大学物理实验三级阶段式教学模式探索

本文分析了物理实验教学的现状、实验教学存在的弊端，指出实验教学改革的必要性，在此基础上提出了大学物理实验三级阶段式教学模式，旨在通过对实验教学的理性思考，切实提高教与学的质量，培育出21世纪具有一定能力和创新精神的人才．     

一种采用偏最小二乘回归的情绪调节策略预测模型

针对目前个性化网络学习中重知识轻情感的现状,从学习者负面情绪调节入手,提出采用偏最小二乘回归方法,以采集的学习者的个性特征为自变量,负面情绪调节的策略特征作为应变量,建立学习者的情绪调节策略预测模型.通过实例验证,此模型具有较好的拟合预测能力.实验结果表明,个性对情绪调节策略的解释能力达70%,揭示出学习者负面情绪补偿的方法与个性相关联.     

自然语言网络答疑系统中倒排索引技术的研究与实现

为了提高自然语言网络答疑系统(Natural Language Web Answer System,简称NLWAS)中问答对的匹配速度和精度,提出了基于倒排词的倒排索引设计方案,详细阐述了索引体系结构,数据结构,匹配策略,动态维护,并对时间复杂度进行了分析.实际应用结果表明,使用倒排索引后系统性能优化效果明显增强.     

中职院校图书馆阅读策略分析

中职院校阅读推广需要从中职生阅读现状分析入手,针对中职图书馆阅读推广中存在的问题,从加强中职图书馆软硬件建设、完善辅导和积极宣传、有效策划和快速评估、加强与各专业阅读合作4个方面,给中职生创造良好的阅读环境,有效满足广大师生的阅读需求。     

基于故障树方法的项目安全风险分析

从深基坑施工事故产生的原因来看,各种风险事件往往表现出复杂的逻辑关系.采用故障树理论,从系统的角度对深基坑施工事故的原因进行逐层分解,从而对深基坑施工的安全风险因素进行辨识.考虑到基坑施工故障树基本事件发生概率的取值具有一定的不确定性,将基本事件的发生概率作为模糊数进行处理,通过对上海电网越江电力管道工程深基坑施工可能出现的安全事故中间事件和顶事件模糊故障树的分析计算,说明整个深基坑施工安全风险的分析过程.实例分析表明,基于模糊数的故障树分析方法对深基坑施工的安全风险分析是可行的,并具有一定的应用价值.     

自适应滤波实时网络流量异常检测方法

针对网络中的各种常见攻击,提出一种基于自适应滤波的网络流量异常检测方法.首先对多种流量指标进行递推最小二乘法预测,然后以预测误差所构造的统计量容许范围进行异常检测,最后对检测结果实施归一化评估.该方法具有无需任何历史训练数据、能大量减少报警次数、突出报警严重程度的特点.在DARPA入侵检测评估数据集上的实验表明,所提方法更适合检测拒绝服务攻击引起的异常,较之相同权向量下的同类方法,其异常检测率、误报率和检测速度等性能更好.     

基于DNS模型的我国公司债信用利差预测

利用2012~2017年我国国债、公司债、宏观经济及公司特征的月度数据,基于无风险收益率和公司债信用利差期限结构的动态Nelson-Siegel（DNS）模型,提取无风险收益率曲线和公司债信用利差曲线的水平因子、斜率和曲率,采取向量自回归模型和面板回归方法对我国公司债信用利差进行样本内和样本外预测。结果表明：我国公司债信用利差可以由无风险收益率期限结构及公司债信用利差期限结构中包含的信息进行预测;宏观经济变量和公司特征变量对我国公司债信用利差的预测贡献较小。     

基于可信性均值-方差-偏度-正弦熵的投资组合模型

通过引入可信性理论和偏度约束,分别建立了同时满足随机不确定和模糊不确定情形的均值-方差-偏度-正弦熵多目标投资组合优化模型（Mult-M-V-S-SE）和含有收益及风险系数的单目标投资组合优化模型（M-V-S-SE）;然后运用马尔科夫方法预测模糊收益率,利用遗传算法优化模型投资策略,通过上海证券交易所数据进行实证比较。结果表明：Mult-M-V-S-SE和M-V-S-SE两模型效果均超过均匀投资策略（MEAN）;M-V-S-SE模型灵活且稳定,更具有优势,在满足投资者需求的同时可实现更高的累计收益。     

超平面距离的非平衡交互文本情感实例迁移方法

针对非平衡交互文本少数类实例匮乏易导致训练的情感分类模型泛化性能差的问题,提出基于超平面距离的非平衡交互文本情感实例迁移方法。该方法将在少数类和多数类支持向量之间的源数据集实例作为待迁实例,并基于目标数据集上的分类超平面构造一个偏移超平面。依据最优信息效用原则基于待迁实例到偏移超平面的距离最短来筛选迁入的实例,同时通过调节迁入比例控制迁入实例规模生成合成数据集。实验结果表明:随着迁入实例增多,合成数据集对原始分布的偏离增大,所训练的序列最小优化算法(SMO)模型的泛化分类性能呈现先提升后降低的现象,类似于信息效用的Wundt曲线;与SMOTE、Subsampling、Oversampling 3种数据层处理方法相比,所提方法训练的SMO、LibSVM、随机森林、代价敏感、CNN 5个分类模型在少数类识别F值上平均获得11%的增幅,且迁入比例最佳范围为20%～30%,在有效缓解非平衡特性的同时提高了少数类识别的泛化分类性能。     

一种支持大规模应用层组播的混合拓扑覆盖网络

提出一种支持大规模应用层组播的混合拓扑覆盖网络——H-ALM.将传输覆盖网络分为主干层和分支层,主干层采用树状结构,分支层采用网状结构.H-ALM克服了单一树状结构传输稳定性差和单一网状结构传输延迟大的不足,同时综合考虑节点规模、节点的带宽能力、节点累计转发和接收数据量等实时的状态和网络条件,从而进一步优化了混合式传输覆盖网络.实验表明,H-ALM比树状方法更稳定,比网状方法延迟更小.