基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题,提出一种基于深度学习的问题帖分类方法,采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型.实验结果表明,基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法,且使用的Adam优化器优于SGD优化器...     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题,提出一种基于类不平衡学习的情感分析方法.该方法利用深度学习训练过程中的概率输出,以计算样例的信息熵作为影响因子构建交叉信息熵损失函数.在IMDB公开数据集上进行实验验证的结果表明,基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题;对数据的统计...     

基于Petri网的工作流模型合理性研究

针对难以建立合理的工作流模型问题,将工作流管理联盟(WFMC)定义的工作流模型映射为工作流网络(WF-net).在定义并证明两种不破坏原工作流网络结构特性和系统行为的调整映射的基础上,将该工作流网络调整为完全的扩展自由选择网(EFC-net).通过证明扩展自由选择网与自由选择网(FC-net)的最小死锁有相同的特征.通过引入获取最小死锁的算法,结合秩定理,给出了验证工作流合理性的算法.     

基于代价敏感主动学习的软件缺陷预测方法

软件缺陷预测数据集在搜集过程中存在标注成本较高的问题,引入主动学习有利于选择有价值的数据样例来快速构建数据集,但是主动学习一般选出不确定度最高的样例进行人工标注,并未考虑低不确定度样例。为了进一步降低数据标注的成本,融合信息熵与相对熵提出一种基于代价敏感的混合式主动学习策略。该策略首先使用基于信息熵的主动学习策略,将信息熵最高的样例交由领域专家进行人工标注;对于信息熵最低的样例,借助查询委员会进行二次分析,若满足阈值则进行伪标注。实证研究表明,在同等标注样例的情形下,该策略的AUC值要优于其他3种经典的主动学习策略。使用基于代价敏感的主动学习查询策略可以有效提高软件缺陷预测领域的标注效率并降低标注成本。     

单片机系统的改造

计算机技术的发展日新月异，单片机系统的应用也随之飞速发展．而在实际应用当中，人们对单片机的重复投入往往会造成一种浪费．本文通过对单片机系统的几种改造方法的介绍，希望能帮助用户节约投资成本．     

面向云计算模型的高校科研管理信息系统实施策略研究

文章提出了基于云计算的科研管理信息系统建设思路,以及构建面向云计算的科研管理系统模型,旨在促进高校学术资源的共建共享,不断提升高校科研管理部门的管理绩效与服务水平.     

基于Petri网及矩母函数的计划评审技术

针对经典的计划评审技术不允许网络图中存在回路,而且假定所有活动时间服从β分布,使计划评审技术的使用受到限制的问题,通过将双代号网络映射为基于Petri网的模型,建立了既不改变双代号网络原有特性,又允许回路存在的基于Petri网的计划模型.结合Petri网可达图分析方法,在消减可达图的突发状态的基础上,引入矩母函数计算了PERT模型的性能参数.通过计算实例和仿真实验对比验证了该方法可以用于增强计划评审技术.     

基于Web的论文管理系统的设计和实现

根据本科院校论文管理的一般流程,设计和实现了基于Web的论文管理系统,该系统主要包括管理员管理、教师出题、学生选题三大模块,文中给出了几个关键模块的实现代码.经实际应用证明该系统能大大提高论文管理的水平和效率.     

基于贝叶斯与因果岭回归的物联网流量预测模型

针对物联网流量预测困难的问题,提出了一种基于贝叶斯与因果岭回归的物联网流量预测模型.该模型首先根据物联网流量传输波动影响链路变化等因果关系,深入刻画物联网流量局部特征,并利用薛定谔方程优化识别模型,同时结合贝叶斯拟合因果关系联合岭回归方法建立预测模型.最后,通过仿真实验研究了该模型与其他方法之间的性能状况,结果表明该模型在平均队列、阻塞率和延迟率等方面具有较大优势.