江西省普通高校试办体育俱乐部可行性研究

学校体育俱乐部是以素质教育为宗旨,符合当代大学生身心塑造的要求,充分体现了高校体育工作与时俱进的发展方向,因而具有极其旺盛的生命力,也给高校体育注入了新的活力,对促进高校体育发展具有重要的推动作用。本文就江西省普通高校试办体育俱乐部的现状及发展的可行性,作了调查研究,提出了发展对策,为本省高校试办体育俱乐部的可行性提供了依据。     

21世纪吉林省农村居民消费结构变动趋势分析

从《吉林统计年鉴》的统计资料,了解到近3年吉林省农村居民的消费情况和消费结构的变动趋势。通过对消费结构变动趋势的分析,提出应从增加农民收入、改善农村消费环境、倡导个人信贷消费以及建立农村社会保障体系等方面采取积极有效的对策措施,来扩大吉林省农村居民消费。     

哈夫曼编码的一种基于树型模式匹配的改进型算法

一般情况下，哈夫曼编码所采用的存储结构及构树方法，不仅影响编码效率，而且也没充分利用存储空间．本文改顺序存储为链式存储，对叶结点和非叶结点采用不同的存储结构来降低空间复杂度．在编码时，充分利用短码字且基于树型模式匹配进行编码，提高了编码性能和传输效率．     

基于问题模式匹配的智能答疑系统原型

智能答疑系统是将学生的问题和老师的解答有机地组织起来并存放至相应的答题库中，通过自然语言的语义理解技术来分析并自动的匹配学生所提出的问题，自动地给予问题解答的系统. 智能答疑系统能够给予提问者即时的回应，减轻教学人员的工作压力，在远程教学中具有重要意义.红棉智能答疑系统（原型系统）针对国内现有的智能答疑系统普遍存在的问题，借鉴了国外先进智能答疑系统的成功经验与设计理念，根据中文智能答疑的特殊需求，引入了基于概率的双向最大匹配分词算法、智能问题模式匹配、基于语义依存树的语义分析等技术进行智能问题分析，形成了具有更高答案召回率、合理性与正确性的新一代智能答疑系统.     

徐州市公园绿地景观结构与格局分析

采用Quick Bird-2卫星图像分析了徐州市区公园绿地的景观结构和格局，结果表明：徐州市区公园绿地景观类型结构与布局不尽合理，斑块聚集度高、分维教低，不同区之间的公园绿地景观结构特征差异明显。应根据合理服务半径均匀布局的原则建设公园绿地，增加景观分布均匀度，丰富绿地景观多样性。     

PBL教学模式在运动解剖学教学中的应用

初步尝试将一种全新的教学模式PBL(problem-based learning)应用于体育专业的运动解剖学教学中,实践证明该方法可以激发学生学习运动解剖学的兴趣,增强学习的积极性和主动性,有利于培养学生的综合素质.总结了在实施该教学模式中的经验,分析了存在的问题及对策,为完善和推广PBL教学模式奠定了基础.     

山西霍山荆条群落的生态特征及其空间分布的研究

根据野外调查的样地资料,本文分析了分布于山西霍山的荆条灌丛群落的种类组成,区系成分,外貌特征,垂直结构等基本生态学特征;统计分析了霍山上荆条灌丛的分布格局.结果表明:该群落种类组成非常丰富;区系成分以北温带分布为主;生活型以地上芽植物和一年生植物占优势;垂直分化明显,一般为乔木层、灌木层、草本层、地被层四层, 灌木层和草本层为优势片层;群落中荆条种群的分布格局为集群型,其他种群则多近似均匀型分布.     

一种新的分类方法——属性均值聚类属性支持向量机(AMC-ASVM)

在属性均值聚类(AMC)与支持向量机(SVM)的基础上,提出了一个新的模式分类算法——基于(属性)聚类的属性支持向量机算法(AMC-ASVM)。主要思想是利用属性均值聚类网络得到的具有概率信息(权重)的样本,来训练属性支持向量机,从而得到分类器。这种方法结合了属性聚类的稳定性与属性支持向量机可以利用加权样本的优点,适合处理具有强噪声的数据。另外,该方法也可以看作是堆近邻分类法的自然推广。在实验部分,将其用于结肠癌基因表达数据的处理。实验结果显示了AMC-ASVM在一定程度上优于最近邻,Boosting,堆近邻,SVM等方法。     

口径天线瞬态辐射特性的研究

为了在时域研究超宽带口径天线的瞬态辐射特性，利用时域有限差分方法在平面波正投射、斜投射及柱面波投射于不同尺寸和形状的口径面的情况下，对口径面上的场进行了计算，进而得出该口径天线的辐射场。将通常天线的方向图扩展为可用于超宽带天线的空时方向图，并在不同激励的情况下用空时方向图描述了激励脉冲在自由空间展布的宽度与天线口径几何尺寸、形状和主辐射面的辐射波形之间的关系，得出改变口径面的形状和大小可以改变口径面的辐射特性的结论，为理解超宽带口径天线辐射特性并为进一步设计该类天线提供了理论依据。     

一种基于序列挖掘的分类系统框架

为了有效地对序列数据进行分类，提出了一种集成分类挖掘和序列模式挖掘技术的分类系统框架(SPACS)．先采用一套约束和裁减策略，为每个分类挖掘频繁序列模式，并将其转换为分类序列规则(CSR)；再利用平均CSR匹配置信度和一个规则匹配算法构建有效的序列数据分类器．SPACS不需要在提取序列的特征后采用传统方法进行分类，可以直接利用从序列数据中提取出的频繁序列进行分类．实验结果表明，对于序列类型的数据的分类，SPACS比传统的决策树和关联分类方法具有更高的分类精度．