一个非负实数序列的不等式,研究了在渐近拟非扩张映射下的带误差和保核收缩映射的Ishikawa型迭代序列,证明此迭代序列在适当的条件下强收敛到渐近拟非扩张映射的一个公共不动点.     

最小的Mobius不变空间到Bloch型空间的一个积分型算子

利用分析和构造检验函数给出了积分型算子$C_\varphi ^g
$从最小的M$\ddot{\rm o}$bius不变空间到
Bloch\,型空间的有界性和紧性的一些新的等价条件.
这些等价条件更加完整地刻画了$C_\varphi^g $,
也为其他积分型算子的研究提供很好的参考价值.     

学习分析系统构建研究

学习分析目前应用于教育的多个方面,但是还缺乏一个完整、清晰、可实施的学习数据系统.本文尝试构建一个开放的、全面的学习分析系统.综述了该领域研究近年的发展,并对若干重要概念进行了定义,给出了学习分析系统和数据的时空与交互演化.着重分析了学习分析系统论域(LASUoD)、形式化建模学习分析系统信息空间模型[ΣR,ΣCR,ΣMT,ΣA,ΣW,ΣC],构建了学习分析系统架构,并分析了该系统中数据流程.提出了学习分析对象数据模型、学习分析系统本体(LASO)框架及学习分析系统标准组谱,以实现学习分析系统应用的互操作.最后,为了说明学习分析系统应用情况,展示了一个基于开源学习管理系统Sakai的学习分析实例.     

京沪高铁影响下的区域公路可达性空间分异特征研究

在GIS技术和空间数据库支撑下,应用最短路径算法与网络分析技术及可达性指数,测度高铁通车前后案例区公路可达性空间格局与变化,采用变异系数与斯皮尔曼等级系数测算高铁的公平性影响.结果显示:①高铁从整体上提高区域公路可达性水平,极大地缩短中心城市间的时间距离,但各地可达性收益不等,可达性均衡程度降低.②高铁塑造高可达性"走廊"与"岛".加权旅行时间高变率地区呈现出"哑铃状",表明高铁沿线站点地区与南北端城市获益最多.经济潜力与日常可达性高值区向高铁沿线城市偏移,反映站点城市接收中心城市辐射能力提高;高铁沿线城市日常可达人口规模急剧膨胀,扩大沿线城市服务业的市场范围.③高铁站点依靠其在快速交通网络节点的枢纽作用,将成为区域重要的快速交通中转站.     

基于时空特性的短时交通流预测模型

根据交通流的历史周期性和空间相关性,文中综合SARIMA模型在历史周期性预测上的优势和RBF模型在空间相关性预测上的优势,提出了SARIMA-RBF模型.该模型采用SARIMA模型通过历史数据预测下一时刻的交通流,然后将预测值与该点上下游关联的交通流数据相结合,采用RBF神经网络模型得出输出值,并将该输出值作为SARIMARBF模型对下一时刻交通流的预测结果.实验结果表明,该模型因同时考虑了交通流的历史周期性和空间相关性,相比SARIMA模型和RBF模型具有更好的交通流预测效果.