模糊综合评价在教学管理中的应用

本文通过模糊综合评价的观点，论述了它在教学管理中的应用，给出了在教学管理中对于评价的一种方法。     

基于模糊综合评判的学生素质培养因素分析

从学生自身因素、学校教师因素、家庭培养因素三大方面对江西省某中学高二年级的4个班级进行了学生素质培养影响因素的问卷调查。基于问卷调查结果,利用三级模糊数学综合评判方法,对影响学生素质培养的各级因素进行了定量化分析,得到了一些有益结论。模糊综合评判方法解决了学生素质培养评价由定性评价转化为定量评价问题。     

复杂网络在新闻网页关键词提取中的应用

通过分析新闻网页文档的特征,引入节点权重、有向网络加权聚类系数、中心介数等特征量,并结合传统关键词提取算法的一些优点及网页文档的部分特征,提出了一种改进的基于加权复杂网络的新闻网页关键词提取算法,并通过实验证实了该算法的正确性.     

浅谈关于大学生就业的几点心得

作为一名专升本的学生,因为有过一次就业的经历,同时也参加了许多的招聘和招聘会现场,也投递过许多的简历,参加过多次的面试,让我深切地感受到了大学生就业的压力。学校组织的就业指导课为我们大学生提供了关于将来就业方面的宝贵的信息。首先,我们应该先就业,再择业。随着社会经济的发展,在竞争日益激烈的今天,随着大学生毕业人数的增加,导致许多人无法就业,成了传说中的啃老族。许多的人认     

基于模糊数学的水泥路面使用性能综合评价体系研究

路面使用性能评价是路面养护管理的重要组成部分.由于影响路面使用性能的因素繁多,且各因素之间既相互联系又相互影响,自身又表现出一定的随机性和模糊性,使得评价难以得到准确的结果.针对目前这种状况,提出了一种适用于我国水泥路面的基于模糊数学理论的综合评价方法.在评价过程中重点分析了单因素属性测度函数的建立和客观性权重的计算方法,将定性问题定量化,并通过实际案例分析,验证了该评价方法的合理性.     

应用人工神经网络确定评价指标的权重

阐述了如何利用人工神经网络方法确定评价指标的权重,以消除以往权重确定过程中人为影响及缺乏动态性这一弊端,具有一定的实用意义。     

钢筋混凝土箱形拱桥的安全状态评定——以甘青公路享堂大通河大桥加固工程为例

随着交通负荷的加大,许多桥梁都出现超负荷运营的状况。为正确评价桥梁的安全状态,给桥梁运营养护部门提供决策依据,往往需要进行一些必要项目的检测。通过介绍上承式箱形拱桥的检查检测过程,描述了常规桥梁检查检测的内容和方法。     

指标权重方法比较研究——以湄潭县基本农田划定为例

对比研究德尔菲法、层次分析法、极差最大化法、均方差法、主成分分析法和熵权法6种指标赋权方法,分析各赋权方法的优劣。以湄潭县基本农田划定为例,选取农用地自然等、坡度值、交通条件、水利条件、与居民点距离和集中连片程度构建评价体系,指标标准化处理后分别用德尔菲法、层次分析法、极差最大化法、均方差法、主成分分析法和熵权法进行赋权,通过减少指标个数来探讨不同方法赋权结果的变化情况。结果表明:主成分分析法的使用有着严格的限制条件,要求评价指标之间具有较高的相关性;熵权法具有区分指标差异的优越性,确定为最优。因此,当不同方法区分各评价指标间差异性不大时,即不同方法的赋权结果相近时,可任意选取一种赋权方法;但当不同方法对指标差异的区分度相差大时,应选用区分度大的赋权方法。     

基于改进灰狼优化算法的区域监测机器人路径规划

为了解决大任务量作业监测中机器人路径规划问题,提出了一种区域监测的机器人路径规划算法。模拟大任务量监测真实环境进行问题建模。针对传统灰狼优化算法求解模型时全局搜索能力差且易陷入局部最优解的问题,提出了一种改进的灰狼优化算法。引入Logistic混沌映射,以加强初始化种群的多样性;引入一种控制参数的自适应调整策略,以平衡灰狼优化算法的搜索能力和开发能力;引入静态加权平均权重策略,更新种群位置,加快收敛速度。将机器人载电量与路径长度短作为约束,引入K-means算法进行任务聚类,通过改进灰狼优化算法对模型进行离线求解以规划出路径,将大任务量监测作业自动转换成分时分步作业。实验结果表明:通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高。通过50任务点与100任务点作业场景对机器人路径规划模型进行算法仿真,验证了算法的真实有效性,且任务量越大模型优越性越好,路径缩短比例越高。     

选择性集成学习模型在岩性-孔隙度预测中的应用

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由"主成分权重平均"法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。